Documente Academic
Documente Profesional
Documente Cultură
Escuela de Postgrado
Universidad Diego Portales
Rodrigo Montero P.
1.
2.
3.
Introduccin
El modelo clsico de regresin lineal
Modelos
economtricos
con
temporales
datos
La estadstica es la ciencia de la
incertidumbre (encontrar regularidades en el
comportamiento de los datos)
Preguntas del tipo qu podra ser? o qu es
probable que sea?
Qu es la econometra?
Medicin de la economa
Para qu sirve la econometra?
Proyecciones
Testar teoras
Aplicaciones: finanzas (CAPM), decisiones
de produccin / manejo de inventarios,
evaluacin de polticas pblicas, etc.
La
Econometra
aplica
mtodos
matemticos y estadsticos al anlisis de
datos econmicos
Frish: La experiencia ha mostrado que cada
1,02
Hiptesis: la
demanda de un
bien tiene
pendiente negativa
1,00
0,98
Precio
0,96
0,94
0,92
0,90
0,88
0,86
0,84
0
50
100
150
200
Cantidad
13
La teora del
capital
humano:
Salarios y aos
de escolaridad
160.000
140.000
120.000
100.000
En US$
80.000
60.000
40.000
20.000
0
0
9
12
15
Aos de escolaridad
18
21
24
14
15
Quick
Graph
educ salary
Scatter
16
17
18
Yi E (Y | X ) ui
FRP
350
FRM
300
250
200
150
100
50
0
0
10
15
20
25
20
Ejemplos:
Ventas = f(Imacec) f() > o <0?
Tasa de inters = g(brecha PIB / gasto) g() >
o <0?
Tasa de inters = h(dficit fiscal) h() > o <0?
Dlar = t(spread r / r*) t() > o <0?
Consumo = j(riqueza) j() > o <0?
Inversin = y(utilidades) y() > o <0?
Precio del cobre = q(inventarios) q() > o <0?
Precio de los dptos. nuevos = r(meses para agotar
stock) r() > o <0?
21
Yi = E(Y | X)+ ui = b1 + b2 Xi + ui
ui ~ iid (0, )
2
22
25
Yi E(Y | X ) ui 1 2 X i ui
Y E (Y | X ) u Yi u 1 2 X i u
Yi 1 2 X i
1 1
2 2
26
27
f ( ) 70
f ( ) 40
f ( )10
28
ui Yi Yi Yi 1 2 X i
n
min u (Yi 1 2 X i )
1 , 2
i 1
2
i
Problema
estndar
restricciones
i 1
de
optimizacin
sin
29
30
Y n X
Y X X X
i
2
i
31
2
X
i Yi X i X iYi
n X X i
2
i
n X iYi X iYi
n X
2
i
X Y nXY
X
X nX
2
i i
2
i
32
Alternativamente:
1 Y 2 X
n
(X
i 1
X )(Yi Y )
(X
i 1
X)
x y
i 1
n
x
i 1
2
i
33
1 20
2 2
Y 20 2 X
34
35
36
2
X
2 1
1 ~ 1 ,
n
n
2
(Xi X )
i 1
2 ~ 2 , n
2
(Xi X )
i 1
Nota:
No conocemos
2, hay que
estimarlo
u
i 1
2
i
~ 2
2
u
i
i 1
nk
37
1.
2.
3.
E (u | x) 0
38
4.
2
(
X
X
)
0
i
i 1
E ( )
5.
Homoscedasticidad
(supuesto
clave
para
determinar la eficiencia del estimador de MCO):
var(ui | x) 2
39
40
yi 1 2 xi 2 3 xi 3 ... k xik ui
41
ui ~ iid (0, 2 )
y1
X 12
X 1k u1
y2
X 22
X 2 k u2
1 2 k
y
X
X u
n
n2
nk n
43
Agrupando en vectores:
y1 1 X 12
y2 1 X 22
1
y 1 X
n2
n
X 1k
u1
1
X 2 k u2
y X u
k
u
X nk
n
Nuevamente:
y y u X u u ( y X )
44
u
'
u
(
y
)'
(
y
min
i 1
2
i
( X ' X ) X ' y
k
45
E ( )
v( ) 2 ( X ' X ) 1
E ( j ) j
46
Ejemplo:
Variable dependiente
COLGPA: promedio de notas en la Universidad
Variables independientes
HSGPA: promedio de notas en la educacin
secundaria
ACT: Puntaje en la prueba de acceso a la universidad
Modelo a estimar
48
49
amarillo
azul
verde
rojo
caf
naranjo
50
amarillo
azul
verde
rojo
caf
naranjo
Y
amarillo
azul
verde
rojo
caf
naranjo
Y
amarillo
azul
verde
rojo
caf
naranjo
53
54
Y
amarillo
azul
verde
rojo
caf
naranjo
STC ( yi y ) 2
i 1
SEC ( y i y ) 2
i 1
SCE ui
i 1
57
2
R
1
1
2
STC
STC
(
y
y
)
i
58
Note que:
0 R2 1
59
yi 1 2 X i ui
SEC
SCE
R
1
STC
STC
2
22 ( X i X ) 2
2
(
y
y
)
i
2
u
i
1
2
(
y
y
)
i
60
61
var( j )
2
2
(
X
X
)
(
1
R
ji j
j)
62
SCE /( n k )
2 n 1
R 1
1 (1 R )
STC /( n 1)
nk
2
63
ui ~ N (0, )
2
64
Se podra evaluar la
coeficiente estimado:
individual
H 0 : j 0
| t | t
Se rechaza la hiptesis
nula (1%,5%,10%)
significancia
*
nk
var( j )
del
~ tnk
Se estableci que:
( i i 0 )
~ tnk
V ( i )
i i 0
i i 0
Otro ejemplo:
H0 : h j 1
h j 1
var( h ) var( j ) 2 cov( h , j )
| t | t
c
*
nk
~ tnk
Se rechaza la hiptesis
nula (1%,5%,10%)
67
Cmo se construye?
