TEMA# 1

QUE ES LA ECONOMETRIA?

La econometra se basa en el desarrollo de mtodos estadsticos que se utilizan

para estimar relaciones econmicas, probar teoras econmicas y evaluar e
implementar polticas pblicas y de negocios. La aplicacin ms comn de la
econometra es en el pronstico de variables macroeconmicas tan
importantes como las tasas de inters, de inflacin y el producto interno bruto.

Datos no experimentales son datos sobre individuos, empresas o segmentos de

la economa que no son obtenidos por medio de experimentos controlados. (A
los datos no experimentales en ocasiones tambin se les llama datos
retrospectivos o datos observacionales, los datos experimentales suelen ser
obtenidos en el laboratorio, pero en las ciencias sociales son mucho ms
difciles de obtener

PASOS EN UN ANALISIS ECONOMICO EMPIRICO

Se emplean cuando se desea probar una teora econmica o cuando se piensa

en una relacin que tiene alguna importancia para decisiones de negocios o
para el anlisis de polticas. En un anlisis emprico se utilizan datos para
probar teoras o estimar relaciones.

el primer paso en cualquier anlisis emprico es la cuidadosa formu- lacin de

la pregunta de inters, la cual puede estar relacionada con la prueba de un
aspecto determinado de una teora econmica o puede ser adecuada para
probar los efectos de una po- ltica pblica.

En algunos casos, en especial en aquellos relacionados con la prueba de

teoras econmi- cas, se construye un modelo econmico formal, el cual
consiste en ecuaciones matemticas que describen diversas relaciones.

el modelado econmico formal es el punto de partida del anlisis emprico,

pero es ms comn el empleo de teoras econmicas menos formales o incluso
apoyarse por completo en la intuicin. El lector estar de acuerdo en que los
determinantes del comporta- miento delictivo que se muestran en la ecuacin
(1.1) estn basados en el sentido comn.

Este sencillo razonamiento lleva a un modelo como el siguiente:

salario = f (educ, exper, capacitacin)

dnde:

salario =salario por hora

educ = aos de escolaridad formal,

exper =aos de experiencia laboral y

capacitacin = semanas de capacitacin laboral. De nuevo hay otros factores

que influyen sobre la tasa salarial, pero la ecuacin (1.2) encierra la esen- cia
del problema.

Una vez precisado el modelo econmico, es necesario transformarlo en lo que

se llama un modelo economtrico.

Las ambigedades inherentes al modelo econmico de la actividad delictiva se

resuelven especificando un modelo economtrico:

actdelic =B0 + B1salariom + B2otringr +B3 frecdet + B4 frecculp +

B5 promsent + B6 edad + u

La eleccin de estas variables es determinada tanto por la teora econmica

como por consi- deraciones acerca de los datos. El trmino u comprende
factores no precisados, como el salario obtenido por la actividad delictiva,
costumbres morales, antecedentes familiares y errores en las mediciones de
factores como la actividad delictiva y la probabilidad de ser detenido. Aunque
pueden agregarse al modelo variables de antecedentes familiares, tales como
cantidad de herma- nos, educacin de los padres, etc., u no puede eliminarse
por completo. En efecto, cmo tratar este trmino de error o de perturbacin
es quizs el componente ms importante de todo anlisis economtrico.

Las constantes B0, B1, , B6 son los parmetros del modelo economtrico y
describen direc- cin y fuerza de la relacin entre la actividad delictiva y cada
uno de los factores empleados para determinar la actividad delictiva en el
modelo.

Un modelo economtrico completo para el ejemplo 1.2, puede ser

Salario = B0 +B1educ +2exper + B3capacitacin + u

Donde el trmino u comprende factores como habilidades innatas, calidad de

la educacin, antecedentes familiares y otros innumerables factores que
influyen en el salario de una persona. Si lo que interesa en concreto es la
capacitacin laboral, entonces el parmetro de inters es B3

ESTRUCTURA DE CORTE TRANSVERSAL

DATOS TRANSVERSAL

Una base de datos de corte transversal consiste en una muestra de individuos,

hogares, empresas, ciudades, estados, pases u otras unidades, tomada en
algn punto dado en el tiempo.
Una caracterstica importante de los datos de corte transversal es que a
menudo puede supo- nerse que han sido obtenidos de la poblacin subyacente
mediante un muestreo aleatorio.

