Documente Academic
Documente Profesional
Documente Cultură
I. INTRODUCCION
Econometria
1 MagenInfante
Una clasificación desde el punto de vista estadístico podría ser:
Clásica
Econometría Teórica
Bayesiana
Clásica
Econometría Aplicada
Bayesiana
Econometría Aplicada
1. Empleo
2. Desempleo
3. Crecimiento económico
4. Consumo
5. Producción
6. Inversión
7. Demanda y oferta
8. Inflación
9. Importaciones
10. Portafolio, etc.
2 MagenInfante
II. DEFINICION DE MODELO
Modelo
Clasificación
Modelo econométrico
3 MagenInfante
Teor’ia vs Realidad
Econometría
Observación de la
Propuesta de una Teoría
Realidad
Observación de la Modelamiento
Teoría económica realidad econométrico
Estimaci'on, inferencia,
Validaci'on
previsio'n, an'alisis, decisi'on.
5 MagenInfante
Proceso Metodológico de la Econometría
Teoría Observación
1ra ETAPA: Económica del
Especificación o Mundo Real
Construcción del
Modelo Formulación
de Hipótesis
Modelo
Matemático
Modelo
Econométrico
No Aceptables Aceptables
Inferencia,
Revisión Desistencia Previsión ó
de la de las Toma de
Metodología Hipótesis Decisiones
6 MagenInfante
Ejemplo:Proceso metodológico de la econometría
4. Obtención de Información
Para estimar los valores desconocidos de la relación econométrica, se necesitan datos,
generalmente se toman datos muestrales.
6. Prueba de hipótesis
Para comprobar si los valores estimados concuerdan con la teoría.
7. Proyección o predicción
Si el modelo escogido confirma la teoría, este modelo se puede utilizar para predecir
valores futuros o desconocidos.
7 MagenInfante
Ejemplo: Teoría Keynesiana del Consumo. (D. Gujarati)
Y
Función Keynesiana de
Consumo
1
} 2 PMC
}1 Intercepto
X
8 MagenInfante
El término de representa todos aquellos factores que afectan el consumo
pero que no son considerados en el modelo en forma explícita. Este último sería
el llamado Modelo de Regresión Lineal, el cual será estudiado a lo largo del
curso.
d) Obtención de Información
Para estimar los valores desconocidos de 1 y 2 se necesitan datos, por
ejemplo:
Mes Y=Consumo X=Ingreso
f) Prueba de hipótesis
Si el modelo ajustado es una aproximación razonablemente buena de la realidad, se
necesitan criterios apropiados para encontrar si los valores estimados obtenidos en una
ecuación como la anterior, concuerda con las expectativas de la teoría que está siendo
probada.
Del modelo anterior, Keynes esperaba que la PMC sea menor que 1.
Se quiere responder a la pregunta ¿es 0.70 estadísticamente menor que 1?
Si lo es, puede apoyar la teoría de Keynes.
Estos criterios son conocidos como parte de la Inferencia Estadística.
g) Proyección o predicción
Si el modelo escogido confirma la teoría, este modelo se puede utilizar para predecir
valores futuros o desconocidos de la variable dependiente Y, siendo que se conoce el
9 MagenInfante
valor de X (variable predoctora) y se utilizan los estimadores ̂ 1 y ̂ 2 anteriormente
hallados.
Ejercicio:Responda:
1. ¿Qué es un modelo?
2. ¿Qué diferencia hay entre un modelo matemático y un modelo econométrico?
3. ¿Qué es un modelo no lineal?
4. ¿Cuáles son las etapas del proceso metodológico de la econometria?
5. ¿Cuáles son los pasos del proceso metodológico de la econometría?
6. ¿Qué cree usted que es Especificación de un modelo?
Carneiro de Matos, Orlando; 2da Edición;
Editora Atlas S.A., Sao Paulo - Brasil 1997
10 MagenInfante
III. ALGUNOS TIPOS DE DATA
1. Series de Tiempo
2. Datos de Corte Transversal
3. Datos Agrupados
4. Datos de Panel
5. Datos Agregados
6. Variables Ficticias
7. Variables Aproximadas
1. Series de tiempo
Esta información se obtiene de la observación de la variable en diferentes periodos de
tiempo. En usual, quelas series de tiempo tengan periodicidad diaria, semanal,
mensual, trimestral y anual. Las series de tiempo suelen estar altamente
correlacionadas debido a su evolución paralela en el tiempo.