68
69
H 0 : 2 3 k 0
SEC /( k 1)
F
~ F( k 1,nk )
SCE /( n k )
R 2 /(k 1)
F
~ F( k 1,n k )
2
(1 R ) /(n k )
Si F calculado > F
crtico se
rechaza la
hiptesis nula
70
71
Inflacin
Desempleo
1948
8.1
3.8
1949
-1.2
5.9
1998
1.6
4.5
1999
2.2
4.2
Ejemplo:
yt 0 1 zt ut
inf t 0 1unemt ut
73
Ejemplo: yt 0 0 zt 1 zt 1 2 zt 2 ut
A este modelo se le conoce como un MRD de orden
dos
Suponga que z es constante e igual a c en todos
los perodos, pero en el momento t z aumenta en 1
(c+1), y en t+1 vuelve a su nivel inicial
Luego:
yt 1 0 0 c 1c 2 c
yt 0 0 (c 1) 1c 2 c
yt 1 0 0 c 1 (c 1) 2 c
yt 2 0 0 c 1c 2 (c 1)
yt 3 0 0 c 1c 2 c
74
75
1.2
1.0
0.8
0.6
0.4
0.2
0.0
0
76
z s c, s t
Por lo tanto:
z s c 1, s t
yt 1 0 0 c 1c 2 c
yt 0 0 (c 1) 1c 2 c
yt 1 0 0 (c 1) 1 (c 1) 2 c
yt 2 0 0 (c 1) 1 (c 1) 2 (c 1)
Y as sucesivamente
77
PLP 0 1 q
78
79
1.
2.
3.
E ( j ) j
80
4.
5.
Homocedasticidad
No correlacin serial: Corr (ut , us | X ) 0
Bajo estos cinco supuestos, se cumple el Teorema
de Gauss-Markov
6.
Inferencia
Normalidad. Los errores son independientes de X
y
estn
independiente
e
idnticamente
distribuidos segn una distribucin normal (0,2)
81
82
83
84
85
3 ln(GDPt 3 ) 4 ln(GPDt 4 ) ut
La propensin de impacto ( 0 )
se denomina
tambin elasticidad a corto plazo
La
propensin
a
largo
plazo
se denomina elasticidad a largo plazo
PLP 0 1 2 3 4
86
87
Rt 0 1R 2 dt ut
f
m
t
88
89
yt 1 2 yt 1 ut
90
93
yt 1 yt 1 et
| 1 | 1
es
estable
(luego
es
dbilmente
Corr(yt , yt+h ) =
Cov(yt , yt+h )
s ys y
=r
h
1
95
1.
2.
3.
E (ut | xt ) 0
p lim( j ) j
4.
Homocedasticidad
5.
yt 1 2 yt 1 ut
yt 1 2 yt 1 2 yt 2 ut
Criterio de Akaike:
u 2 k
2
AIC ln
T T
Criterio de Schwarz:
u 2
k
BIC ln
ln(T )
T
T
Criterio de Hannan-Quinn:
u 2
2 ln(ln(T )) k
HQC ln
T
T
98
Se ha asumido
homoscedstico:
que
el
trmino
de
error
es
var(ui | x) 2
cov(ui , u j ) 0
99
var(ui | x) i2
yi 0 1H i 2 Ei ui
101
102
103
cov(ui , u j ) 0
105
E ( yt | yt 1 , yt 2 ,) E ( yt )
106
107
108
de
error
al
Para
construir
el
intervalo de confianza
de la prediccin slo se
consideran
los
potenciales errores (3) y
(4)
intervalo de
confianza
110
yt = b1 + b2 yt-1 + b3zt-1 + ut
111
yT+1 = b1 + b2 yT + b3zT
Intervalo de confianza
Corra la siguiente regresin:
yt = q0 + q1 (yt - yT )+ q2 (zt - zT )+ ut
112
Luego, el intervalo
aproximadamente:
del
pronstico
al
95%
es
yT+1 1, 96ee(eT+1 )
113
n0
( yi y i ) 2
i 1
RMSE
n0
n0
Error
absoluto:
medio
Estos mtodos
presentan problemas de
escala Estadstico de
desigualdad de Theil (U).
Si U=0, prediccin
perfecta
MAE
| y
y i |
i 1
n0
n0
(1 / n 0 )
U
( yi y i ) 2
i 1
n0
(1 / n 0 )
yi
i 1
116
Luego de estimar la
ecuacin: forecast
117
El modelo:
yt = x b + et
'
t
et = ut a0 + a e
2
1 t-1
E(et | xt , et-1 ) = 0
2
2
var(et | et-1 ) = E(et2 | et-1 ) = E(ut2 )(a0 + a1et-1
) = a0 + a1et-1
a0
var(et ) = var(et-1 ) = a 0 + a1 var(et-1 ) =
1- a1
119
a0
s =
1- a1
2
120
yt = xt' b + ds t2 + et
var(et | Y) = ARCH(q)
121
( RFORD ,t rf ,t ) ( RM ,t rf ,t ) t
124
125
127
Muchas gracias
128