01/09/2015

ECONOMETRA I

Prof. Manuel J. Angulo Burgos

mangulob@upao.edu.pe

mjab

ECONOMETRA I
CAPACIDADES:
- Explica la Econometra como ciencia, su objeto, su mtodo de
estudio y sus etapas, as como los diferentes tipos de datos
que se usan en cada una de ellas.
- Formula modelos economtricos reconociendo los elementos
que los componen.
- Usa el anlisis de regresin como herramienta de la
econometra.
- Utiliza el software economtrico Eviews 7 como herramienta
para el anlisis y desarrollo de las etapas de la Econometra.

mjab

ECONOMETRA I

SUPUESTOS FUNDAMENTALES
DEL MRLC

mjab

01/09/2015

PRECISIONES PREVIAS
Modelo clsico de regresin lineal / Modelo
clsico de regresin lineal Normal.
Los supuestos se refieren a la FRP y no a la FRM.
Los supuestos no son necesarios para la
obtencin de los estimadores minimocuadrticos
de los coeficientes (parmetros) del modelo.

mjab

PRECISIONES PREVIAS
ESPECIFICACIN DEL MODELO
Ecuacin(es)
que
caracteriza(n)
la(s)
relacin(es) estocstica(s) entre las variables.
Supuestos tericos, deducidos de la Teora
Econmica, sobre los parmetros.
Especificacin
de
la
distribucin
probabilidad de la perturbacin aleatoria.

de

Indicar como se han obtenido los valores de las

variables explicativas.

mjab

SUPUESTOS SOBRE LA PERTURBACIN

ALEATORIA

LAS PERTURBACIONES i, SIGUEN

UNA DISTRIBUCIN NORMAL

Teorema Central del Lmite

Sencillez y operatividad de la
distribucin Normal.

mjab

01/09/2015

SUPUESTOS SOBRE LA PERTURBACIN

ALEATORIA

EL
VALOR
MEDIO
DE
LAS
PERTURBACIONES, i, ES IGUAL A CERO
Expresado en forma analtica: E [i/Xi] = 0
Dado que Yi = + Xi + i , este supuesto
implica que: E [Yi/Xi] = + Xi

mjab

mjab

SUPUESTO DE NO CORRELACIN SERIAL O DE NO

AUTOCORRELACIN: NO EXISTE CORRELACIN
ENTRE LAS PERTURBACIONES ALEATORIAS.
Analticamente:
Cov (i, j) = E {[i E(i)] [j E(j)]} = E [i, j] = 0 i j
Este supuesto precisa una correcta especificacin del
modelo.
Conjuntamente con el supuesto de normalidad de las
perturbaciones aleatorias implica que stas son
independientes en sentido probabilstico.

mjab

01/09/2015

mjab

10

SUPUESTOS SOBRE EL MODELO DE

REGRESIN LINEAL
SUPUESTO DE HOMOSCEDASTICIDAD: TODAS LAS
DISTRIBUCIONES
DE
LAS
PERTURBACIONES
ALEATORIAS TIENEN IGUAL VARIANZA.
Para todo valor de i:
Var[i/Xi] = E[i E(i)]2 = E[i]2 = 2
y dado que:
Var[Yi] = E[Yi E(Yi)]2 = E[ ( + Xi + i) - ( + Xi) ]2 = E[i]2 = 2

las distribuciones de Y condicionadas a cada valor de X

tienen todas la misma varianza. Var[i / Xi] = Var[Yi / Xi] = 2

mjab

11

SUPUESTOS SOBRE EL MODELO DE

REGRESIN LINEAL
HOMOSCEDASTICIDAD:
Var(1/X1) = Var(2/X2) = = Var(i/Xi) = = Var(n/Xn)
Var(Y1/X1) = Var(Y2/X2) = = Var(YI/XI) = = Var(Yn/Xn)

HETEROSCEDASTICIDAD:
Var(1/X1) Var(2/X2) Var(i/Xi) Var(n/Xn)
Var(Y1/X1) Var(Y2/X2) Var(Yi/Xi) Var(Yn/Xn)
mjab

