Documente Academic
Documente Profesional
Documente Cultură
FUNDAMENTOS DE ECONOMETRIA
ELABORADO POR:
NANCY MEDINA CARRANCO
2000
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
INTRODUCCION
Actualmente la Econometra es una herramienta de anlisis muy importante, inclusive
para leer y entender la nueva teora econmica. Esta aplica mtodos estadsticos y
matemticos al anlisis de variables econmicas y, sobre todo, a la relacin de
dependencia que puede existir entre las mismas.
El objetivo ltimo de este instrumento de investigacin es estimar modelos que
permitan captar el comportamiento de los individuos, fenmenos econmicos o
sociales, etc., a fin de predecir y hacer simulaciones sobre los mismos para establecer
polticas econmicas adecuadas, a nivel macroeconmico, polticas respecto a la
empresa, a nivel microecnmico, proyecciones, etc..
Por ejemplo, contribuira a establecer cul debera ser el precio mnimo o volumen de
produccin mnimo de una empresa, para lo cual se tomaran datos de las principales
variables que determinan el comportamiento de la demanda del bien que se generara
con el proyecto, para luego definir un flujo de beneficios, sobre el que se hara un
anlisis de sensibilidad y/o riesgo.
Si se desea inferir la valoracin de un recurso natural que no tiene precio, se podra
modelar el comportamiento de los individuos respecto a sus preferencias, de tal forma
que despus de hacer las manipulaciones matemticas necesarias se llegue a un
resultado del cambio en el bienestar de la poblacin afectada en trminos monetarios,
utilizando para ellos aproximaciones como la variacin compensada, la variacin
equivalente, el excedente del consumidor, etc..
En la evaluacin y formulacin de proyectos se puede utilizar a la econometra para
proyectar la oferta y la demanda del bien que se generara con los mismos. Para el
efecto, se estiman las funciones pertinentes utilizando las variables relevantes que
explican su comportamiento, una vez estimada se realizan las predicciones directamente
o travs de tasas de crecimiento calculadas con base en las elasticidades (modelo
doblemente logartmico) y variaciones porcentuales de las variables que convenga.
En economa agrcola si se trata de proyectar la produccin o encontrar el ptimo fsico
y econmico es fundamental estimar funciones de produccin y de costos, basadas en
datos de produccin e insumos (mano de obra, tierra, capital, etc.), que permitiran
plantear en trminos prcticos el problema del productor: la maximizacin de
beneficios.
En realidad, sera interminable citar ejemplos donde se puede utilizar a la econometra
como herramienta de anlisis bsico.
El propsito fundamental del anlisis economtrico es hacer inferencias de una muestra
hacia la poblacin, esto es generalizar resultados. Para el efecto se requiere que el
modelo estimado sea vlido, es decir que cumpla con los supuestos y est acorde con la
teora econmica, por lo que una vez obtenidas las estimaciones se hacen pruebas de
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
diagnstico. Si los signos y magnitud de los parmetros estimados no estn acordes con
la teora es necesario analizar el origen de estos resultados para corregir los posibles
errores cometidos, para reformular o refutar una teora, si sta no se puede aplicar a
nuestra realidad.
Metodologa
Para explicar la metodologa utilizada por la econometra es necesario primero definir lo
que es un modelo.
Un modelo es una representacin simplificada de un fenmeno econmico o de la
realidad a travs de una(s) funcin(es) o ecuacin(es). Cuando decimos que la
produccin de un bien depende del costo de los insumos, estamos resumiendo el
fenmeno de la produccin para un determinado bien.
Explicitando los pasos que debe seguir un anlisis economtrico se citara los
siguientes puntos:
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
1.
2.
Con los resultados del paso anterior definimos una relacin determinstica entre
variables, esto significa que establecemos que los cambios en una de ellas se
atribuyen o estn explicados por modificaciones en una o ms variables, sin dejar
margen para un error. Es decir:
Y = f (Xi)
(i = 1, 2, 3 ... n)
3.
