Proyecto Final: Esperanza de Vida
Ian Vleeming y Ricardo Valladares
13 de mayo de 2016
Introducción
En el siguiente trabajo se estudiará un aspecto que es importante para la sociedad hoy en dia y este es la cantidad de años que vivirá una persona en un determinado país. A esto le podemos llamar también: “La Esperanza de Vida”. Segun la Real Academia Española, el significado formal de la Esperanza de Vida es el tiempo medio de vida de un individuo o de una población biológica determinada.
Para poder explicar este fenómeno se usaron distintas variables que pudieran ser relevantes, entre las cuales destacan: el índice de felicidad, el control de la corrupción, el producto interno bruto per cápita y algunas tasas como la de pobreza y de alfabetización para poder medir la educación media del país. Ademas, para que el estudio fuera relevante, tomamos una muestra en donde se incluyen a todos los paises del mundo de los que se disponen datos, es decir, es una muestra de más de 100 paises apróximadamente.
Para realizar esta investigación las principales fuentes que se usaron fueron: el banco mundial, la base de datos de WorldWide Governance Indicators, IndexMundi y New Economics Foundation. Estos datos se ingresaron a una base de datos en Excel que fue la que se uso para realizar todos los calculos correspondientes y que se mostrarán mas adelante.
En la primera parte del trabajo se explicara un poco de la literatura y de estudios adicionales que se han realizado con respecto a este tema. Ademas también se colocara la base de datos y se explicaran cada una de las variables, que es lo que mide y que valores puede tomar. En la segunda parte del trabajo se calculan las diferentes regresiones con las respectivas interpretaciones de cada uno de los coeficientes relevantes para el estudio. Por ultimo, en la tercera parte del trabajo se calcula las diferentes pruebas de multicolinealidad y heteroscerasticidad, ademas de las conclusiones pertinentes al estudio realizado.
Revisión de la Literatura
A continuación se presentara una breve descripción de algunos estudios que se han realizado en relación al tema de la esperanza o la espectativa de vida para las personas. Se vera tambien como algunos de ellos se relacionan en terminos de variables, con el análisis que sera expuesto a continuación.
Estudio 1: Revista “The Lancet”
este estudio demuestra que la esperanza de vida a nivel mundial ha aumentado más de 6 años desde el año de 1990. La edad promedio de muerte de las personas en el mundo subió de 46.7 años a 59.3 años entre 1990 y el 2013. La esperanza de vida global para ambos sexos (masculino y femenino) aumento de 65.3 años en 1990 a 71.5 años en el 2013. Este estudio fue realizado por científicos de todo el mundo. El estudio fue llevado a cabo por una agrupación internacional de más de 700 investigadores que son dirigidos por el IHME (Instituto de Evaluación y Métricas de Salud) de la Universidad de Washington. Investigadores de más de 100 países incorporaron datos a nivel país. El estudio también nos habla acerca de que la gente de todo el mundo vive más años que hace dos décadas, debido a que las tasas de mortalidad tanto en enfermedades infecciosas como cardiovasculares han disminuido. Pero a nivel mundial, el trastorno por consumir drogas y las enfermedades renales crónicas han incrementado, causando un número elevado de muertes. También se trato de investigar si las causas principales de muerte de los países con ingresos relativamente bajos se están comenzado a parecer a la de países desarrollados con ingresos altos. El avance en la expectativa de vida de las personas a nivel mundial se ha producido gracias a un descenso en la mortalidad de enfermos de VIH y la malaria en la última década; también debido a los avances en el tratamiento de distintos desordenes como en el embarazo, en los neonatales y en nutricionales. Japón es el país del mundo que registro en el 2013 la mayor expectativa de vida saludable. Los hombres allí viven en promedio 71.11 años “saludables”, y las mujeres en promedio 75.56 años “saludables”; esto nos da una esperanza de vida total de 86.39 años.
Estudio 2: OCDE
Este estudio de la Organización para la Cooperación y el Desarrollo Económico indica que una persona con 30 años de edad con estudios superiores tiene hasta 8 años más de expectativa o esperanza de vida que otra persona que haya terminado la educación obligatoria. Este estudio es corroborado por los datos de la MRC (Fundación Británica del corazón y Consejo de Investigaciones Médicas) del Reino Unido. Este estudio dice que si una persona estudia mucho, envejece más tarde; si las personas estudian logran alcanzar un mayor grado de satisfacción ya que gozan de más años de vida y una vida más satisfactoria y saludable. Estudiar alarga la esperanza de vida. Estudiar, además de incrementar las expectativas laborales, incrementa la salud. La OCDE indica que el estado de bienestar de una población en un país, se relaciona mucho con el nivel de educación que tienen cada uno de sus integrantes.
Estudio 3: The American Journal of Medicine
Este estudio contó con 3659 participantes, los cuales fueron hombres mayores de 55 años y mujeres mayores de 65 años. Estos participantes estuvieron completando la encuesta de salud nacional sobre la salud y nutrición desde el año 1988 hasta el año 1994. Como otros datos, se tomó información acerca del desarrollo muscular de los participantes. Estos datos se analizaron en el 2004 y lo que revelaron fue que las personas que tienen un mayor desarrollo muscular, tienen mayor esperanza de vida o una probabilidad menor de morir a temprana edad, a comparación de aquellas personas que tienen un escaso desarrollo muscular y no se ejercitan. El ejercicio beneficia mucho a las personas mayores, tanto en el área física como en el área mental. La actividad física retrasa a la mortalidad.
Estudio 4: NCI
Este estudio fue dirigido por los Investigadores del Instituto Nacional de Cáncer, que forma parte de los institutos nacionales de salud. Los resultados fueron publicados en el 2014 por PLOS MEDICINE. Se analizaron los resultados de un análisis de datos de 20 estudios que se elaboraron a gran escala en 3 países. Se incluyeron adultos de Estados Unidos, Suecia y Australia. Los participantes fueron clasificados según su IMC (Índice de Masa Corporal) la cual es una medición de la grasa total del cuerpo. Lo que nos indica este estudio es que los adultos que tienen una obesidad extrema, tienen un mayor riesgo a morir a una edad más temprano y su esperanza de vida se puede reducir hasta en 14 años. Estas personas tienen una mayor probabilidad de morir de cáncer, enfermedades cardiacas, diabetes, accidentes cerebro vasculares, entre otros.
Estudio 5: Alcoholismo
El científico Ulrich John fue el director del estudio realizado por científicos alemanes de Greifswald y Lubeck, el cual tomo como muestra a 4,070 personas de la ciudad norteña alemana de Lubeck y de otras 46 localidades. Estas personas fueron analizadas desde 1996. De estas personas, 153 fueron diagnosticadas como alcohólicas y las demás fueron analizadas por más de 14 años. El estudio revelo que ninguna persona dependiente de alcohol llegó a su promedio de vida alemán, 77 años para los hombres y 82 años para las mujeres. Los adictos al alcohol viven en promedio 58 años, y las mujeres adictas 60 años. En Alemania, aproximadamente 9.5 millones de personas que se encuentran entre las edades de 18-65 años tienen problemas con el alcohol, y 1.3 millones de ellas son adictos. El alcohol reduce hasta 20 años de la esperanza de vida de las personas.
Datos
A continuación se presentaran los datos para las variables utilizadas, asi como una explicación de cada una de ellas y una grafica que muestra la relación con la variable dependiente.
Base.de.Datos <- read.csv("~/Ian Vleeming/Universidad/Economia/Econometria I/Proyecto Final/Base de Datos.csv")
proyecto = Base.de.DatosVariables Depedientes
Y1 = Esperanza de Vida Total en Años (2014)
La esperanza de vida al nacer indica la cantidad de años media que vivirá un recién nacido a lo largo de su vida, independientemente si es hombre o mujer, si las condiciones permanecen normales. Estos datos son correspondientes al año 2014.
Fuente: http://datos.bancomundial.org/indicador/SP.DYN.LE00.IN.
Y2 = Esperanza de Vida Mujeres en Años (2014)
La esperanza de vida para mujeres es la cantidad de años media que vivirá una mujer recién nacida a lo largo de su vida, si las condiciones permanecen en normalidad. Estos datos son correspondientes al 2014.
Fuente: http://datos.bancomundial.org/indicador/SP.DYN.LE00.FE.IN.
Y3 = Esperanza de Vida Hombres en Años (2014)
La esperanza de vida para hombres o varones indica la cantidad de años media que vivirá un hombre recién nacido a lo largo de su vida, si las condiciones permanecen en normalidad. Estos datos son correspondientes al 2014.
Fuente: http://datos.bancomundial.org/indicador/SP.DYN.LE00.MA.IN.