12

01/09/2015

HOMOSCEDASTICIDAD

13

mjab

HETEROSCEDASTICIDAD

14

mjab

SUPUESTOS SOBRE EL MODELO DE

REGRESIN LINEAL
Tomados conjuntamente,
implican que:

los supuestos anteriores

Las variables i e Yi son variables aleatorias

incorrelacionadas (independientes), con distribuciones:
i

~ N ( 0, 2)

Yi ~ N ( +Xi , 2)

mjab

15

01/09/2015

SUPUESTOS SOBRE LOS PARMETROS

DEL MODELO
EL MODELO DE REGRESIN ES LINEAL EN LOS
PARMETROS.
EL NMERO DE OBSERVACIONES, n, DEBE SER
MAYOR QUE EL NMERO DE COEFICIENTES O
PARMETROS POR ESTIMAR.
HIPTESIS DE ESTABILIDAD ESTRUCTURAL DE LOS
PARMETROS: LOS PARMETROS SON CONSTANTES
PARA TODAS LAS UNIDADES DE LA MUESTRA Y PARA
TODAS LAS MUESTRAS POSIBLES.

mjab

16

SUPUESTOS SOBRE LAS VARIABLES

EXPLICATIVAS
Xi ES UNA VARIABLE NO ESTOCSTICA, CON
VALORES FIJOS EN MUESTRAS REPETIDAS Y TAL,
QUE PARA TODO TAMAO MUESTRAL:

1 n
( X i X )2
n i 1
ES UN NMERO FINITO DISTINTO DE CERO.
Este supuesto de no aleatoriedad de X puede ser
abandonado si exigimos incorrelacin entre la(s) variable(s)
explicativa(s) y las perturbaciones:

Cov(i, Xi) = E(i, Xi) = 0

mjab

17

SUPUESTOS SOBRE LAS VARIABLES

EXPLICATIVAS
Slo para modelos multivariantes:
NO MULTICOLINEALIDAD: AUSENCIA DE RELACIN
LINEAL O APROXIMADAMENTE LINEAL ENTRE LOS
VALORES
MUESTRALES
DE
LAS
VARIABLES
EXPLICATIVAS.

Cov(Xi, Xj) = 0

mjab

ij

18

01/09/2015

SUPUESTOS SOBRE EL MODELO

EL MODELO DE REGRESIN EST

CORRECTAMENTE ESPECIFICADO (NO
EXISTEN SESGOS NI ERRORES DE
ESPECIFICACIN).
Recuerda que nuestro anlisis de
regresin y, por ende, sus conclusiones
estn condicionadas por el modelo
escogido.
mjab

19

ECUACIN TERICA Y ECUACIN ESTIMADA

PERTURBACIONES Y RESIDUOS
Yi = + Xi + i

En nuestro modelo:

LNEA O CURVA DE REGRESIN POBLACIONAL: La lnea que

une los valores medios de las distribuciones condicionadas.
Su expresin analtica es una funcin (determinista)
denominada funcin de regresin poblacional (FRP) que se
determina emprica o tericamente.

FRP

E[Y/Xi] = f(Xi)

Para nuestro caso de relacin lineal y directa E[Y/Xi] = + Xi

mjab

20

ECUACIN TERICA Y ECUACIN ESTIMADA

PERTURBACIONES Y RESIDUOS
Estimacin de la FRP, la funcin de regresin muestral (FRM):

Yi X i

R esiduo : Yi Yi ei

Basndonos en su expresin grfica, el residuo

puede ser definido con la diferencia entre un punto y
la lnea muestral estimada, mientras que la
perturbacin aleatoria representa la distancia
probable entre un punto y la lnea de regresin
terica o verdadera.

mjab

21

01/09/2015

RESUMEN
POBLACIN

MUESTRA

Yi X i i

Yi X i ei

E Y / X i X i FRP

Yi E Y / X i i

Yi

Yi Y ei

estima a
mjab

Yi X i FRM

E Y / X i

22

INTERPRETACIN DE LOS PARMETROS DEL MODELO

: Ordenada en el origen o constante de

regresin. Es el valor medio de Yi cuando el valor
de la variable explicativa Xi es cero. Carece de
interpretacin econmica.
: Pendiente o coeficiente de regresin. Es el
valor de la derivada de E[Yi] respecto a Xi. Se
interpreta como la variacin promedio del valor
medio de Yi ante variaciones unitarias de la
variable explicativa Xi.
mjab

23

ESTIMACIN DEL MODELO

Mtodos de estimacin: Momentos,
verosimilitud y Mnimos cuadrados.