Con esta relacin definimos la forma funcional que tendra. Para el efecto, se
utilizan varios mtodos como el diagrama de dispersin, en el caso de un modelo
que tiene una sola variable dependiente, o simplemente ensayamos diferentes
formas funcionales (cuadrtica, cbica, logartmica, etc.) y verificamos cual es la
que mejor se ajusta a los datos; por supuesto que la teora tambin sugiere formas
funcionales, por ejemplo los rendimientos marginales decrecientes expresan que
una funcin de produccin no sera lineal. Si, para el ejemplo, la forma funcional
adecuada es una lineal tendramos:
Y = 0 + 1 X
4.
5.
6.
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
Cabe anotar que, los elementos de un modelo son: las ecuaciones, las variables y los
parmetros.
Las ecuaciones relacionan variables y pueden ser:
- de comportamiento, cuando reflejan la conducta de diferentes agentes;
- de definicin, reflejan identidades contables;
- tecnolgicas, como las funciones de produccin que expresan una tcnica para
producir;
- institucionales, reflejan la voluntad poltica de los agentes rectores de una economa
(impuestos, oferta monetaria, etc.); y,
- de equilibro, por ejemplo las de oferta y demanda en un sistema de ecuaciones,
donde no habra solucin sin stas.
Las variables son aquellas que cambian de valor en diferentes observaciones. En un
modelo stas pueden ser:
- endgenas, que se determinan dentro de un modelo. Generalmente, las conocemos
como dependientes; y,
- exgenas, que se determinan fuera del modelo. Se las conoce como independientes o
explicativas.
Los parmetros son valores fijos. En un modelo son los coeficientes que estn ligados
con la(s) variable(s) independiente(s) y son los que precisamente se trata de encontrar a
travs de su estimacin.
Los modelos pueden ser de diferente tipo, entre los cuales tenemos:
- Uniecuacionales, cuando existe una sola ecuacin;
- Multiecuacionales, cuando tenemos ms de una ecuacin (modelos de ecuaciones
simultneas);
- Dinmicos, cuando se incluye la variable tiempo; y,
- Estticos, cuando se utilizan para explicar un fenmeno en un determinado momento
del tiempo.
El proceso para el anlisis economtrico se resume en el siguiente diagrama de flujo:
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
TEORIA ECONOMIA
Revisin, anlisis y definiciones
MODELO MATEMATICO
Determinstico
DATOS
MODELO ECONOMETRICO
Probabilstico
ES ADECUADO?
NO
SI
PREDICCIONES, PROYECCIONES
FORMULACION DE POLITICAS
PRUEBAS DE HIPOTESIS
Aplicaciones de la teora a la realidad
Inferencia Estadstica
Para hacer investigacin es necesario familiarizarse con mtodos cuantitativos que
permitan hacerla ms efectiva.
La estadstica comprende dos ramas fundamentales: la Estadstica Descriptiva y la
Inferencia Estadstica. La primera se ocupa de la recopilacin, organizacin y
presentacin de los datos. La segunda trata del desarrollo de los mtodos de la teora
estadstica (aplicacin), a fin de hacer generalizaciones de una parte (muestra) a un todo
(poblacin).
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
2.
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
Comentarios Finales
La econometra se puede utilizar en el estudio y anlisis de una variedad de fenmenos
econmicos, sociales, polticos, etc., lo cual demuestra la importancia que tiene el
manejo de este instrumento para, en particular, un economista.
Se puede observar que para que la econometra genere resultados vlidos es necesario
entrar en un proceso iterativo hasta llegar a un modelo adecuado a la realidad.
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
CAPITULO I
ANALISIS DE CORRELACION
En este captulo estudiaremos un tipo de anlisis muy importante dentro del proceso de
estimacin de un modelo economtrico, el de correlacin.
1.1
Definicin e Interpretacin
r=
(X
X ) (Yi Y )
i =1
(X
i =1
X )2
(Y Y )
i =1
Donde nos damos claramente cuenta que es el numerador el que determina el sigo de r.
1.2
Caractersticas
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
10
1.3
Aplicaciones
Este tipo de anlisis es muy importante para verificar si existe o no alguna relacin
lineal y si sta es positiva o negativa. Por ejemplo, si se desea ver si se cumple: la ley de
la demanda, interesa observa si existe una relacin inversa entre la cantidad demandada
y el precio; la ley de la oferta, se trata de ver si hay una relacin directa entre la
cantidad ofertada y el precio, etc.