Variables Independientes
X1 = PIB Per Cápita (2014)
El PIB es la suma del valor agregado de todos los productos producidos dentro de una economia. El PIB per Cápita es el PIB divido el numero de habitantes de un país. Estos datos estan expresados en dólares actuales de Estados Unidos para el 2014.
plot(proyecto$X1, proyecto$Y1, main="Relacion entre Pib per cápita y Expectativa de vida", xlab="Pib per cápita ",ylab="Esperanza de Vida Total", ylim=c(-3,150),xlim=c(0,200000), pch=22,cex=1.5,bg="lightgreen", col="red", abline(lm(proyecto$Y1~proyecto$X1), col="blue"))
Podemos observar en la grafica una relación entre las variables de Esperanza de vida total (Y1) y PIB per cápita (X1). Podemos observar que los puntos que se encuentran dispersos se apegan mucho a la línea de regresión, existe una relación fuerte y estable entre las variables. La grafica tiene una pendiente positiva, mientras mayor sea el PIB per cápita de las personas en un país, mayor será la esperanza de vida.
Fuente: http://datos.bancomundial.org/indicador/NY.GDP.PCAP.CD.
X2 = Happy Planet Index (2012)
El Happy Planet Index (HPI) nos indica como esta el desempeño de cada uno de los paises en la manera en la que apoyan y sustentan a sus habitantes y ciudadanos para vivir buenas vidas hoy y asegurar que lo sigan haciendo en un futuro y que este bienestar sea sostenible en el tiempo. Este índice se utilizo como medida de la felicidad de la poblacion para cada uno de los paises. Este reporte es del año 2012.
plot(proyecto$X2, proyecto$Y1, main="Relación entre Índice de Felicidad y Expectativa de vida", xlab="Índice de Felicidad ",ylab="Esperanza de Vida Total", pch=22,cex=1.5,bg="lightgreen", col="blue", abline(lm(proyecto$Y1~proyecto$X2), col="blue"))
Podemos observar en la grafica la relación entre las variables de Esperanza de vida total (Y1) y el Índice de Felicidad (X2).Podemos observar que los puntos se encuentran muy dispersos de la recta de regresión, puede ser que existe una gran variabilidad del índice de felicidad en los distintos países analizados; existe una relación masomenos fuerte entre las variables. La grafica tiene una pendiente positiva, mientras más felices sean las personas de un país, mayor será la esperanza de vida de las personas en ese país.
Fuente: http://www.neweconomics.org/publications/entry/happy-planet-index-2012-report.
X3 = Control of Corruption (2014)
El índice de control de corrupción es un índice dentro de los Worldwide Governance Indicators. Los WGI son índices calculados con el proposito de medir la efectividad gubernamental e institucional de los paises industrializados y los paises en desarrollo. Este índice de la corrupción mide la efectividad del gobierno en controlar la corrupción en el territorio de cada país. Este indicador puede tomar valores de -2.5 (weak government performance) hasta 2-5 (strong government performance) para el año 2014.
plot(proyecto$X3, proyecto$Y1, main="Relación entre Control de corrupción y Expectativa de vida", xlab="Control de corrupcion ",ylab="Esperanza de Vida Total", pch=22,cex=1.5,bg="lightgreen", col="red", abline(lm(proyecto$Y1~proyecto$X3), col="blue"))
Podemos observar en la grafica la relación entre las variables de Esperanza de vida total (Y1) y Control de Corrupción (X3).Podemos observar que los puntos se encuentran muy dispersos de la recta de regresión, existe una relación fuerte entre las variables. La grafica tiene una pendiente positiva, esto significa que mientras más control de corrupción exista en un país, mayor será la esperanza de vida de las personas en ese país.
Fuente: http://info.worldbank.org/governance/wgi/index.aspx#home.
X4 = Emisiones C02 en toneladas (2014)
Este indicador se utilizo como medida de la contaminación del país y lo que mide son las emisiones de Dióxido de Carbono medidas en toneladas metricas per cápita, en cada uno de los paises. Estas emisiones corresponden a la quema de combustibles fósiles y la fabricación de cemento. Ademas incluyen el consumo de combustibles sólidos, líquidos, gaseosos y la quema de gas.
plot(proyecto$X4, proyecto$Y1, main="Relación entre Emisiones de CO2 y Expectativa de vida", xlab="Emisiones de CO2 ",ylab="Esperanza de Vida Total", pch=22,cex=1.5,bg="lightblue", col="red", abline(lm(proyecto$Y1~proyecto$X4), col="blue"))
Podemos observar en la grafica la relación entre las variables de Esperanza de vida total (Y1) y Emisiones de CO2(X4).Podemos observar que la mayoría de puntos se encuentran muy pegados, y unos cuantos si se encuentran bastantes dispersos. Existe una relación fuerte entre las variables. La grafica tiene una pendiente positiva, esto significa que mientras más Emisiones de C02 existan en un país, mayor será la esperanza de vida de las personas en ese país. Esto puede ser a que mayor emisión de CO2 signifique mayor cantidad de fábricas por ejemplo, y debido a que estas contribuyen con el incremento de producción y del PIB de un país, entonces por eso incrementa la esperanza de vida de las personas.
Fuente: http://datos.bancomundial.org/indicador/EN.ATM.CO2E.PC.
X5 = % de Población Rural (2014)
Segun la Real Academia Española, la población rural es aquella que pertenece o esta relacionada a una vida en el campo y a sus labores en el mismo. En este caso, el indicador esta midiendo el porcentaje de la población total que vive o trabaja en el campo, para el año 2014.
plot(proyecto$X5, proyecto$Y1, main="Relación entre las personas que viven en el área rural y Expectativa de vida", xlab="% de personas que viven en el área rural ",ylab="Esperanza de Vida Total", pch=22,cex=1.5,bg="lightblue", col="blue", abline(lm(proyecto$Y1~proyecto$X5), col="blue"))
Podemos observar en la grafica la relación entre las variables de Esperanza de vida total (Y1) y % de personas que viven en el área rural (X5).Podemos observar que la mayoría de puntos se encuentran muy pegados de la recta de regresión, otros si se encuentran bastante dispersos. Existe una relación fuerte entre las variables. La grafica tiene una pendiente negativa, esto significa que mientras más mayor % de personas en el área rural existan en un país, menor será la esperanza de vida de las personas en ese país. Mientras más personas vivan en el área rural en un país, menos expectativa de vida van a tener las personas de ese país.
Fuente: http://datos.bancomundial.org/indicador/SP.RUR.TOTL.ZS.
X6 = % de Pobreza (2014)
Este índice mide el porcentaje de la población total de los paises que viven en una situacion de pobreza. Estos datos estan correctos hasta el año 2014.
plot(proyecto$X6, proyecto$Y1, main="Relación entre la pobreza y Expectativa de vida", xlab="% de pobreza",ylab="Esperanza de Vida Total", pch=22,cex=1.5,bg="lightgreen", col="black", abline(lm(proyecto$Y1~proyecto$X6), col="blue"))
Podemos observar en la grafica la relación entre las variables de Esperanza de vida total (Y1) y % de pobreza en un país(X6).Podemos observar que la mayoría de puntos se encuentran muy pegados de la recta de regresión, otros si se encuentran bastante dispersos. Existe una relación fuerte entre las variables. La grafica tiene una pendiente negativa, esto significa que mientras más mayor % de pobreza en un país, menor será la esperanza de vida de las personas en ese país. Mientras más pobreza exista, menor vida promedio tendrá la población.
X7 = Tasa de Alfabetizacion (2014)
Este índice se utilizó para medir la educación en cada uno de los paises. La tasa de alfabetización corresponde al porcentaje de la población que si saben leer y escribir. Estos datos esan correctos hasta el 2014.
plot(proyecto$X7, proyecto$Y1, main="Relación entre la alfabetización y Expectativa de vida", xlab="Tasa de alfabetización",ylab="Esperanza de Vida Total", pch=22,cex=1.5,bg="lightgreen", col="red", abline(lm(proyecto$Y1~proyecto$X7), col="blue"))
Podemos observar en la grafica la relación entre las variables de Esperanza de vida total (Y1) y Tasa de alfabetización (X7).Podemos observar que la mayoría de puntos se encuentran muy pegados de la recta de regresión y entre sí, otros si se encuentran bastante dispersos. Existe una relación fuerte entre las variables. La grafica tiene una pendiente positiva, esto significa que mientras más mayor sea la tasa de alfabetización en un país, mayor será la esperanza de vida de las personas en ese país. Mientras más alfabetizadas sean las personas, mayor será la cantidad de años que van a vivir.
X8 = % Total de Gasto en Salud (2014)
Este índice se tomo para medir la importancia que tiene para cada país el sistema de salud. Sin embargo, este índice solo mide el gasto que se realiza en las actividades de salud, pero no mide la eficacia y la transparencia, sin embargo puede ser un indicador de referencia para saber como esta el sistema de salud en cada uno de los paises. Este índice toma en cuenta tanto el gasto publico y privado en salud para el año 2014.
plot(proyecto$X8, proyecto$Y1, main="Relación entre el gasto total en salud y Expectativa de vida", xlab="% de gasto total en salud",ylab="Esperanza de Vida Total", pch=22,cex=1.5,bg="lightblue", col="red", abline(lm(proyecto$Y1~proyecto$X8), col="blue"))
Podemos observar en la grafica la relación entre las variables de Esperanza de vida total (Y1) y % de gasto en salud (X8).Podemos observar que la mayoría de puntos se encuentran muy pegados de la recta de regresión y entre sí, otros si se encuentran bastante dispersos. Existe una relación estable entre las variables. La grafica tiene una pendiente positiva, esto significa que mientras mayor sea el % de gasto (sector público y privado) destinado a salud de las personas de un país, mayor será la esperanza de vida de las personas en ese país. Mientras más se gaste en salud, más años de vida tendrán las personas de ese determinado país.