DATOS DE SERIES DE TIEMPO

Una base de datos de series de tiempo consiste de las observaciones de una o

varias variables a lo largo del tiempo.

COMBINACION DE CORTES TRANSVERSALES

En 1990 se toma otra mues- tra aleatoria de hogares usando las preguntas de
la encuesta anterior. Para tener un tamao mayor de la muestra se pueden
combinar los cortes transversales juntando los dos aos. Combinar (o juntar)
los cortes transversales de aos distintos suele ser una buena manera de
analizar los efectos de las nuevas polticas pblicas.

DATOS DE PANEL O LONGITUDINALES

Un conjunto de datos de panel (o datos longitudinales) consiste en una serie de

tiempo por cada unidad de una base de datos de corte transversal.

La caracterstica fundamental de los datos de panel, que los distingue de las

combinaciones de cortes transversales, es que durante un intervalo de tiempo
se vigilan las mismas unidades (personas, empresas o condados, en los
ejemplos precedentes) de un corte transversal.

CAUSALIDAD Y LA NOCION DE CETERIS PARIBUS EN EL ANALISIS

ECONOMETRICO

El concepto ceteris paribus si todos los dems factores relevantes

permanecen constantes.

Es probable que el lector recuerde de los cursos de introduccin a la economa,

que la mayor parte de las cuestiones econmicas tienen un carcter ceteris
paribus. Por ejemplo, cuando se analiza la demanda del consumidor interesa
saber el efecto que tiene una modificacin en el precio de un determinado bien
sobre la cantidad demandada, mientras todos los dems factores tales como
ingreso, precios de los dems bienes y preferencias individuales se
mantienen constantes. Si no permanecen constantes los dems factores,
entonces no se puede saber cul es el efecto de una modificacin en el precio
sobre la cantidad demandada.

En cada ejemplo, el problema de inferir causalidad desaparece si es posible

realizar un expe- rimento apropiado. Por tanto, es til describir cmo se puede
estructurar un problema de este tipo, y observar que, en la mayora de los
casos, no es prctico obtener datos experimentales. Tambin es til reflexionar
sobre la razn por la cual los datos con los que se cuenta no tienen las
importantes caractersticas de las bases de datos experimentales.

TEMA # 2

EL MODELO DE REGRESION SIMPLE

DEFINICION DEL MODELO DE REGRESION SIMPLE

Para establecer un modelo que explique y en trminos de x hay que tomar en
consideracin tres aspectos. Primero, dado que entre las variables nunca existe
una relacin exacta, cmo pueden tenerse en cuenta otros factores que
afecten a y? Segundo, cul es la relacin funcional entre y y x? Y, tercero,
cmo se puede estar seguro de que la relacin entre y y x sea una
relacin ceteris paribus entre y y x (si es ese el objetivo buscado)?
El modelo de regresin lineal simple. A esta ecuacin tambin se le llama
modelo de regresin lineal de dos variables o modelo de regresin lineal
bivariada debido a que en este modelo se relacionan las dos variables x y
y.
A y se le conoce como la variable dependiente, la variable explicada, la
variable de respuesta, la variable predicha o el regresando; a x se le conoce
como la variable independiente, la variable explicativa, la variable de control,
la variable predictora o el regresor. (Para x tambin se usa el trmino
covariada.) En econometra con frecuencia se usan los trminos variable
dependiente y variable independiente.
La variable u, llamada trmino de error, o perturbacin en la relacin,
representa factores distintos a x que afectan a y. Un anlisis de regresin
simple en realidad trata a todos los factores que afectan a y, y que son
distintos a x como factores no observados. Es til considerar a u como
abreviacin de unobserved (no observado, en ingls). Si los dems factores
en u permanecen constantes, de manera que el cambio en u sea cero, Au = 0,
entonces x tiene un efecto lineal sobre y:

Por tanto, el cambio en y es simplemente B1 multiplicado por el cambio en x.