Para el efecto, se deben hacer pruebas de hiptesis1 respecto al coeficiente de
correlacin poblacional, tanto en la nula como en la alterna, con un nivel de
significancia. El estadstico de prueba til en este caso es:
t=
r n 2
1 r2
tn 2
2.
2/
3/
Ho: xy 0
Ha: xy > 0
Ho: xy 0
Ha: xy < 0
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
11
3.
4.
5.
Ventas (X)
(nmero de enciclopedias)
30
30
40
50
60
1.
Ho: xy 0
Ha: xy > 0
2.
= 5%
3.
r n2
1 r2
tn 2
4/
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
12
r=
(X
X ) (Yi Y )
i =1
( Xi X )2
i =1
(Y Y )
i =1
=>
Sumatorias()
Promedios
Y
X
Yi - Y Xi - X (Xi - X)(Yi -Y) (Yi -Y)2 (Xi -X)2
4
30
-1,8
-12
21,6
3,24
144
6
30
0,2
-12
-2,4
0,04
144
5
40
-0,8
-2
1,6
0,64
4
7
50
1,2
8
9,6
1,44
64
7
60
1,2
18
21,6
1,44
324
29
210
52
6,8
680
Y = 5.8 X = 42
4.
0.76471 5 2 0
1 (0.76471)
= 2.05548
5. Contrastamos el estadstico (tc) con el terico (tt), el ltimo valor es el que define
la regin crtica y la de aceptacin.
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
13
R Ho
A Ho
0
2.055
2.353
Bajo
10
9
7
Ingresos
Medio
7
11
9
Total
Alto
6
12
15
26
27
33
23
32
31
86
As, la columna total significa que en el grupo donde se ha levantado la encuesta existen
23 personas de estrato bajo, 32 de medio y 31 de alto. De las 23 personas de estrato
bajo, 10 tienen ingreso bajos, 7 medio y 6 altos, dentro de su estrato, y as
sucesivamente. Se trata de establecer si existe alguna relacin entre el estrato y el nivel
de ingreso, para lo cual se debe calcular el estadstico de prueba Xc, debido a que tiene
una distribucin Chi-cuadrado, a travs de la frmula:
X c=
i
(Oi j e i j ) 2
ei j
14
Estrato
Bajo
Medio
Alto
Total
Bajo
Ingresos
Medio
Total
Alto
23
32
31
86
Donde, en cada celda se encuentra el valor observado (Oij), primer nmero, y el valor
esperado (eij), segunda expresin. A continuacin calculamos los eij en la siguiente
tabla:
Estrato
e1,j
e2,j
e3,j
ei,1
6,953
9,674
9,372
ei,2
7,221
10,047
9,733
ei,3
8,826
12,279
11,895
Ho: X 2= 0
Ha: X 2 0
2.
= 5%
3.
Xc = 3,85583 X 2 (i-1)*(j-1) gl
4.
5. Contrastamos el estadstico (Xc) con el terico (Xt), el ltimo valor es el que define
la regin crtica y la de aceptacin.
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
15
f(X2)
A Ho
3.86
R Ho
9.488
X2
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
16
CAPITULO II
ANALISIS DE REGRESION
En este captulo estudiaremos el anlisis de regresin como base fundamental para la
formulacin de un modelo.
1.1
Ingreso (Y)
E(Y\X=500000
150000
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
500000
Consumo (X)
20
En el Grfico No. 2 observamos una regresin lineal simple. La linealidad puede estar
dada desde el punto de vista de los parmetros y de las variables. En este documento
vamos a trabajar siempre con la linealidad en los parmetros.
1.2
Grficamente:
Grfico No. 2
Y
Y = 0 + 1X (FRP)
x
x
Y= 0 + 1X (FRM)
x
x
x1
x2
x3
2/
El valor esperado de una variable no es ms que un promedio ponderado, donde las ponderaciones
corresponden a las probabilidades de que tome determinados valores.
La esperanza condicional es el valor promedio condicionado a una determinada probabilidad.