Fuente: http://datos.bancomundial.org/indicador/SH.XPD.TOTL.ZS.
Base de Datos
Base.de.Datos <- read.csv("~/Ian Vleeming/Universidad/Economia/Econometria I/Proyecto Final/Base de Datos.csv")
Base.de.Datos## Pais Y1 Y2 Y3 X1 X2 X3
## 1 Afganistan 60 62 59 633.6000 36.8 -1.33
## 2 Albania 78 80 75 4564.4000 54.1 -0.35
## 3 Alemania 81 83 79 47773.9000 47.2 1.83
## 4 Angola 52 54 51 5900.5000 33.2 -0.45
## 5 Antigua y Barbuda 76 78 74 13432.1000 NA 0.68
## 6 Arabia Saudita 74 76 73 24406.5000 46.0 0.10
## 7 Argelia 75 77 73 5484.1000 52.2 -0.61
## 8 Argentina 76 80 72 12509.5311 54.1 -0.58
## 9 Armenia 75 79 71 3873.5336 46.0 -0.44
## 10 Australia 82 84 80 61979.8963 42.0 1.87
## 11 Austria 81 84 79 51122.4253 47.1 1.44
## 12 Azerbaiyan 71 74 68 7886.4591 41.3 -0.92
## 13 Bahamas 75 78 72 22217.4941 NA 1.29
## 14 Bahrein 77 78 76 24855.2156 26.6 0.30
## 15 Bangladesh 72 73 70 1086.8071 56.3 -0.91
## 16 Barbados 75 78 73 15366.2926 NA 1.03
## 17 Belarus 73 78 68 8040.0476 37.4 -0.32
## 18 Belgica 81 83 78 47327.6205 37.1 1.55
## 19 Belice 70 73 67 4831.1776 59.3 -0.19
## 20 Benin 60 61 58 903.4649 31.1 -0.78
## 21 Bermudas 81 85 77 85748.0654 NA 1.25
## 22 Bhutan 69 70 69 2560.5012 NA 1.27
## 23 Bolivia 68 71 66 3124.0808 43.6 -0.64
## 24 Bosnia 76 79 74 4851.6604 42.4 -0.28
## 25 Botswana 64 67 62 7123.3392 22.6 0.80
## 26 Brasil 74 78 71 11726.8059 52.9 -0.38
## 27 Brunei 79 81 77 40979.6419 NA 0.63
## 28 Bulgaria 75 79 72 7851.2654 34.1 -0.28
## 29 Burkina Faso 59 60 57 713.0639 31.8 -0.53
## 30 Burundi 57 59 55 286.0023 30.5 -1.19
## 31 Cabo Verde 73 75 71 3641.1077 NA 0.90
## 32 Camboya 68 70 66 1094.5767 40.3 -1.08
## 33 Camerun 55 57 54 1407.4034 33.7 -1.15
## 34 Canada 82 84 80 50230.8077 43.6 1.82
## 35 Chad 52 53 51 1024.6685 24.7 -1.23
## 36 Chile 81 84 79 14528.3258 53.9 1.48
## 37 China 76 77 74 7590.0164 44.7 -0.33
## 38 Chipre 80 82 78 27194.3918 45.5 1.07
## 39 Colombia 74 78 70 7903.9258 59.8 -0.39
## 40 Comoras 63 65 62 810.0758 36.5 -0.53
## 41 Rep. Del Congo 62 64 61 3147.0722 34.5 -1.22
## 42 Rep. Democratica del Congo 59 60 57 442.3395 30.5 -1.29
## 43 Rep. Corea 82 85 79 27970.4951 43.8 0.46
## 44 Rep. Popular Democratica de Corea 70 74 67 NA NA -1.34
## 45 Costa Rica 79 82 77 10415.4444 64.0 0.73
## 46 Costa de Marfil 52 52 51 1545.9422 35.9 -0.41
## 47 Croacia 77 80 75 13475.2590 40.6 0.19
## 48 Cuba 79 81 77 6789.8496 56.2 0.07
## 49 Dinamarca 81 83 79 60718.3927 36.6 2.26
## 50 Djibouti 62 64 60 1813.5966 37.2 -0.49
## 51 Ecuador 76 79 73 6345.8407 52.5 -0.82
## 52 Egipto 71 73 69 3365.7074 39.6 -0.59
## 53 El Salvador 73 77 68 4119.9920 58.9 -0.39
## 54 EAU 77 78 76 43962.7137 31.8 1.23
## 55 Eritrea 64 66 62 NA NA -0.86
## 56 Eslovenia 81 84 77 24001.9014 40.2 0.69
## 57 España 83 86 80 29721.6015 44.1 0.53
## 58 Estados Unidos 79 81 77 54629.4952 37.3 1.32
## 59 Estonia 77 82 73 20147.7782 34.9 1.27
## 60 Etiopia 64 66 62 573.5660 39.2 -0.43
## 61 Ex República Yugoslava de Macedonia 75 78 73 5455.5949 28.3 0.09
## 62 Rusia 70 76 65 12735.9184 34.5 -0.87
## 63 Fiji 70 73 67 5112.3221 NA -0.03
## 64 Filipinas 68 72 65 2872.5122 52.4 -0.44
## 65 Finlandia 81 84 78 49842.7131 42.7 2.18
## 66 Francia 82 86 79 42725.7395 46.5 1.27
## 67 Gabon 64 65 64 10772.0618 NA -0.64
## 68 Gambia 60 62 59 441.2934 NA -0.68
## 69 Georgia 75 78 71 4435.1927 46.0 0.74
## 70 Ghana 61 62 60 1441.6365 40.3 -0.21
## 71 Granada 73 76 71 8573.6941 NA 0.27
## 72 Grecia 81 84 79 21672.6718 40.5 -0.20
## 73 Groenlandia 71 74 69 43364.8829 NA 1.20
## 74 Guam 79 82 77 NA NA 1.25
## 75 Guatemala 72 75 68 3673.1358 56.9 -0.70
## 76 Guinea 59 59 58 539.6158 30.0 -1.07
## 77 Guinea Bissau 55 57 53 18918.2768 NA -1.51
## 78 Guinea Ecuatorial 58 59 56 567.8226 NA -1.84
## 79 Guyana 66 69 64 4053.9019 51.2 -0.73
## 80 Haiti 63 65 61 824.1598 41.3 -1.25
## 81 Honduras 73 76 71 2434.8272 56.0 -0.79
## 82 Hong Kong 84 87 81 40169.5436 37.5 1.64
## 83 Hungria 76 79 73 14026.5744 37.4 0.13
## 84 India 68 69 67 1581.5107 50.9 -0.46
## 85 Indonesia 69 71 67 3491.9297 55.5 -0.58
## 86 Iran 75 77 74 5442.8748 41.7 -0.57
## 87 Iraq 69 72 67 6420.1398 49.2 -1.34
## 88 Irlanda 81 83 79 54339.3176 42.4 1.62
## 89 Islandia 82 84 81 52036.7318 40.2 1.82
## 90 Islas Feroe 82 84 79 54117.8444 NA NA
## 91 Islas Salomon 68 69 67 2024.1904 NA -0.27
## 92 Israel 82 84 80 37206.1829 55.2 0.82
## 93 Italia 83 85 80 35222.7606 46.4 -0.11
## 94 Jamaica 76 78 73 5106.0775 58.5 -0.39
## 95 Japon 84 87 81 36194.4156 47.5 1.73
## 96 Jordania 74 76 72 5422.5709 51.7 0.15
## 97 Kazajstan 72 76 67 12601.6211 34.7 -0.76
## 98 Kenya 62 63 60 1358.2622 38.0 0.94
## 99 Kirguistan 70 75 67 1268.8566 49.1 -1.11
## 100 Kiribiti 66 69 63 1509.5212 NA 0.31
## 101 Kuwait 75 76 73 43593.7020 27.1 -0.26
## 102 Lesotho 50 50 50 1034.1853 NA 0.15
## 103 Letonia 74 79 70 15692.1916 34.9 0.34
## 104 Libano 79 81 78 10057.8884 42.9 -1.06
## 105 Liberia 61 62 60 457.8586 35.2 -0.78
## 106 Libia 72 75 69 6573.3867 40.9 -1.61
## 107 Liechtenstein 82 84 81 149160.7581 NA 2.08
## 108 Lituania 74 80 69 16489.7290 34.6 0.48
## 109 Luxemburgo 82 84 81 116612.8842 29.0 2.09
## 110 Madagascar 65 67 64 449.4008 46.8 -0.80
## 111 Malasia 75 77 72 11307.0649 40.5 0.48
## 112 Malawi 63 64 62 255.0446 42.5 -0.76
## 113 Maldivas 