Esto significa que B1 es el parmetro de la pendiente en la relacin entre y y
x, cuando todos los dems factores en u permanecen constantes; este
parmetro es de inters primordial en la economa aplicada. El parmetro del
intercepto B0, algunas veces llamado trmino constante, tiene tambin su
utilidad, aunque es raro que tenga una importancia central en el anlisis.
La linealidad de la ecuacin (2.1) implica que todo cambio de x en una unidad
tiene siempre el mismo efecto sobre y, sin importar el valor inicial de x.
En la seccin 2.5 se muestra que la nica manera de obtener estimadores
confiables de B0 y B1 a partir de los datos de una muestra aleatoria, es
haciendo una suposicin que restrinja la manera en que la variable no
observable u est relacionada con la variable explicativa x.
Antes de establecer esta suposicin clave acerca de la relacin entre x y u se
puede hacer una suposicin acerca de u. En tanto el intercepto B0 aparezca en
la ecuacin, nada se altera al suponer que el valor promedio de u en la
poblacin, es cero. Matemticamente.
Una medida natural de la relacin entre dos variables aleatorias es el
coeficiente de correlacin. (Vea definicin y propiedades en el apndice B.) Si u
y x no estn correlacionadas, entonces, como variables aleatorias, no estn
relacionadas linealmente.
El supuesto crucial es que el valor promedio de u no depende del valor de x.
Este supuesto se expresa como
E (u/x) = E (u). 2.6
Cuando se satisface el supuesto (2.6) se dice que u es media independiente de
x. (Por supuesto, la independencia de la media es una consecuencia de la
independencia entre u y x, un supuesto usado frecuentemente en probabilidad
y estadstica bsicas.) Combinando la independencia de la media con el
supuesto (2.5), se obtiene el supuesto de media condicional cero, E (u/x) = 0.
Es vital recordar que la ecuacin (2.6) es el supuesto importante; el supuesto
(2.5) slo define el intercepto, B0
El supuesto de media condicional cero proporciona otra interpretacin de B1
que suele ser til. Tomando el valor esperado de (2.1) condicionado a x usando
E (u/x) = 0 se tiene
E (y/x) = B0 + B1x. 2.8
La ecuacin (2.8) muestra que la funcin de regresin poblacional (FRP), E
(y/x), es una funcin lineal de x. La linealidad significa que por cada aumento
de una unidad en x el valor esperado de y se modifica en la cantidad B1.
Ejercicio cuaderno modelo momentos
Se Obtiene la lnea de regresin de MCO:
Nota sobre la terminologa

En la mayora de los casos, la estimacin de una relacin mediante MCO se

indicar escribiendo una ecuacin como las ecuaciones (2.26), (2.27) o (2.28).
Algunas veces, para abreviar, se indica que se ha hecho una regresin por MCO
sin escribir la ecuacin. Con frecuencia se indicar que la ecuacin (2.23) se ha
obtenido mediante MCO diciendo que se ha hecho la regresin de

y sobre x 2.29

O simplemente que se regresiona y sobre x. Las posiciones de y y de x en

(2.29) indican cul es la variable dependiente y cul la independiente: siempre
se regresiona la variable dependiente sobre la independiente. En las
aplicaciones especficas y y x se sustituyen por sus nombres. As, para
obtener la ecuacin (2.26), se regresiona salary sobre roe, y al obtener la
ecuacin (2.28), se regresiona voteA sobre shareA.

Cuando se usa la terminologa dada en (2.29), se quiere dar a entender que se

van a estimar el intercepto, B0 gorro, y la pendiente, B1gorro Este es el caso
en la gran mayora de las aplicaciones. Algunas veces se desea estimar la
relacin entre y y x suponiendo que el intercepto es cero (de manera que x
= 0 implica y = 0); este caso se trata brevemente en la seccin 2.6. A menos
que se diga otra cosa, aqu siempre se estimarn el intercepto y la pendiente.

2.3 PROPIEDADES DEL MCO EN CUALQUIER MUESTRA DE DATOS

VALORES AJUSTADOS Y RESIDUALES

Si u i es positivo, la lnea predice un valor inferior al de yi; si u i es negativo,

la lnea predice un valor superior al de yi. Lo ideal para la observacin i es
cuando u i = 0, pero en la mayora de los casos, todos los residuales son
distintos de cero. En otras palabras, no es nece- sario que ninguno de los
puntos de los datos se encuentre exactamente sobre la lnea de MCO.

Esta propiedad no necesita ser probada; es consecuencia inmediata de la

condicin de primer orden (2.14) de MCO, si se recuerda que los residuales
estn definidos por u i = yi 0 1xi. En otras palabras, las estimaciones de
MCO 0 y 1 se eligen de manera que la suma de los re- siduales sea cero
(para cualquier base de datos). Esto no dice nada acerca del residual de una
determinada observacin i. (2) La covarianza muestral entre los regresores y
los residuales de MCO es cero. Esto es consecuencia de la condicin de primer
orden (2.15), que en trminos de los residuales puede expresarse como

El promedio muestral de los residuales de MCO es cero, por lo que el lado

izquierdo de la ecua- cin (2.31) es proporcional a la covarianza entre las xi y
los u i. (3) El punto (x ,y) se encuentra siempre sobre la lnea de regresin
de MCO. En otras pala- bras, si en la ecuacin (2.23) se sustituye x por x, el
valor predicho es y. Esto es exactamente lo que dice la ecuacin (2.16).