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
21
Valores
poblacionales
FRP
0
1
ui
E(Yi\Xi)
1.3
Pasa por los puntos formados por las observaciones de X y los valores promedio
condicionales de Y ( X ,Y);
La media de los valores estimados es igual a la media de los valores observados
Y=Y; y,
La sumatoria de los errores estimados es igual a cero ei = 0
Una vez definida la funcin se procede a estimar el modelo. Para el efecto existen
diferentes mtodos, entre los cuales el ms conocido y el que utilizaremos en los
primeros captulos es el de Mnimos Cuadrados Ordinarios (MCO).
Como observamos en el Grfico No. 2, el valor promedio de Y no corresponde
exactamente al valor poblacional, existe un margen de error (i); por otro lado, hay
diferencia entre la FRP y FRM, la cual es la que estimamos. Lo que intenta este mtodo
es justamente minimizar el error (distancia) entre las dos funciones. Puesto que:
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
22
Y = 0 + 1 Xi + ei
ei = Y - (0 + 1 Xi)
=>
Ahora que sera intil minimizar la sumatoria de los errores, pues en promedio sabemos
que ste es igual a cero. Pero si tiene sentido minimizar la sumatoria de los errores al
cuadrado, esto es:
n
i =1
i =1
min ei = [Y ( 0 + 1 X i )] 2
Aplicando el concepto de optimizacin, es decir intentamos encontrar el valor ptimo
de los i para minimizar la sumatoria de los errores al cuadrado. Para el efecto,
aplicamos conocimientos de clculo diferencial, sacando las condiciones de primer
orden (la primera derivada de la expresin con respecto a cada uno de los parmetros
desconocidos (s) ser igual a cero) y de segundo orden (la segunda deriva de la
expresin con respecto a cada uno de los s es mayor que cero).
(ei ) 2 (Y ( 0 + 1 X )) 2
=
=0
( i )
( i )
2 (ei ) 2 2 (Y ( 0 + 1 X )) 2
=
0
( i ) 2
( i ) 2
Al obtener las derivadas de primer orden encontramos dos ecuaciones con dos
incgnitas, 0 1, que al resolverlas nos dan como resultado lo que denominamos como
ecuaciones normales, que a saber son:
n
i =1
i =1
Yi = n 0 + 1 X i
n
X
i =1
i =1
i =1
Yi = 0 X i + 1 X i
1.4
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
23
Siempre se deben establecer supuestos sobre el modelo. Los ms importantes o los que
deben quedar explcitos son los relativos al trmino del error. Los supuestos que debe
cumplir un modelo economtrico son:
1.
E ( i / X i ) = 0
Intuitivamente significa que los errores cometidos al estimar el modelo no afectan
sistemticamente al valor promedio de la variable dependiente, es decir que refleja
el verdadero valor poblacional.
2.
pues,
0
Porque:
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
24
Cov (Xi, i) = 0
5.
Finalmente, se supone que el modelo est bien especificado. Es decir que, la forma
funcional se ajusta a los datos y que se han incluido las variables relevantes. Esto
implica que no cometemos sesgo de especificacin.
Insesgado, lo que significa que en promedio los estimadores son igual al verdadero
valor poblacional, lo que permite que las inferencias sean vlidas. Esto es:
E(i) = i
2.
Eficiente, se refiere a la distancia entre los valores del estimador y el valor del
parmetro, e implica que entre todos los estimadores se ha seleccionado aquel de
varianza mnima (distancia mnima o de menor dispersin).
i1
3.
i2
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
25
1.5
Conocemos que entre todos los estimadores se escoge aquel que cumple con las
propiedades tericas; sin embargo, en la prctica lo que estimamos es uno solo, con
base en la muestra, por lo que es necesario considerar los errores que tienen stos con
respecto al verdadero valor poblacional.
Esta medida la conocemos como la desviacin tpica o estndar, que se define como una
medida de dispersin de todos los valores estimados para un parmetro con respecto a
su verdadero valor poblacional (valor promedio de estos estimadores, si cumple con la
propiedad de ser insesgado) varianza.
Esta es muy importante para calcular intervalos de confianza y para hacer pruebas de
hiptesis respecto a los parmetros.
Var ( 1 ) = S ( 1 ) 2 =
S2
2
(X
=> S ( 1 ) = S ( 1 ) 2
X)
i =1
S2
Var ( 0 ) = S ( 0 ) 2 =
2
i
i =1
n (Xi X)
=> S ( 0 ) = S ( 0 ) 2
i =1
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
26
2
1
(X X )
S Yi = S 2 + n 0
n
2
(X i X )
i =1
Donde X0 es un valor dado para X, pues recordemos que el valor promedio de Y est
condicionado a un valor de X.
