Documente Academic
Documente Profesional
Documente Cultură
Contenido
1 Datos Econmicos
Introduccin
Tipos de Datos. Tratamiento de la Informacin
Tipos de Datos
1 Series Temporales: los datos de nuestra variable estn ordenados
temporalmente
Ejemplos:
Hombre/Mujer
S/No
Bueno/Regular/Malo
Coche/Autobs/Tren
Histograma
Con datos de seccin cruzada, un grco de lneas NO es informativo
porque el orden no importa.
Podemos representar la distribucin de distintas categoras de valores
1 Elegir los intervalos de valores
2 Calcular las frecuencias muestrales en cada intervalo
3 Realizar un grco de barras (de las frecuencias en cada intervalo)
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Mtodos grcos.
Grco de Dispersin
Muchas veces, estaremos interesados en analizar relaciones entre dos o
ms variables
Aunque no es fcil mediante grcos, se pueden explorar mediante
grcos de dispersin
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Mtodos grcos.
En este ejemplo, parece existir una relacin positiva entre el salario de los
ejecutivos y los benecios que obtienen las empresas
Estadsticos descriptivos
Una distribucin se puede resumir en una tabla de frecuencias
(equivalente al histograma)
til cuando la variable tiene pocos valores diferentes
PERO puede contener demasiada informacin para ser interpretable
Correlacin
Correlacin: mide numricamente la relacin entre dos variables
PN
i =1 Yi Y Xi X
r = rYX = rXY = r
PN 2 rP
N X X 2
i =1 Yi Y i =1 i
1 6 r 6 1
r XX = 1
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Correlacin
r =1 r = 0,51
r =0 r = 0,58
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Correlacin
En notacin vectorial
t = X t + ut
0
Y
T
Para datos de corte transversal, suponemos que (Yt , Xt0 ) 0 t =1 i.i.d.
T
Para datos de series temporales, suponemos que (Yt , Xt0 ) 0 t =1 es
un proceso estocstico estacionario
por tanto, {ut }T
t =1
tambin es un proceso estocstico estacionario
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Modelo de Regresin Lineal con Regresores Aleatorios
(a) E ( ut | Xt ) = 0, E ( Yt | Xt ) = Xt0
Esto implica: E ( u Xt ) = 0
t
(d.2) u t AR (p ), ut MA(q ), . . .
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Estimador de MCO
Estimador MCO
E Xt Xt 0 1
E ( Xt Y
= t )
T
X
!1 T
X
!
b= 1
T
Xt Xt
0
T
1
Xt t
Y
t =1 t =1
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Estimador de MCO
En notacin matricial,
Y = X + u
donde
Y1
u1
Y2 u2
Y u
(T 1)
= . y = . son vectores
. .
. .
YT uT
X 100
X2
(T k )
X= .
es una matriz
.
.
XT 0
El estimador de MCO es
X 0Y
1
b = (X 0 X)
e1
e2
e=Y
X
b = .
.
.
e T
donde e t = Yt Xt 0
b, t = 1, 2, .., T
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Estimador de MCO
Varianza
Var b X = (X 0 X)1 X 0 X (X 0 X)1
donde
u1
u2
= Var (u ) = Var
.
.
.
uT
Var b X = 2 (X 0 X)1
que
Los programas informticos tambin calculan errores estndar
robustos (y otros estadsticos de contraste) usando la formula general
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Estimador de MCO
Es consistente
p
b MCO
Es asintticamente normal
b MCO ' N , Var
b
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Estimador de MCO
H0 : j = 0j H0 : j = 0j H0 : j = 0j
H1 : j 6= 0j H1 : j > 0j H1 : j < 0j
y el estadstico de contraste
b j 0
t = j ' N (0, 1)
SE cj H0
(a ) H0 : R = r (b ) H0 : R = r (c ) H0 : R = r
H1 : R 6= r H1 : R > r H1 : R < r
Efectos Marginales
1 = E [ Y | X2t = 0, . . . , Xkt = 0]
2 = E [ Y | X2t , X3t = x3 , . . . , Xkt = xk ]
X2t
El coeciente de una variable discreta (digamos, Xk ) tambin es un
efecto marginal (discreto)
E Y | X2t = x2 , . . . , Xj 1,t = xj 1 , Xj ,t , Xj +1,t = xj +1 , . . . , Xkt = xk
j =
Xjt
Modelos no lineales
El modelo de regresin lineal puede estimarse por MCO siempre que
la especicacin sea lineal en los parmetros
3
1
Y t = 1 + 2 X2t + 3 + ut
X3
2
1
Y t = 1 + 2 X2t + 3 X2t + 4 + 5 X3t + ut
X2 t
En el modelo,
1
Y t = 1 + 2 + 3 X3t + ut
X2 t
cul es el efecto marginal (causal) de X2 sobre Y ?
1
E [ Yt | X2t , X3t ] = 2
X2t X
2
2 t
3
Y t = 1 + 2 X2t + 3 X22t + 4 X2t X3t + 5 X22t X3t + 6 X3t + ut
E [ Yt | X2t , X3t ] = 2 + 23 X2t + 4 X3t + 25 X2t X3t
X2t
Depende de varios parmetros
Depende del valor de X2t y de X3t
Ejemplo:
Y t = 0 + 1 X1t + 2 X2t + ut
Slo nos interesa el efecto de X1 (se estima un modelo reducido):
Y t = 0 + 1 X1t + t
Si 1 = 1 , este modelo reducido s proporciona el verdadero efecto
causal de inters de X1 sobre Y
Se puede mostrar fcilmente que
Cov (X1 , X2 )
1 = 1 + 2
Var (X1 )
En general, omitir una variable sesga el coeciente: no coincide con
el efecto causal
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Efectos Marginales
Cov (X1 , X2 )
1 = 1 + 2
Var ( X1 )
Prediccin: R 2
E [ Y | X2 , . . . , X
t t kt ] = 1 + 2 X2t + + k Xkt
Se puede predecir el valor esperado de la variable dependiente (en funcin
de las variables explicativas):
Yb t = b 2 X2t + +
b1 + b k Xkt
Var
d (Y ) Var
d Y + Var
d (et )
t = b t
X
T 2 X
T 2 X
T
Y t Y = Yb t Y + e2
t
t= 1 t= 1 1
t=
2
SCE SCR
R = =1
SCT SCT
2
Un mayor valor de R indica mejor capacidad predictiva, pero NO
nos informa sobre la interpretacin causal de los coecientes del
modelo.
Datos Econmicos Anlisis Bsico de los Datos Relacin entre Variables Modelo de Regresin Lineal
Modelo con Regresores Binarios
Regresores Binarios
El modelo de regresin admite datos cuantitativos o cualitativos
Una variable binaria (o dummy) es una forma de transformar
variables cualitativos en cuantitativos
1, si el individuo es mujer
D t=
0, si el individuo es hombre
Yt = 1 + 2 X2t + .. + 2 Xk 1t + k Dkt + ut
Tambin se puede interactuar una variable binaria con otra variable del
modelo; por ejemplo,
E [ Yt | X2t , Dt , X3t ] = 2 + 3 Dt
X2t