Economía para la toma de decisiones

[pic 1]

Universidad Virtual

Economía para la toma de decisiones

Equipo 17

Liliana Cedillo Martínez                 A01123020 

Jose Gonzalo Vázquez Cassani           A01017886

           Alejandro Orozco Robles                A00752026

Camilo Alfonso García Villamil           A01682338

Sagrario Padilla Suárez                   A01682061

Caso Harvard:

A Dean’s dilemma

Fecha de entrega:

13 de febrero de 2017

1. Identifiquen las variables que deberían ser utilizadas para predecir si un estudiante es o no admitido.

Las variables que a nuestra consideración deben de ser evaluadas para la admisión de un estudiante son las siguientes:

• Percent_SCC: esta se describe como las notas obtenidas en el certificado en la escuela secundaria. Es importante evaluar las calificaciones obtenidas por el alumno.
• Board_SCC: junta de admisión para discutir el grado y los logros obtenidos por los aspirantes durante la etapa de secundaria.
• Percent_HSC: es la nota obtenida en la escuela superior. Es importante evaluar las calificaciones obtenidas por el alumno.
• Board_HSC: junta de admisión para discutir el grado y los logros obtenidos por los aspirantes durante la etapa de preparatoria.  
• Percent Degree: es la nota obtenida en la licenciatura. Es la nota más reciente que se obtiene de los alumnos.
• Experience_Yrs: número de años de experiencia en el mercado laboral.
• Percentile_ET: puntaje obtenido en el examen de admisión.  La variable más importante ya que se debe evaluar si el alumno tiene las aptitudes necesarias para el programa de MBA.

Todas estas variables son importantes ya que algunas miden las calificaciones perse, otras variables son evaluaciones de comités quienes consideran las nota y algunos otros logros que el alumno haya alcanzado durante cierta etapa de estudios, y por último tenemos los años de experiencia en el mercado laboral y el puntaje obtenido en el examen de admisión al programa.

¿Existirá la posibilidad que algunas de estas variables estén correlacionadas entre sí y puedan presentar problemas de multicolinealidad a la estimación?

1. Al momento de la admisión no se cuenta con parámetros tales como las calificaciones en el MBA, ¿Cómo se incorporarían estos parámetros en la construcción del modelo?

Inicialmente debemos tomar las calificaciones del MBA como una variable dependiente, que depende de otras variables independientes que encontramos en el primer punto, algunas de las variables que vamos a analizar son de naturaleza cuantitativa y miden el desempeño académico, como lo pueden ser el resultado de un examen, las calificaciones del pregrado, secundaria etc.

Otras variables que actuarían de la misma forma serían el campus placement, el salario ofrecido a los estudiantes cuando entran al MBA (este dato no está disponible antes de la admisión), etc.

La información que no importaría sería cualitativa como lo sería el número de registro, el sexo, entre otros.

Para empezar, vamos a considerar la sugerencia que hace la guía enviada por correo para obtener una regresión entre las variables Percent_MBA y la variable Percent_SSC, como herramienta principal para la solución de este ejercicio por lo que nos referimos al Excel y este nos bota la tabla apropiada utilizando la función para regresiones.

También es importante decir que se considerarán tanto las variables que se incluyen en el punto 1 como algunas que no, esto para revisar y obtener la máxima fidelidad en el procedimiento.

Percent_SSC

Esta se describe como las notas obtenidas en el certificado de décimo grado/ Escuela secundaria.

[pic 2]

Como vemos el valor de t para la variable Percent SSC es de 10.664637 y la probabilidad es de 1.82176 elevado a la -23, como el t ratio es mayor al crítico pues existe una relación significativa, sin embargo, el R2 es de tan solo el 0,22 lo que quiere decir que la R no explica sola las altas notas durante el MBA. aunque cuando vemos el nivel de significancia de 1.821 E-23 sabemos que definitivamente son variables correlacionadas ya que la posibilidad de un error tipo I es muy baja.

Luego podríamos revisar la correlación con la variable Percent_Degree que evalua las calificaciones en el pregrado.

Board_SSC

Aunque esta variable puede influir en las notas, dentro del marco teórico del curso no contamos con herramientas de análisis para este tipo de variables.

Percent_HSC

El Percent HSC es la nota promedio de los Higher Education.

[pic 3]

Como vemos el coeficiente r cuadrado es de 0.144 que es mayor a muchas variables como lo es la experiencia o las notas en proyecto, por lo que podríamos incluirlo en el modelo, en especial porque la estadística t es mayor al valor crítico de t y el valor crítico de t es de tan solo de 6.44 e -15 por lo que la posibilidad de cometer un error es extremadamente baja.

Board_HSC

Aunque esta variable puede influir en las notas, dentro del marco teórico del curso no contamos con herramientas de análisis para este tipo de variables.

Percent_degree

Esta variable representa las notas en el equivalente a la licenciatura.

[pic 4]

Encontramos que nuevamente el valor de t (8.94) es mayor al crítico de t (1.52 E-17) por lo cual la relación es significativa, el r cuadrado es de 0.17 que es muy bajo, lo que quiere decir que las notas del pregrado no pueden explicar por si solas las notas del MBA, pero cuando vemos el nivel de significancia sabemos que son variables correlacionadas, ya que la posibilidad de un error tipo I es muy baja.

Experience_Yrs

[pic 5]

Como vemos, la conexión entre tener notas altas en la maestría y la cantidad de años de experiencia en la maestría no se puede demostrar puesto que el coeficiente R es de 0.02 y la probabilidad de cometer un error tipo I es muy baja, tan solo de 0.0014. Esto se explica si sabemos que la mayor parte de los admitidos no tiene experiencia.

Salary

Es necesario comprobar si existe correlación entre el salario ofrecido y el desempeño académico dentro del contexto real, se muestra a continuación:

...