Pruebas de hiptesis
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
27
1) Se deben formular la hiptesis, que son supuestos que se realizan con respecto al
verdadero valor poblacional. Decimos hiptesis porque son dos: la nula y la alterna.
La ltima apoya a la tesis del investigador y la primera simplemente es lo contrario.
Se comienza por la hiptesis alterna debido que se conoce la probabilidad de error
tipo I (), que surge cuando se rechaza la hiptesis nula siento sta verdadera; la
probabilidad de error tipo II () no se conoce, ste se genera cuando se acepta la
hiptesis nula siendo esta falsa.
Esto debido a que se supone que existe una distribucin de probabilidades para cada
uno de los parmetros estimados.
b) Al probar una hiptesis buscamos rechazar la hiptesis nula, lo que permite tener
evidencia para apoyar el supuesto establecido en la alterna. De esta forma, el
investigador prefija el nivel de probabilidad de error tipo I, es decir el margen de
error de rechazar la hiptesis nula siendo verdadera. En definitiva, fijamos un nivel
de significancia () que est a discrecin del investigador.
c) Para probar la hiptesis se necesario contrastar dos valores, por lo cual se calcula un
estadstico de prueba con base en el valor del parmetro estimado, sobre el que se
est realizando la prueba, y en los valores planteados en la prueba de hiptesis ().
d) Una vez obtenido el valor calculado se lo compara con el valor terico de la
distribucin, el cual se consulta en las tablas respectivas, utilizando los grados de
libertad que constan en la tabla anterior.
e) Se procede a graficar la distribucin correspondiente, en sta es el valor terico o de
tablas el que divide a la regin crtica (de rechazo de la hiptesis nula) y a la de
aceptacin de la hiptesis nula. Sobre este grfico se observa donde cae el valor
calculado, si en la de rechazo o en la de aceptacin.
Si cae en la regin crtica (de rechazo), se procede a concluir que con el 1- % de
confiabilidad hay evidencia suficiente para decir que se cumple lo que se enuncia en
la hiptesis alterna (ojo: no cuando se rechaza la hiptesis nula se acepta
automticamente la alterna). Si cae en la de aceptacin se concluye que con el 1-
% de confiabilidad se prueba lo que se enuncia en la hiptesis nula.
Las dos pruebas de hiptesis centrales, fundamentales, y que en todo modelo se deben
realizar son la de relevancia y la de dependencia, cuyos estadsticos de prueba utilizados
son los que se presentan a continuacin:
Estadstico de prueba
(valor calculado)
i
tc =
S i
Fc=
CMR
CME
- Relevancia
- Especficas
Distribucin
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
28
i = 0
i 0
Ho:
Ha:
1 = 2 = 3 ... = k = 0
1 0, 2 0, 3 0 ... k 0
Ho:
Ha:
Error
Total
n-2
n-1
(Y Y)
Cuadrado
Medio (CM)
SCR/1
SCE/(n-2)
SCT/(n-1)
F calculado
(Fc)
CMR/CME
Yi =
29
Ho:
Ha:
= 5%
3.
tc =
1
S1
tn-2 gl
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
30
Es una prueba de dos colas, lo cual se determina con base en el signo establecido
en la hiptesis alterna, pues no interesa si es mayor o menor que cero, lo
importante es que sea estadsticamente diferente de cero.
5.
A Ho
R Ho
R Ho
Ho:
Ha:
Se observa que en este caso la de relevancia coincide con la dependencia por existir una
sola variable independiente.
2.
= 5%
3.
Fc =
CNR
Fk,n-k-1 gl
CME
=>
Fc 982.72 (segn los resultados obtenidos en el TSP)
4.
5.
A Ho
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
31
4.96
982.72
Una prueba de hiptesis especfica es cuando planteamos, por ejemplo, probar que si Px
aumenta en una unidad la demanda no disminuye en 2 unidades.
1.
Ho:
Ha:
1 =
Dx 2
=
Px
1
2.
= 10%
3.
tc =
1
S1
tn-2 gl
=>
-1.061 - (-2)
tc = --------------------- 27.75
0.03384
4.