77 78 76 7635.4842 NA -0.11
## 114 Mali 58 58 58 704.5074 26.0 -0.72
## 115 Malta 82 84 80 NA 43.1 0.86
## 116 Marruecos 74 75 73 3190.3104 47.9 -0.26
## 117 Mauricio 74 78 71 10016.6486 36.6 0.45
## 118 Mauritania 63 65 62 1274.9769 32.3 -0.92
## 119 Mexico 77 79 74 10325.6461 52.9 -0.73
## 120 Micronesia 69 70 68 3057.0910 NA 0.84
## 121 Mongolia 69 74 65 4129.3735 26.8 -0.47
## 122 Montenegro 76 78 74 7378.3453 NA -0.01
## 123 Mozambique 55 57 54 585.6227 35.7 -0.70
## 124 Myanmar 66 68 64 1203.8447 44.2 -0.92
## 125 Namibia 65 67 62 5408.2435 38.9 0.23
## 126 Nepal 70 71 68 701.6801 45.6 -0.54
## 127 Nicaragua 75 78 72 1963.0549 57.1 -0.88
## 128 Niger 61 62 61 427.3732 26.8 -0.63
## 129 Nigeria 53 53 52 3203.2968 33.6 -1.27
## 130 Noruega 82 84 80 97299.6361 51.4 2.23
## 131 Nueva Zelandia 81 83 80 44342.1644 51.6 2.27
## 132 Oman 77 79 75 19309.6125 NA 0.25
## 133 Paises Bajos 81 83 80 52138.6839 43.1 2.00
## 134 Pakistan 66 67 65 1316.6141 54.1 -0.81
## 135 Palau NA NA NA 11879.6778 NA -0.36
## 136 Panama 78 81 75 11948.8511 57.8 -0.36
## 137 Papua Nueva Guinea 63 65 61 2268.1587 NA -0.97
## 138 Paraguay 73 75 71 4712.8233 45.8 -1.00
## 139 Peru 75 77 72 6541.0306 52.4 -0.59
## 140 Polonia 77 81 73 14336.7977 42.6 0.59
## 141 Portugal 81 84 78 22124.3670 38.7 0.88
## 142 Puerto Rico 79 83 76 28681.7007 NA 0.49
## 143 Qatar 79 80 77 96732.4025 25.2 1.09
## 144 Macao 81 83 78 96038.0507 NA 0.86
## 145 Reino Unido 81 83 79 46296.9847 47.9 1.73
## 146 Siria 70 76 64 NA 47.1 -1.55
## 147 Republica Centroafricana 51 53 49 358.5378 25.3 -1.15
## 148 Republica Checa 78 81 75 19502.4173 39.4 0.32
## 149 Lao 66 68 65 2238.9018 49.1 -0.76
## 150 Moldovia 71 76 67 1793.4705 48.0 -0.85
## 151 Republica Dominicana 74 77 70 6163.5759 50.7 -0.79
## 152 Republica Eslovaca 77 80 73 18500.6646 40.1 0.12
## 153 Rumania 75 79 72 10000.0026 42.2 -0.14
## 154 Rwanda 64 67 61 695.6893 36.9 0.83
## 155 Samoa 74 77 70 4172.2171 NA 0.32
## 156 Santa Lucia 75 78 72 6668.8861 NA 0.43
## 157 Santo Tome y Principe 66 68 64 7647.5295 NA -0.16
## 158 San Vicente y las Granadinas 73 75 71 1810.7216 NA 0.66
## 159 Senegal 66 68 65 1067.1318 33.3 0.02
## 160 Serbia 76 78 73 6152.9206 41.3 -0.19
## 161 Seychelles 73 78 68 15564.6420 NA 0.37
## 162 Sierra Leona 51 51 50 765.9592 28.8 -0.95
## 163 Singapur 83 85 81 56284.3314 39.8 2.12
## 164 Somalia 55 57 54 542.6159 NA -1.69
## 165 Sri Lanka 75 78 72 3794.8876 49.4 -0.34
## 166 Sudafrica 57 59 55 6483.8546 28.2 -0.11
## 167 Sudan 63 65 62 1875.8433 37.6 -1.45
## 168 Sudan del Sur 56 57 55 1115.0935 NA -1.61
## 169 Suecia 82 84 80 58898.9275 46.2 2.14
## 170 Suiza 83 85 81 85616.5612 50.3 2.19
## 171 Suriname 71 74 68 9680.1159 NA -0.62
## 172 Swazilandia 49 48 50 3477.1492 NA -0.36
## 173 Tailandia 74 78 71 5977.3806 53.5 -0.41
## 174 Tanzania 65 66 64 955.1413 30.7 -0.80
## 175 Tayakistan 70 73 66 1114.0075 47.8 -1.00
## 176 Timor Leste 68 70 67 1169.0387 NA -0.65
## 177 Togo 60 60 59 635.0443 28.2 -0.92
## 178 Tonga 73 76 70 4113.9935 NA -0.29
## 179 Trinidad y Tobago 70 74 67 21323.7547 30.3 -0.58
## 180 Tunez 74 77 72 4420.6984 48.3 -0.09
## 181 Turkmenistan 66 70 62 9031.5116 39.1 -1.22
## 182 Turquia 75 79 72 10515.0078 47.6 -0.12
## 183 Ucrania 71 76 66 3082.4614 37.6 -1.00
## 184 Uganda 58 60 57 714.5673 31.5 -1.10
## 185 Uruguay 77 81 74 16806.7733 39.3 1.35
## 186 Uzbekistan 68 72 65 2036.6917 46.0 -1.20
## 187 Vanautu 72 74 70 3147.9638 NA 0.62
## 188 Venezuela 74 78 70 12771.5950 56.9 -1.38
## 189 Vietnam 76 80 71 2052.3191 60.4 -0.50
## 190 Yemen 64 65 62 1408.1462 43.0 -0.55
## 191 Zambia 60 62 58 1721.6233 37.7 -0.41
## 192 Zimbabwe 57 59 56 931.1982 35.3 -1.39
## X4 X5 X6 X7 X8
## 1 0.4 74 36.0 28.1 8.2
## 2 1.6 44 14.3 96.8 5.9
## 3 8.9 25 15.5 99.0 11.3
## 4 1.4 57 40.5 70.4 3.3
## 5 5.8 76 NA 99.0 5.5
## 6 18.1 17 NA 87.2 4.7
## 7 3.3 30 23.0 72.6 7.2
## 8 4.6 8 30.0 97.9 4.8
## 9 1.7 37 35.8 99.6 4.5
## 10 16.5 11 NA 99.0 9.4
## 11 7.8 34 6.2 98.0 11.2
## 12 3.6 46 6.0 99.8 6.0
## 13 5.2 17 9.3 95.6 7.7
## 14 17.9 11 NA 94.6 5.0
## 15 0.4 66 31.5 57.7 2.8
## 16 5.6 68 NA 99.7 7.5
## 17 6.7 24 27.1 99.6 5.7
## 18 8.8 2 15.2 99.0 10.6
## 19 1.7 56 41.0 76.9 5.8
## 20 0.5 56 37.4 42.4 4.6
## 21 6.1 0 11.0 98.0 NA
## 22 0.8 62 12.0 52.8 3.6
## 23 1.6 32 45.0 91.2 6.3
## 24 6.2 60 18.6 98.0 9.6
## 25 2.3 43 30.3 85.1 5.4
## 26 2.2 15 21.4 90.4 8.3
## 27 24.4 23 NA 95.4 2.6
## 28 6.7 26 21.8 98.4 8.4
## 29 0.1 71 46.7 28.7 5.0
## 30 0.0 88 68.0 67.2 7.5
## 31 0.9 35 30.0 84.9 4.8
## 32 0.3 79 20.0 73.9 5.7
## 33 0.3 46 48.0 71.3 4.1
## 34 14.1 18 9.4 99.0 10.4
## 35 0.0 78 80.0 35.4 3.6
## 36 4.6 11 15.1 98.6 7.8
## 37 6.7 46 6.1 95.1 5.5
## 38 6.7 33 NA NA 7.4
## 39 1.6 24 32.7 93.6 7.2
## 40 0.2 72 60.0 75.5 6.7
## 41 0.5 35 46.5 83.8 5.2
## 42 0.1 58 71.0 66.8 2.6
## 43 11.8 18 16.0 97.9 7.4
## 44 3.0 39 NA 100.0 NA
## 45 1.7 24 24.8 96.3 9.3
## 46 0.3 47 42.0 56.9 5.7
## 47 4.8 41 21.1 98.9 7.8
## 48 3.2 23 NA 99.8 11.1
## 49 7.2 12 13.4 99.0 10.8
## 50 0.6 23 NA NA 10.6
## 51 2.4 36 25.6 91.6 9.2
## 52 2.6 57 22.0 73.9 5.6
## 53 1.1 34 36.5 84.5 6.8
## 54 20.4 15 19.5 90.0 3.6
## 55 0.1 78 50.0 68.9 3.3
## 56 7.5 50 13.5 99.7 9.2
## 57 5.8 21 21.1 97.7 9.0
## 58 17.0 19 15.1 99.0 17.1
## 59 14.0 32 17.5 99.8 