Mxima

TEOREMA DE GAUSS-MARKOV: Dado los supuestos

del modelo clsico de regresin lineal, los estimadores
de mnimos cuadrados son estimadores lineales
insesgados y de variancia mnima.
Bajo el supuesto de normalidad, Rao demostr que
los estimadores de y son eficientes, no as el de la
variancia de las perturbaciones, 2.
mjab

24

01/09/2015

OBTENCIN DE LOS ESTIMADORES

MINIMOCUADRTICOS

ei2 f , (Yi X i ) 2

i 1

i 1

sea minima

n
n
n 2
ei 2 (Yi X i ) ei 0
i 1
i 1
i 1
n
n
n 2
ei 2 (Yi X i ) X i X i ei 0
i 1
i 1
i 1

25

mjab

SISTEMA DE ECUACIONES NORMALES

n

i 1

i 1

Yi n X i
n

i 1

i 1

i 1

X iY X i X i2

mjab

26

SISTEMA DE ECUACIONES NORMALES

(SOLUCIN)
n

xi yi

i 1
n

xi2

Y X

s XY
sX 2

i 1

siendo :

xi X i X

mjab

yi Yi Y

27

01/09/2015

INTERPRETACIN DE LOS
ESTIMADORES
: Es el valor medio estimado de Yi cuando el
valor de la variable explicativa Xi es cero. Carece
de interpretacin econmica.
: Se interpreta como la variacin promedio
estimada del valor medio estimado de Yi ante
variaciones unitarias de la variable explicativa Xi
28

mjab

PROPIEDADES
Pasa a travs de las medias muestrales de
X e Y.

Y X
Yi X i (Y X ) X i Y ( X i X )

Y Y
29

mjab

PROPIEDADES
El valor medio de los residuos es 0. Se deduce de la 1
ecuacin de ajuste.
Esta propiedad permite expresar el modelo en su forma desviacin. Sea,

Y i X

ei

(1 )

Aplicamosn sumatorias en ambos

ladosnde esta igualdad, tendremos:
n
n

Y n X e
i 1

i 1

i 1

siendo ei 0

i 1

Dividiendo por n ambos miembros de la igualdad resulta: Y

Si restamos esta ecuacin de (1), obtenemos:

Yi Y ( X i X ) ei

Por lo que la FRM en forma desviacin queda como:

mjab

y i x i ei

y i x i

30

10

01/09/2015

PROPIEDADES
Los residuos ei no estn correlacionados con el valor
estimado de Yi
n

i 1

i 1

y i ei xi ei xi ( yi xi )

i 1

i 1

i 1

xi yi 2 xi2 2 xi2 2 xi2 0

Basndonos en que:

i 1

i 1

i 1

i 1

x i y i / x i2

Nota: Si dos variables tienen colinealidad nula

se dice que son ortogonales entre s.
mjab

31

PROPIEDADES
Los residuos ei no estn correlacionados con Xi.
Se deduce de la 2 ecuacin de ajuste.
n
n
n 2
ei 2 (Yi X i ) X i X i ei 0
i 1
i 1
i 1

Parece que el mtodo de MCO trata de duplicar para la

FRM los supuestos realizados para la FRP. Pero no es as,
por ejemplo:
Cov (i, j) = 0