5.
A Ho
R Ho
- 1.812
R Ho
+ 1.812
27.75
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
32
CAPITULO III
APUNTES ADICIONALES RESPECTO A
REGRESION SIMPLE
3.1
Un modelo sin intercepto se conoce como regresin a travs del origen, de tal forma que
0 = 0, lo que significa que la lnea de regresin pasa por el origen y, por lo tanto, el
modelo quedara expresado como:
Yi = 1 Xi + ui
Es preferible plantear un modelo con intercepto ya que como se observa en el siguiente
cuadro tiene sus ventajas:
Concepto
Expresin
matemtica
Sumatoria de
los errores
Coeficiente de
determinacin
3.64 +
0.0888 X
(0.6191)
(0.0106)
t=
(5.8798)
(8.3757)
R2 = 0.8976 = 89.76%
F1,8 =70.152
Y=
t=
0.144 X
(0.010)
(14.32)
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
33
R2 = 0.4552 = 45.52%
Observamos que R2 disminuye drsticamente y, por lo tanto, hay mayor poder
explicativo con el primero (89.76%). Fc no ha sido posible calcularlo por el supuesto
que implcitamente el intercepto es parte del modelo. Aunque la variable independiente
tiene un tc mayor en el segundo modelo que en el primero, se pierden otros parmetros
estadsticos que validan el modelo con mayor certeza.
Yi* = Yi* = a Yi
Xi* = Xi* = a Xi
Es decir, las dos variables estn afectadas por la misma escala, por ejemplo expresadas
en miles de sucres (divididas para mil). Utilizando las diferentes expresiones de clculo
para los coeficientes y para los errores estndar, correspondientes, as como para el
coeficiente de determinacin.
n
1 =
xi yi
i =1
n
(X
X ) (Yi Y )
(X
0 = Y 1 X
i =1
S0 =
i =1
X)
i =1
X
nx
2
i
S1 =
R = (r ) =
2
(X
X ) (Yi Y )
i =1
(X i X )2
i =1
(Yi Y ) 2
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
i =1
34
e
=
2
i
n2
2
i
Aplicando estas expresiones para calcular los diferentes parmetros se veran afectados
como se presenta en siguiente cuadro:
Yi* = 0*+ 1*Xi*
+ui
Parmetr
o
0 *
1 *
S0*
S1*
S*
R2*
a 0
1
a S0
S1
aS
R2
a 0
a 1
a S0
a S1
aS
R2
Yi = 0*+ 1*Xi*
+ui
0
(1/a) 1
S0
(1/a) S1
S
R2
En el primer caso, donde, por ejemplo, a las dos variables se las a dividido por mil
observamos que nicamente el intercepto se ve afectado por lo que se interpretara
dividido por mil. Para el segundo caso, donde solo a la variable independiente se la
expresa en miles, todos los parmetros deberan ser divididos por mil para su
interpretacin. Finalmente, para el ltimo caso en el que se afecta nicamente a la
variable independiente los resultados del coeficiente de la misma y de su respectivo
error estndar deberan ser multiplicado por mil para su interpretacin.
Concluiramos que la escala no afecta los resultados, pero que a la hora de interpretar si
se debe tener en cuenta este aspecto.
Qu pasara si las escalas de medicin que afectan a las variables son diferentes?, esto
es si a la variable independiente se la expresa en miles y la dependiente en millones y
viceversa.
Por ejemplo, con las mismas observaciones de consumo e ingreso y con a=5, tenemos
los siguientes resultados:
Y=
3.64 +
(0.6191)
R2 = 0.8976
S2 = 0.7370
0.0888 X
(0.0106)
Y* = 18.20 +
0.44381 X
(3.095) (0.05298)
=>
R2 = 0.8976
S2 = 18.4256
Y=
=>
=>
3.64 +
(0.6191)
0.01775 X*
(0.0021)
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
=>
R2 = 0.8976
S2 = 0.7370
=>
=>
Y* = 18.2 +
0.888 X*
(3.095) (0.0106)
=>
2
R = 0.8976
S2 = 18.4256
Es igual
S2*= 0.7370 0.7370
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
36
9.77283 +
(9.6539)
t=
(1.01232)
R2 = 0.9986 = 99.86%
F1,8 =23544.3
0.89974 ING
(0.005864)
(153.442)
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
37
0 = ln Y0, y
1 = ln (1+r)
ln Yt = 0 + 1 t
Agregando el trmino de perturbacin se tiene:
ln Yt = 0 + 1 t + ut
3.3.3 Modelos Recprocos
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
38
CAPITULO IV
ANALISIS DE REGRESION LINEAL MULTIPLE
4.1
Y=
Y1
Y2
Y3
1
1
X21
X22
X1n
X2n
X=
Yn
4.2
X11
X12
1
2
n
Los supuestos del modelo de regresin lineal mltiple son los mismo que para el simple,
pero se agrega uno que es el de la multicolinealidad. As:
1.