6.4
## 60 0.1 81 39.0 39.0 4.9
## 61 4.5 43 30.4 97.4 6.5
## 62 12.6 26 11.0 99.7 7.1
## 63 1.4 47 31.0 93.7 4.5
## 64 0.9 56 26.5 95.4 4.7
## 65 10.2 16 NA 100.0 9.7
## 66 5.2 21 7.9 99.0 11.5
## 67 1.4 13 NA 89.0 3.4
## 68 0.2 41 48.4 51.1 7.3
## 69 2.0 47 9.2 99.7 7.4
## 70 0.4 47 28.5 71.5 3.6
## 71 2.4 64 38.0 96.0 6.1
## 72 7.6 22 20.0 97.3 8.1
## 73 12.4 14 9.2 100.0 NA
## 74 NA 6 23.0 99.0 NA
## 75 0.7 49 54.0 75.9 6.2
## 76 0.2 63 47.0 41.0 5.6
## 77 0.1 51 NA 55.3 5.6
## 78 8.9 60 NA 94.2 3.8
## 79 2.4 72 35.0 91.8 5.2
## 80 0.2 43 80.0 48.7 13.2
## 81 1.1 46 60.0 85.1 8.7
## 82 5.7 0 19.6 93.5 NA
## 83 4.9 29 14.0 99.0 7.4
## 84 1.7 68 29.8 62.8 4.7
## 85 2.3 47 11.7 92.8 2.8
## 86 7.8 27 18.7 85.0 6.9
## 87 4.2 31 25.0 NA 5.5
## 88 7.9 37 5.5 99.0 7.8
## 89 5.9 6 NA 99.0 8.9
## 90 11.7 58 NA NA NA
## 91 0.4 78 NA 84.1 5.1
## 92 9.0 8 21.0 97.1 7.8
## 93 6.7 31 29.9 99.0 9.2
## 94 2.9 45 16.5 87.0 5.4
## 95 9.3 7 NA 99.0 10.2
## 96 3.6 17 14.2 95.9 7.5
## 97 15.8 47 5.3 99.7 4.4
## 98 0.3 75 43.4 87.4 5.7
## 99 1.2 64 NA 99.2 6.5
## 100 0.6 56 NA NA 10.2
## 101 28.1 2 NA 93.9 3.0
## 102 1.1 73 49.0 89.6 10.6
## 103 3.8 33 NA 99.8 5.9
## 104 4.7 12 28.0 89.6 6.4
## 105 0.2 51 80.0 60.8 10.0
## 106 6.2 22 NA 89.5 5.0
## 107 1.4 86 NA 100.0 NA
## 108 4.5 33 4.0 99.7 6.6
## 109 20.9 10 NA 100.0 6.9
## 110 0.1 66 50.0 64.5 3.0
## 111 7.9 26 3.8 93.1 4.2
## 112 0.1 84 53.0 74.8 9.6
## 113 2.9 56 NA 98.4 13.7
## 114 0.1 61 36.1 33.4 6.9
## 115 6.0 5 15.1 92.4 9.7
## 116 1.7 40 15.0 67.1 5.9
## 117 3.1 60 8.0 88.8 4.8
## 118 0.6 41 40.0 58.6 3.8
## 119 3.9 21 52.3 93.5 6.3
## 120 1.2 78 26.7 89.0 13.7
## 121 6.9 29 29.8 97.4 4.7
## 122 4.1 36 6.6 98.5 6.4
## 123 0.1 68 52.0 56.1 7.0
## 124 0.2 66 32.7 92.7 2.3
## 125 1.2 54 28.7 88.8 8.9
## 126 0.2 82 25.2 57.4 5.8
## 127 0.8 42 42.5 78.0 9.0
## 128 0.1 82 63.0 28.7 5.8
## 129 0.5 53 70.0 61.3 3.7
## 130 9.2 20 NA 95.0 9.7
## 131 7.1 14 NA 99.0 11.0
## 132 20.2 23 NA 86.9 3.6
## 133 10.1 10 9.1 99.0 10.9
## 134 0.9 62 22.3 54.9 2.6
## 135 10.9 14 NA 92.0 9.0
## 136 2.6 34 26.0 94.1 8.0
## 137 0.7 87 37.0 62.4 4.3
## 138 0.8 41 34.7 93.9 9.8
## 139 1.8 22 25.8 89.6 5.5
## 140 8.3 39 10.6 99.7 6.4
## 141 4.7 37 18.0 95.4 9.5
## 142 NA 6 NA 90.3 NA
## 143 44.0 1 NA NA 2.2
## 144 2.1 0 NA 95.6 NA
## 145 7.1 18 16.2 99.0 9.1
## 146 2.7 43 11.9 84.1 3.3
## 147 0.1 60 NA 56.6 4.2
## 148 10.4 27 9.8 99.0 7.4
## 149 0.2 62 22.0 72.7 1.9
## 150 1.4 55 21.9 99.0 10.3
## 151 2.2 22 34.4 90.1 4.4
## 152 6.4 46 21.0 99.6 8.1
## 153 4.2 46 22.2 97.7 5.6
## 154 0.1 72 44.9 71.1 7.5
## 155 1.3 81 NA 98.8 7.2
## 156 2.3 82 NA 90.1 6.7
## 157 0.6 35 66.2 69.5 8.4
## 158 2.2 50 NA 96.0 8.6
## 159 0.6 57 54.0 49.7 4.7
## 160 6.8 45 9.1 98.0 10.4
## 161 6.8 46 NA 91.8 3.4
## 162 0.2 60 70.2 43.3 11.1
## 163 4.3 0 NA 95.9 4.9
## 164 0.1 61 NA 37.8 NA
## 165 0.7 82 8.9 91.2 3.5
## 166 9.3 36 31.3 93.0 8.8
## 167 0.3 66 46.5 71.9 8.4
## 168 NA 81 50.6 27.0 2.7
## 169 5.5 14 NA 99.0 11.9
## 170 4.6 26 7.6 99.0 11.7
## 171 3.6 34 70.0 94.7 5.7
## 172 0.9 79 69.0 87.8 9.3
## 173 4.5 51 13.2 93.5 6.5
## 174 0.2 69 36.0 67.8 5.6
## 175 0.4 73 35.6 99.7 6.9
## 176 0.2 68 41.0 58.3 1.5
## 177 0.3 61 32.0 60.4 5.2
## 178 1.0 76 24.0 99.0 5.2
## 179 37.1 91 17.0 98.8 5.7
## 180 2.4 33 3.8 79.1 7.0
## 181 12.2 50 30.0 99.6 2.1
## 182 4.4 27 16.9 94.1 5.4
## 183 6.3 31 24.1 99.7 7.1
## 184 0.1 84 24.5 73.2 7.2
## 185 2.3 5 18.6 98.1 8.6
## 186 3.9 64 17.0 99.4 5.8
## 187 0.6 74 NA 83.2 5.0
## 188 6.4 11 31.6 95.5 5.3
## 189 2.0 67 11.3 93.4 7.1
## 190 0.9 66 45.2 65.3 5.6
## 191 0.2 60 60.5 61.4 5.0
## 192 0.7 67 68.0 83.6 6.4Análisis de Regresión Lineal Multiple
Para realizar el análsis de regresiones se realizaran diferentes escenarios en donde lo que va a variar es la variable dependiente. Al final se realizaran tres regresiones diferentes:
Y1 = Esperanza de Vida Total
Y2 = Esperanza de Vida para Mujeres
Y3 = Esperanza de Vida para Hombres
Regresión para Esperanza de Vida Total
proyecto = Base.de.Datos
reg = lm(formula = proyecto$Y1 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 + proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
summary(reg)##
## Call:
## lm(formula = proyecto$Y1 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 +
## proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
##
## Residuals:
## Min 1Q Median 3Q Max
## -11.7971 -1.8589 -0.0704 2.0493 7.6128
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.499e+01 3.379e+00 16.274 < 2e-16 ***
## proyecto$X1 5.316e-05 4.141e-05 1.284 0.20185
## proyecto$X2 2.978e-01 4.192e-02 7.103 1.02e-10 ***
## proyecto$X3 1.103e+00 6.702e-01 1.646 0.10237
## proyecto$X4 1.567e-01 9.205e-02 1.703 0.09131 .
## proyecto$X5 -6.626e-02 2.056e-02 -3.222 0.00165 **
## proyecto$X6 -1.205e-01 2.615e-02 -4.608 1.04e-05 ***
## proyecto$X7 7.417e-02 2.615e-02 2.837 0.00538 **
## proyecto$X8 3.397e-01 1.566e-01 2.170 0.03206 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.59 on 117 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.8234, Adjusted R-squared: 0.8113
## F-statistic: 68.19 on 8 and 117 DF, p-value: < 2.2e-16Interpretaciones
B0 = Si todas las variables son iguales a 0, entonces la esperanza de vida de las personas sera de aproximadamente 55 años.