Perturbaciones incorrelacionadas
Cov (ei, ej) 0

Residuos correlacionados

Adems, los residuos son heteroscedsticos

mjab

32

Esperanza de los estimadores minimocuadrticos de y (insesgados)

n
Yi

E E Y X E i 1
n

XE

n
n

Xi
Xi

i
i 1
E 1
X n X
n

xi yi
1 n
1 n
E E i 1n
n
xi E yi n
xi xi

i 1
i 1
xi2 xi2
xi2
i 1 i 1
i 1

mjab

33

11

01/09/2015

Varianza de los estimadores

minimocuadrticos de y

xi yi

Var Var i 1n

xi2
i 1

xi2
i
1
n

xi2 Var yi
i 1

2
n

xi2

i 1

2
2
2
2
Var Var Y X Var Y X Var
X n
n
xi2

se

i 1

xi2

i 1

mjab

1 X
se

n n x 2
i
i 1

34

Cuanto mayor sea la varianza de las perturbaciones

(2), mayores sern las varianzas de y
Cuanto mayor sea la dispersin de los valores de la
variable explicativa X, menores sern las varianzas de
y y mayor su precisin.
Si todos los valores de Xi fuesen iguales, es decir,
X1=X2= ... =Xn, ambas varianzas seran infinitamente
grandes.
La varianza de toma su mnimo valor cuando la
media de las Xi es cero (siendo el denominador
distinto de cero)
mjab

35

ESTIMADOR DE LA VARIANZA DE
LAS PERTURBACIONES
n

ei2

i 1

n2

ei2

i 1

n2

xi yi
i
n
n
n
n

ei2 yi2 2 xi2 yi2 n

i 1
i 1
i 1
i 1
2
xi

i 1

mjab

36

12

01/09/2015

DISTRIBUCIN DEL ESTIMADOR DE LA

VARIANZA DE LAS PERTURBACIONES
Por tanto, la media y varianza de la distribucin del
estimador minimocuadrtico de la varianza de las
perturbaciones son:

E 2
Var 2

2
n 2 n 2 2 n 2
:

2
2
2
2 n 2
2
4
n 2 (n 2) 2 4 n 2
2 4
:

2
2
n2
4 4
2 n 2

mjab

37

DISTRIBUCIN DEL ESTIMADOR DE LA

VARIANZA DE LAS PERTURBACIONES
Luego, dicho estimador es insesgado. Puede tambin
demostrarse que es de varianza mnima, pero no
puede ser catalogado de eficiente porque la varianza
de su distribucin no alcanza la cota de Cramer-Rao
correspondiente a su distribucin (24/n).
El estimador MCO de la varianza de las perturbaciones
no es exactamente verosmil (MV). Pero dado que el
EMV es un estimador sesgado de 2, el estimador MCO
se construye a partir de conocer que E[ei2 la varianza
residual (ei2/n) que, como veremos, es el estimador
mximo] = (n-k) 2 obtenindose as un estimador
insesgado para 2.
mjab

38

Covarianza de los
estimadores MCO de y
Los valores de los estimadores de MCO de y
son diferentes para cada muestra y para una
muestra dada tienden a depender entre s.

Cov , E X Var X n
xi2
i1

mjab

39

13

01/09/2015

Los estimadores maximoverosmiles (EMV) de y coinciden

con los estimadores minimocuadrticos (MCO), no as el EMV
de 2 que es la variancia residual:
Es un estimador sesgado de 2,
pero
es
asintticamente
insesgado.
Los EMV y los de MCO tienen
buenas propiedades asintticas:
consistentes,
asintticamente
normales
y
asintticamente
eficientes.
Si el supuesto de normalidad de
las perturbaciones es incorrecto
loa estimadores obtenidos se
denominan
de
cuasimxima
verosimilitud.

mjab

M2 V

e i2

i 1

40

PREGUNTAS?

GRACIAS

mjab

41

TAREA
DESARROLLAMOS
EL
SUPUESTO
DE
NORMALIDAD.
ANALIZAMOS
PROPIEDADES
DE
LOS
ESTIMADORES MCO BAJO EL SUPUESTO DE
NORMALIDAD.
DESARROLLAMOS EL MTODO DE MXIMA
VEROSIMILITUD.

mjab

42

14