De acuerdo con la propiedad (1), el promedio de los residuales es cero; lo que

es equiva- lente a que el promedio muestral de los valores ajustados, y i, es
igual al promedio muestral de las yi, es decir y y. Adems, con base en
las propiedades (1) y (2) se puede mostrar que la covarianza muestral entre
y i y u i es cero. Por tanto, se puede considerar que el mtodo de MCO
descompone cada yi en dos partes, un valor ajustado y un residual. Los valores
ajustados y los residuales no estn correlacionados en la muestra. Se definen
la suma total de cuadrados (STC), la suma explicada de cuadrados (SEC) y la
suma residual de cuadrados (SRC) (conocida tambin como suma de residuales
cuadrados)

La STC es una medida de la variacin muestral total en las yi; es decir, mide
qu tan disper- sos estn las yi en la muestra. Si se divide la STC entre n 1, se
obtiene la varianza muestral de y, que se analiza en el apndice C

BONDAD DE AJUSTE

R 2 SEC/STC = 1 - SRC/STC. 2.38

R2 es el cociente de la variacin explicada entre la variacin total; por tanto, se

interpreta como la proporcin de la variacin muestral de y que es explicada
por x. La segunda igualdad en la ecuacin (2.38) proporciona otra manera de
calcular R2.
R2 = 1. Si el valor de R2 es casi igual a cero, esto indica un ajuste pobre de la
lnea de MCO: muy poco de la variacin de las yi es captado por la variacin de
las y i (que se encuentran, todas, sobre la lnea de regresin de MCO)

2.4 UNIDADES DE MEDICION Y FORMA FUNCIONAL

Dos temas importantes en economa aplicada son 1) entender cmo el cambiar

las unidades de medicin de la variable dependiente o de la variable
independiente afecta las estimaciones de MCO y 2) saber cmo incorporar las
formas funcionales comnmente usadas en economa en el anlisis de
regresin

EFECTOS DE LOS CAMBIOS DE UNIDADES DE MEDICIN SOBRE LOS

ESTADSTICOS OBTENIDOS DE MCO

Tambin hay que saber que las estimaciones de MCO cambian de maneras
totalmente espe- radas cuando cambian las unidades de medicin de la
variable dependiente o de la independiente.

El intercepto y la pendiente de la ecuacin (2.40) se obtienen multiplicando por

1,000 el inter- cepto y la pendiente de la ecuacin (2.39). De esta manera, las
ecuaciones (2.39) y (2.40) tienen una misma interpretacin.

En general, es fcil explicar lo que pasa con las estimaciones de la pendiente y

el intercepto cuando cambian las unidades de medicin de la variable
dependiente. Cuando se multiplica la variable dependiente por una constante c
lo que significa multiplicar cada valor de la mues- tra por c, entonces las
estimaciones de MCO del intercepto y de la pendiente tambin son
multiplicadas por c.

. En general, si la variable independiente se divide o se multiplica por una

constante distinta de cero, c, entonces el coefi- ciente de la pendiente de MCO
se multiplica por c o se divide entre c, respectivamente

la cantidad de variacin del

sueldo que es explicada por el rendimiento sobre el capital no depende de si el

sueldo se mide en dlares o en miles de dlares o de si el rendimiento sobre el
capital es un porcentaje o un decimal. Esta idea intuitiva puede verificarse
matemticamente: empleando la definicin de R2 se puede mostrar que, en
efecto R2 no vara ante los cambios de unidades de y o de x.

INCORPORACIN DE NO LINEALIDADES EN LA REGRESIN SIMPLE

Observe que 1 se multiplica por 100 para obtener el cambio porcentual de

wage por un ao ms de educacin. Como el cambio porcentual es el mismo
por cada ao adicional de educacin, el cambio de wage por un ao ms de
educacin aumenta a medida que la educacin lo hace; en otras palabras,
(2.42) implica un rendimiento creciente de la educacin

log(wage) 0 1educ u,