B1 = si el PIB per Cápita aumenta en un dolar, la esperanza de vida de las personas aumentara en aproximadamente en 0.000053 años. Tiene sentido que el efecto del PIB per Cápita es pequeño dado que solamente cambia en un dolar. Por lo general, cuando el PIB aumenta se incrementara o disminuira en más de un dolar.
B2 = si el HPI, o el índice de felicidad aumenta en una unidad, la esperanza de vida media de las personas aumentara en 0.30 años aproximadamente.
B3 = si el control de la corrupción aumenta en una unidad dentro de su rango de estimación, entonces la esperanza de vida aumentara en 1.10 años. Por lo tanto, vemos que es importante para las personas y habitantes de un país de que haya un control de corrupción adecuado dado que tiene una incidencia directa en su cantidad de años que vivirán.
B4 = Si las emisiones de Dióxido de Carbono aumentan en una tonelada metrica, o en una unidad, entonces la esperanza de vida aumentara en 0.16 años.
B5 = Si la proporción de la población rural aumenta en un punto porcentual, entonces la esperanza de vida de las personas se reducirá en 0.066 años.
B6 = Si la proporcíon de pobreza, es decir la cantidad de personas y de hogares que viven en un nivel de pobreza, aumenta en un punto porcentual, entonces la esperanza de vida se reducirá en 0.12 años.
B7 = Si la tasa de alfabetización, o el sistema de educación mejoran en una unidad porcentual, entonces la esperanza de vida total de las personas se verá aumentada en 0.07 años.
B8 = Por ultimo, si la proporción que se gasta en el sistema de salud aumenta en una unidad porcentual, entonces la esperanza de vida de las personas se vera aumentada en 0.34 años. Dado que entre mejor sea el sistema de salud, las personas tendran una mejor atención medica y acceso a medicamentos de calidad, vemos que el efecto en realidad es alto a comparación de otras variables. Por lo tanto es importante enfocarse en mejorar el sistema de salud para los paises.
Resultados Generales
Para determinar y medir la esperanza de vida total (Y1) las variables mas relevantes son el índice de felicidad, el porcetanje de la población que vive bajo pobreza, el porcentaje de la población rural y la tasa de alfabetización del país o el nivel de educación vigente en cada uno de ellos. El efecto mas importante lo da la variable del control de corrupción. Podemos decir que en los paises con un mayor control de corrupción las personas viven mas. El coeficiente de determinación para esta regresión es de 82.34% lo que significa que estas variables explican en una gran medida la esperanza de vida media de las personas en los paises estudiados. Otras variables como las emisiones de Dióxido de Carbono y el Gasto en Salud tambien son importantes y tienen un efecto importante en la cantidad de años que viven las personas. En cuanto a las variables que no son significativas segun la regresíon, entiendase el PIB per Cápita y el Control de Corrupción, vemos que el error no es tan alto, por lo que podemos aceptar estas variables como explicativas de la esperanza de vida. Entre mayor sea el PIB per Cápita, mayor sera la esperanza de vida de las personas y tiene sentido debido a que las personas disponen de una mayor cantidad de recursos para vivir.
Regresión para la Esperanza de Vida de Mujeres
regm = lm(formula = proyecto$Y2 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 + proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
summary(regm)##
## Call:
## lm(formula = proyecto$Y2 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 +
## proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
##
## Residuals:
## Min 1Q Median 3Q Max
## -13.1103 -1.8157 0.1733 2.4443 8.5929
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.429e+01 3.579e+00 15.167 < 2e-16 ***
## proyecto$X1 2.400e-05 4.387e-05 0.547 0.5853
## proyecto$X2 2.982e-01 4.441e-02 6.716 7.11e-10 ***
## proyecto$X3 1.046e+00 7.099e-01 1.473 0.1434
## proyecto$X4 1.912e-01 9.750e-02 1.961 0.0523 .
## proyecto$X5 -7.040e-02 2.178e-02 -3.232 0.0016 **
## proyecto$X6 -1.262e-01 2.770e-02 -4.558 1.28e-05 ***
## proyecto$X7 1.165e-01 2.770e-02 4.206 5.12e-05 ***
## proyecto$X8 3.691e-01 1.659e-01 2.226 0.0280 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.802 on 117 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.8291, Adjusted R-squared: 0.8174
## F-statistic: 70.95 on 8 and 117 DF, p-value: < 2.2e-16Interpretaciones
B0 = Si todas las variables son iguales a 0, entonces la esperanza de vida de las mujeres sera de apróximadamente 54 años.
B1 = si el PIB per Cápita aumenta en un dolar, la esperanza de vida de las mujeres aumentará en apróximadamente en 0.000024 años.
B2 = si el HPI, o el índice de felicidad aumenta en una unidad, la esperanza de vida media de las mujeres aumentará en 0.30 años apróximadamente.
B3 = si el control de la corrupción aumenta en una unidad dentro de su rango de estimación, entonces la esperanza de vida de las mujeres aumentará en 1.05 años.
B4 = Si las emisiones de Dióxido de Carbono aumentan en una tonelada metrica, o en una unidad, entonces la esperanza de vida de las mujeres aumentará en 0.19 años.
B5 = Si la proporción de la población rural aumenta en un punto porcentual, entonces la esperanza de vida de las mujeres se reducirá en 0.070 años.
B6 = Si la proporcíon de pobreza aumenta en un punto porcentual, entonces la esperanza de vida de las mujeres se reducirá en 0.13 años.
B7 = Si la tasa de alfabetización aumenta en una unidad porcentual, entonces la esperanza de vida de las mujeres se verá aumentada en 0.12 años.
B8 = Por ultimo, si la proporción que se gasta en el sistema de salud aumenta en una unidad porcentual, entonces la esperanza de vida de las mujeres se vera aumentada en 0.37 años.
Regresión para la Esperanza de Vida de Hombres
regh = lm(formula = proyecto$Y3 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 + proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
summary(regh)##
## Call:
## lm(formula = proyecto$Y3 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 +
## proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
##
## Residuals:
## Min 1Q Median 3Q Max
## -10.9556 -1.7694 -0.0253 2.3732 8.3713
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 5.596e+01 3.357e+00 16.667 < 2e-16 ***
## proyecto$X1 7.772e-05 4.115e-05 1.889 0.06140 .
## proyecto$X2 2.812e-01 4.166e-02 6.750 6.02e-10 ***
## proyecto$X3 1.149e+00 6.659e-01 1.725 0.08720 .
## proyecto$X4 1.210e-01 9.147e-02 1.323 0.18827
## proyecto$X5 -6.385e-02 2.043e-02 -3.125 0.00224 **
## proyecto$X6 -1.159e-01 2.598e-02 -4.462 1.88e-05 ***
## proyecto$X7 3.886e-02 2.598e-02 1.496 0.13743
## proyecto$X8 3.270e-01 1.556e-01 2.102 0.03771 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.567 on 117 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.8032, Adjusted R-squared: 0.7898
## F-statistic: 59.7 on 8 and 117 DF, p-value: < 2.2e-16Interpretaciones
B0 = Si todas las variables son iguales a 0, entonces la esperanza de vida de los hombres sera de apróximadamente 56 años.
B1 = si el PIB per Cápita aumenta en un dólar, la esperanza de vida de los hombres aumentará en apróximadamente en 0.000078 años.
B2 = si el HPI, o el índice de felicidad aumenta en una unidad, la esperanza de vida media de l¿os hombres aumentará en 0.28 años apróximadamente.
B3 = si el control de la corrupción aumenta en una unidad dentro de su rango de estimación, entonces la esperanza de vida de los hombres aumentará en 1.14 años.
B4 = Si las emisiones de Dióxido de Carbono aumentan en una tonelada metrica, o en una unidad, entonces la esperanza de vida de los hombres aumentará en 0.12 años.
B5 = Si la proporción de la población rural aumenta en un punto porcentual, entonces la esperanza de vida de los hombres se reducirá en 0.064 años.
B6 = Si la proporcíon de pobreza aumenta en un punto porcentual, entonces la esperanza de vida de los hombres se reducirá en 0.12 años.
B7 = Si la tasa de alfabetización aumenta en una unidad porcentual, entonces la esperanza de vida de los hombres se verá aumentada en 0.039 años.
B8 = Por ultimo, si la proporción que se gasta en el sistema de salud aumenta en una unidad porcentual, entonces la esperanza de vida de los hombres se vera aumentada en 0.33 años.
Comparación Hombres vs. Mujeres
Encontramos varios puntos interesantes al hacer la comparacíon entre la esperanza de vida de los hombres y la esperanza de vida de las mujeres para que variables afectan mas a las mujeres y cuales afectan mas a los hombres.