E ( i / X i ) = 0
Intuitivamente significa que los errores cometidos al estimar el modelo no afectan
sistemticamente al valor promedio de la variable dependiente, es decir que refleja
el verdadero valor poblacional.
2.
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
39
Cov (i, j) = 0 (i j)
Intuitivamente significa que, por ejemplo, en series de tiempo el pasado no explica
al presente; en series de corte transversal significa que las variaciones de ingreso en
un grupo de personas no explican los cambios en el consumo de otro grupo.
3.
4.
5.
6.
(i j)
Finalmente, se supone que el modelo est bien especificado. Es decir que, la forma
funcional se ajusta a los datos y se han incluido las variables relevantes. Esto
implica que no cometemos sesgo de especificacin.
4.3
Pruebas de hiptesis
40
Prueba de dependencia
Esta verifica el efecto conjunto y simultneo de todas las variables independientes sobre
la dependiente. Se la conoce tambin como la prueba de bondad del modelo. Por
ejemplo si el modelo es:
Yi = 0 + 1 X1i + 2 X2i + ... + k Xki + i
La hiptesis ser:
Ho: 0 = 1 = 2 = ... k = 0
Ha: 0 0, 1 0, 2 0, ... , k 0
Donde, como se analiz anteriormente, el estadstico de prueba es el Fc.
Prueba de relevancia
Esta prueba verifica si cada una de las variables independientes son importantes para
explicar los cambios de la variable dependiente. Igual que en el modelo de regresin
simple planteamos la hiptesis de la siguiente forma:
Ho: i = 0
Ha: i 0
Y el estadstico de prueba es el mismo que en el caso lineal simple, esto es el tc.
Hiptesis especficas
Son supuestos que se realizan con respecto a valores determinados de los parmetros
poblacionales. Por ejemplo, si queremos probar que en una funcin de produccin con
tres insumos existen rendimientos crecientes, en un modelo como:
Yi = 0 X1i 1 X2i
X3
eu
La hiptesis ser:
Ho: 1 + 2 + 3 0
Ha: 1 + 2 + 3 > 0
En este caso el estadstico de prueba es diferente, as:
tc =
'
s 2 ' ( X ' X ) 1
Donde:
t n k 1 , gl
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
41
4.4
Intervalos de confianza
Para la prediccin:
I (E (Y / X ) = Pr ob [ Xo' t / 2 , n k 1 s 2 Xo ' ( X ' X ) Xo ]
4.5
Multicolinealidad
4.6
Autocorrelacin
La autocorrelacin significa que los errores estn relacionados. En series de tiempo que
el pasado explica al presente, en series de corte transversal que el cambio en una
variable de un grupo afecta a otro grupo. Se presenta ms en series de tiempo.
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
42
Esta violacin de los supuestos tiene consecuencias importantes, por lo que ser
necesario corregirla. Para detectar este problema se puede utilizar el estadstico DurbinWatson y para corregir se utiliza la Ecuacin de Diferencias Generalizadas.
4.7
Heterocedasticidad
4.8
Sesgo de Especificacin
Recordemos el ltimo supuesto, tanto del modelo simple como mltiple, que dice que
un modelo debe estar bien especificado, es decir poseer la forma funcional correcta y
las variables relevantes. Observamos pues que, la violacin de este supuesto conduce a
un sesgo de especificacin que puede estar dado por:
-
4.9
43
APUNTES DE CLASE
FUNDAMENTOS DE ECONOMETRIA
Nancy Medina Carranco
44