Lo primero a resaltar es que el PIB per Cápita es mas relevante para los hombres que para las mujeres. Esto puede ser porque sabemos de que en algunos paises por lo general, las mujeres trabajan en una menor cantidad que los hombres entonces al final el PIB afectará en mayor medida la vida de los hombres que la de las mujeres.
El hecho de ser felices y encontrar la felicidad es igual de importante para ambos dado que tiene un efecto casi igual en ambos géneros. Podemos concluir finalmente que la felicidad es una de las variables mas importantes para explicar la cantidad de años que vivirá una persona, sin importar si es hombre o mujer.
El control de la corrupción es mas relevante para la vida de los hombres que para las mujeres. Esto se puede dar igualmente porque son los hombres en su mayoria los que trabajan y por ende, estan mayormente vinculados al sector privado y al sector publico, y si hay corrupción en el país, los afectara en su labor diaria, por lo que afecta directamente la vida del hombre.
Las emisiones de Dióxido de Carbono tienen el mismo efecto para ambos. Podemos concluir que la contaminación ambiental es un factor que afectará la vida de los hombres y de las mujeres por igual. Tiene sentido porque todos respiramos el mismo aire y nos movemos e interactuamos con el mismo ambiente, entonces es lógico que tenga el mismo efecto en ambos. Al igual que las emisiones de Dióxido de Carbono, el porcentaje de la población rural afecta en la misma manera a ambos géneros.
La pobreza tambien tiene un efecto similar tanto para hombres como para mujeres. Sabemos que la pobreza es un fenomeno que afecta a ambos géneros por igual por lo que se puede tomar esta conclusión. Es preocupante dado que esto nos indica que entre mayor sea la pobreza, la vida de las personas sera menos longeva. Es importante hacer algo al respecto, porque es un fenomeno que no solo afecta la situación económica y social del país sino que tiene un efecto directo en la cantidad de años que las personas viviran, sin importar si son hombres o mujeres. En los datos tambien se pudo observar que los países con una menor cantidad de años como esperanza de vida, eran los países que tenian una mayor proporción de su población bajo la pobreza.
En cuanto a la educación, medida a traves de la tasa de alfabetización, se puede ver algo muy interesante. Para los hombres, la educación no es tan significativa en comparación con las mujeres. Esto nos indica que entre mas estudien y se eduquen las mujeres, mas vivirán. Mientras que para los hombres no se puede concluir lo mismo dado que la variable no es significativa, sin embargo esta muy cerca de serlo por lo que intuimos de que la relación entre la vida de los hombres y la educación es similar. Es importante que se ponga atención y énfasis en la educación porque vemos de que la educación no solo ayuda para el desarrollo social de las personas sino que impacta directamente en la cantidad de años que una persona vivira, pero hay que poner un mayor énfasis en la educación de las mujeres porque la educación es mas significativa en la vida de ellas.
Por ultimo, el porcentaje total de gasto en el área de la salud es igual tanto para los hombres que para las mujeres. Tener un sistema de salud bueno y eficiente tiene un efecto importante en la duración de la vida de las personas. Que las personas tengan la oportunidad de acudir a los hospitales y que tengan acceso a medicinas y a diferentes facilidades con respecto a su salud, es una de las determinantes de la esperanza de vida de los hombres y de las mujeres. Por lo tanto, podemos concluir que para un país es de suma importancia velar por tener un sistema de salud que cubra con las necesidades del pueblo, de esta manera las personas tendran la oportunidad de vivir más.
Análisis de Multicolinealidad
A continuación se realizaran las regresiones auxiliares para medir el grado de multicolinealidad bajo el metodo de Klein. Al final se compararán los coeficientes de determinación de las regresiones auxiliares con la regresión principal para ver si existe multicolinealidad.
Regresion Auxiliar 1: PIB per Capita (X1)
regaux1 = lm(formula = proyecto$X1 ~ proyecto$X2 + proyecto$X3 + proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
summary(regaux1)##
## Call:
## lm(formula = proyecto$X1 ~ proyecto$X2 + proyecto$X3 + proyecto$X4 +
## proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
##
## Residuals:
## Min 1Q Median 3Q Max
## -19300 -4007 -487 4533 42269
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 7259.43 7481.26 0.970 0.33386
## proyecto$X2 94.44 92.78 1.018 0.31083
## proyecto$X3 10320.95 1147.47 8.995 4.75e-15 ***
## proyecto$X4 918.92 186.31 4.932 2.69e-06 ***
## proyecto$X5 -107.07 44.64 -2.399 0.01802 *
## proyecto$X6 20.69 58.09 0.356 0.72229
## proyecto$X7 -58.71 57.88 -1.014 0.31242
## proyecto$X8 1106.59 332.82 3.325 0.00118 **
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7979 on 118 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.7593, Adjusted R-squared: 0.745
## F-statistic: 53.16 on 7 and 118 DF, p-value: < 2.2e-16Regresión Auxiliar 2: Happy Planet Index (X2)
regaux2 = lm(formula = proyecto$X2 ~ proyecto$X1 + proyecto$X3 + proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
summary(regaux2)##
## Call:
## lm(formula = proyecto$X2 ~ proyecto$X1 + proyecto$X3 + proyecto$X4 +
## proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
##
## Residuals:
## Min 1Q Median 3Q Max
## -18.3881 -5.0719 -0.8543 4.6954 18.9677
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.629e+01 6.625e+00 5.477 2.48e-07 ***
## proyecto$X1 9.216e-05 9.054e-05 1.018 0.3108
## proyecto$X3 -2.799e+00 1.449e+00 -1.932 0.0558 .
## proyecto$X4 -8.676e-01 1.857e-01 -4.672 7.96e-06 ***
## proyecto$X5 -6.524e-02 4.476e-02 -1.458 0.1476
## proyecto$X6 -1.368e-01 5.602e-02 -2.443 0.0161 *
## proyecto$X7 1.760e-01 5.509e-02 3.194 0.0018 **
## proyecto$X8 4.696e-02 3.438e-01 0.137 0.8916
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 7.883 on 118 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.3008, Adjusted R-squared: 0.2593
## F-statistic: 7.251 on 7 and 118 DF, p-value: 3.217e-07Regresión Auxiliar 3: Control of Corruption (X3)
regaux3 = lm(formula = proyecto$X3 ~ proyecto$X1 + proyecto$X2 + proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
summary(regaux3)##
## Call:
## lm(formula = proyecto$X3 ~ proyecto$X1 + proyecto$X2 + proyecto$X4 +
## proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
##
## Residuals:
## Min 1Q Median 3Q Max
## -1.02612 -0.24338 -0.02177 0.24608 1.62679
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.028e-01 4.640e-01 0.222 0.825003
## proyecto$X1 3.941e-05 4.381e-06 8.995 4.75e-15 ***
## proyecto$X2 -1.095e-02 5.669e-03 -1.932 0.055769 .
## proyecto$X4 -3.125e-02 1.231e-02 -2.538 0.012448 *
## proyecto$X5 -2.061e-03 2.818e-03 -0.731 0.466130
## proyecto$X6 -1.234e-02 3.407e-03 -3.621 0.000434 ***
## proyecto$X7 1.574e-03 3.589e-03 0.438 0.661829
## proyecto$X8 2.366e-02 2.140e-02 1.106 0.270985
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.4931 on 118 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.7014, Adjusted R-squared: 0.6837
## F-statistic: 39.59 on 7 and 118 DF, p-value: < 2.2e-16Regresión Auxiliar 4: Emisiones de CO2 (X4)
regaux4 = lm(formula = proyecto$X4 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 + proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
summary(regaux4)##
## Call:
## lm(formula = proyecto$X4 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 +
## proyecto$X5 + proyecto$X6 + proyecto$X7 + proyecto$X8)
##
## Residuals:
## Min 1Q Median 3Q Max
## -9.9709 -1.8873 -0.3059 1.4556 25.7880
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 4.163e+00 3.357e+00 1.240 0.217405
## proyecto$X1 1.860e-04 3.771e-05 4.932 2.69e-06 ***
## proyecto$X2 -1.800e-01 3.851e-02 -4.672 7.96e-06 ***
## proyecto$X3 -1.657e+00 6.527e-01 -2.538 0.012448 *
## proyecto$X5 4.783e-03 2.056e-02 0.233 0.816450
## proyecto$X6 -6.598e-02 2.543e-02 -2.594 0.010684 *
## proyecto$X7 9.269e-02 2.472e-02 3.750 0.000276 ***
## proyecto$X8 -1.400e-01 1.561e-01 -0.897 0.371662
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 3.59 on 118 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.5222, Adjusted R-squared: 0.4939
## F-statistic: 18.42 on 7 and 118 DF, p-value: < 2.2e-16Regresión Auxiliar 5: % de Población Rural (X5)
regaux5 = lm(formula = proyecto$X5 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 + proyecto$X4 + proyecto$X6 + proyecto$X7 + proyecto$X8)
summary(regaux5)##
## Call:
## lm(formula = proyecto$X5 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 +
## proyecto$X4 + proyecto$X6 + proyecto$X7 + proyecto$X8)
##
## Residuals:
## Min 1Q Median 3Q Max
## -32.702 -13.111 0.322 9.574 48.727
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 98.2544270 12.1242683 8.104 5.55e-13 ***
## proyecto$X1 -0.0004342 0.0001810 -2.399 0.018022 *
## proyecto$X2 -0.2711192 0.1860038 -1.458 0.147607
## proyecto$X3 -2.1887085 2.9934686 -0.731 0.466130
## proyecto$X4 0.0958409 0.4119839 0.233 0.816450
## proyecto$X6 -0.0536946 0.1169457 -0.459 0.646978
## proyecto$X7 -0.4128766 0.1107206 -3.729 0.000297 ***
## proyecto$X8 -0.2855034 0.7004699 -0.408 0.684314
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 16.07 on 118 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.4597, Adjusted R-squared: 0.4277
## F-statistic: 14.35 on 7 and 118 DF, p-value: 2.178e-13Regresión Auxiliar 6: % de Pobreza (X6)
regaux6 = lm(formula = proyecto$X6 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 + proyecto$X4 + proyecto$X5 + proyecto$X7 + proyecto$X8)
summary(regaux6)##
## Call:
## lm(formula = proyecto$X6 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 +
## proyecto$X4 + proyecto$X5 + proyecto$X7 + proyecto$X8)
##
## Residuals:
## Min 1Q Median 3Q Max
## -27.3076 -8.4142 -0.7064 7.1817 29.3220
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 6.882e+01 1.007e+01 6.835 3.84e-10 ***
## proyecto$X1 5.192e-05 1.457e-04 0.356 0.722294
## proyecto$X2 -3.518e-01 1.440e-01 -2.443 0.016051 *
## proyecto$X3 -8.106e+00 2.239e+00 -3.621 0.000434 ***
## proyecto$X4 -8.177e-01 3.152e-01 -2.594 0.010684 *
## proyecto$X5 -3.321e-02 7.234e-02 -0.459 0.646978
## proyecto$X7 -3.589e-01 8.594e-02 -4.176 5.71e-05 ***
## proyecto$X8 1.157e+00 5.409e-01 2.139 0.034498 *
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 12.64 on 118 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.5483, Adjusted R-squared: 0.5215
## F-statistic: 20.47 on 7 and 118 DF, p-value: < 2.2e-16Regresión Auxiliar 7: Tasa de Alfabetización (X7)
regaux7 = lm(formula = proyecto$X7 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 + proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X8)
summary(regaux7)##
## Call:
## lm(formula = proyecto$X7 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 +
## proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X8)
##
## Residuals:
## Min 1Q Median 3Q Max
## -39.928 -6.463 1.058 8.438 26.939
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 78.5866555 9.4425824 8.323 1.74e-13 ***
## proyecto$X1 -0.0001473 0.0001452 -1.014 0.312424
## proyecto$X2 0.4522543 0.1415890 3.194 0.001799 **
## proyecto$X3 1.0337302 2.3574522 0.438 0.661829
## proyecto$X4 1.1486161 0.3063194 3.750 0.000276 ***
## proyecto$X5 -0.2553293 0.0684713 -3.729 0.000297 ***
## proyecto$X6 -0.3587925 0.0859174 -4.176 5.71e-05 ***
## proyecto$X8 0.6850995 0.5476131 1.251 0.213386
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 12.64 on 118 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.5962, Adjusted R-squared: 0.5723
## F-statistic: 24.89 on 7 and 118 DF, p-value: < 2.2e-16Regresión Auxiliar 8: % de Gasto en Salud (X8)
regaux8 = lm(formula = proyecto$X8 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 + proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7)
summary(regaux8)##
## Call:
## lm(formula = proyecto$X8 ~ proyecto$X1 + proyecto$X2 + proyecto$X3 +
## proyecto$X4 + proyecto$X5 + proyecto$X6 + proyecto$X7)
##
## Residuals:
## Min 1Q Median 3Q Max
## -5.4705 -1.2798 -0.0006 1.0989 6.9715
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.739e+00 1.957e+00 1.911 0.05843 .
## proyecto$X1 7.741e-05 2.328e-05 3.325 0.00118 **
## proyecto$X2 3.366e-03 2.464e-02 0.137 0.89160
## proyecto$X3 4.335e-01 3.920e-01 1.106 0.27098
## proyecto$X4 -4.837e-02 5.393e-02 -0.897 0.37166
## proyecto$X5 -4.924e-03 1.208e-02 -0.408 0.68431
## proyecto$X6 3.226e-02 1.508e-02 2.139 0.03450 *
## proyecto$X7 1.911e-02 1.527e-02 1.251 0.21339
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.11 on 118 degrees of freedom
## (66 observations deleted due to missingness)
## Multiple R-squared: 0.3321, Adjusted R-squared: 0.2925
## F-statistic: 8.382 on 7 and 118 DF, p-value: 2.72e-08Resultados de Multicolinealidad
Despues de realizar cada una de las regresiones auxiliares, se pudo ver que ninguno de los coeficientes de determinación de estas regresiones para cada una de las variables independientes es mayor a las tres regresiones principales de este estudio. Por lo tanto podemos concluir de que no existe rastro o el grado de multicolinealidad es bastante bajo por lo que se puede aceptar.
Análisis de Heteroscerasticidad
Para realizar el análisis de heteroscerasticidad se utilizo la prueba de Breusch Pagan.
library("lmtest")## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericbptest(reg)##
## studentized Breusch-Pagan test
##
## data: reg
## BP = 8.8689, df = 8, p-value = 0.3535Si establecemos que la hipótesis nula es de que no existe heteroscerasticidad en la regresíon y la hipótesis alterna es que si existe, dado que el valor P de la prueba de Breusch Pagan es mayor a alfa (0.05), entonces concluimos de que no hay heteroscerasticidad en la regresión.
Análisis de Autocorrelación
Dado que los datos no corresponden a una serie de tiempo, sino que son datos correspondientes solamente para un año de medición, entonces no es necesario realizar un análisis de autocorrelación.
Conclusiones
La esperanza de vida es la cantidad de años que vivira una persona en un determinado país bajo algunas condiciones y parametros ya establecidos en el momento del nacimiento. La esperanza de vida para los hombres no sera igual que para las mujeres. En los datos se pudo ver que en la mayoria de los paises, son las mujeres las que tienen una esperanza de vida mucho mas alta. La esperanza de vida total es un promedio entre la esperanza de vida de los hombres y la esperanza de vida de las mujeres.
El PIB tiene una mayor incidencia en la esperanza de vida de los hombres que en las mujeres, al igual que el control de la corrupción en el país. Esto se puede deber a que por lo general, en la mayoria de los casos son los hombres los que estan mayormente vinculados con el trabajo y por lo tanto, tienen un vinculo directo con los sectores privado y publico, razón por la que la corrupción afectará mas a los hombres.
Sin embargo, vimos que la educación tiene un mayor efecto en las mujeres que en los hombres. Esto puede ser a que las mujeres tienden a tener menos labores independientemente de estudiar. Muchas veces se quedan en casa con la familia, mientras el hombre esta trabajando, independientemente si tiene estudios o no. Por esta razón, cuando una mujer se educa y se prepara profesionalmente, la cantidad de años aumentará a medida que la mujer reciba esa educación valiosa para su carrera.
Sorpresivamente, las emisiones de Dióxido de Carbono aumentan la esperanza de vida de las personas. Uno pensará que entre mas emisiones hayan, menos viviran las personas debido a la contaminación que se crea en el ambiente del país. Sin embargo, la razon que puede explicar esto es que si existen mas emisiones, puede ser que el país sea mas industrializado, y por lo tanto las personas vivan mas en el area urbana que en la rural, variable que aumentará la esperanza de vida. Si un país es mas industrializado, entonces el PIB per Cápita sera mas alto, porque abrán mas oportunidades de buenos trabajos, variable que tambiém aumenta la esperanza de vida de las personas.
Por ultimo, variables como la felicidad, la pobreza y el gasto en la salud tienen un efecto similar tanto en los hombres como en las mujeres. Sin embargo, son variables importantes que explican en gran medida la esperanza de vida de ambos generos, por lo que no hay que omitirlas.
Finalmente, no se encontraron problemas de multicolinealidad y heteroscerasticidad y esto se puede deber a que la base de datos es lo suficientemente amplia y correctamente distribuida entre los paises. Sin embargo, hubieron datos que no se encontraron para algunas variables por lo que los estimadores reales pueden variar en una mínima medida.
Bibliografia
Esperanza de Vida = http://dle.rae.es/srv/fetch?id=GYjXr3Q.
Población Rural = http://dle.rae.es/?id=WqzJ2ZS.
Breusch Pagan Test = http://www.inside-r.org/packages/cran/lmtest/docs/bptest.