3. Datos Agrupados
Los datos agrupados contienen información de corte transversal y de series de tiempo
juntos. Por ejemplo: En cada mes, se tomaron 3 registros de cada una de las 4
variables o características.
Unidad
V1 V2 V3 V4
de tiempo
ENERO
FEBRERO
MARZO
11 MagenInfante
Ejemplo: Se quiere estimar las “Importaciones de un país”, (México por ejemplo) se
deflacta las variables “Importaciones mexicanas” por el “Índice de precios del productor”
para bienes en los Estados Unidos.
Nota: Se produce un sesgo de sub o sobreestimación
en el valor real de las importaciones ya que el “índice
citado” difiere del “índice global de precios”.
El “índice global” podría calcularse, pero el costo y
dificultad en hacerlo podría no ser justificado.
6. Variables Ficticias
Son variables que toman valor 1 para una submuestra y 0 para la otra.
7. Variables Aproximadas
En ocasiones no se cuenta con información sobre alguna variable que interviene en el
modelo econométrico. Una posible solución es utilizar una aproximación a esta variable
bajo el supuesto de que su comportamiento es similar.A este tipo de datos se le llama
variable “proxy” y depende de la verificación del supuesto.
Observación:
En ocasiones, economistas con experiencia estudiando las estructuras de economía en
países desarrollados donde se encuentra disponible gran parte de la información, no se
percatan de las restricciones de información que puedan existir en países como el
nuestro por ejemplo. Si éstos mismos profesionales desarrollan modelos para un país
como el nuestro por ejemplo, es posible que no tenga la importancia práctica.
Respuesta
Dependiente
Salida
Endógena
Regresiva
Explicada
12 MagenInfante
IV. MODELO LINEAL SIMPLE
Y 1 2 X
E (Y / X x) 1 2 x
60 nj
Y Y i
i 1,2,3,..., n j
E (Y ) 1
E (Y / X i ) i 1
60 nj j 1,2,3,...,10
13 MagenInfante
Ingresos familiares semanales
X_i X_1 X_2 X_3 X_4 X_5 X_6 X_7 X_8 X_9 X_10
Y 80 100 120 140 160 180 200 220 240 260
55 65 79 80 102 110 120 135 137 150
Gasto de 60 70 84 93 107 115 136 137 145 152
Consumo 65 74 90 95 110 120 140 140 155 165
Familiar 70 80 94 103 116 130 144 152 165 168
por 75 85 98 108 118 136 145 157 175 180
semana 88 113 125 140 160 180 185
115 162 191
173
E(Y/X=x) 65 77 89 100 113 125 137 149 161 173
Similarmente,
Y 1 2 X
1 y 2 son parámetros fijos, desconocidos (valores poblacionales)
Se denominan coeficientes de regresión, intercepto, coeficiente de la pendiente de la
recta, etc.
E (Y / X ) 1 2 X
Interpretación:
14 MagenInfante
E(Y / X 80) 65 valor promedio de Y para X 80
La diferencia entre cada valor observado y cada valor promedio se debe al término de
perturbación i
i Yi E (Yi / X ) Yi ( 1 2 X )
Interpretación de i
Yi 1 2 X i .
15 MagenInfante
Se grafica laesperanza de la FRP en dos variables: E (Y / X ) 1 2 X
Y
E (Y / X i )
Línea de Regresión
149 * Poblacional
Gasto de
Consumo
101 *
semanal
65 *
X * : Media condicional
80 140 220
Ingreso semanal
Yi E (Y / X ) i
Los valores de Yi están agrupados alrededor del valor esperado de todos los valores
de Y para un dado X i .
Yi ˆ1 ˆ 2 X ˆ i
̂1 Estimador de 1
̂ 2 Estimador de 2
̂ i Estimador de i
Yˆi Aproxima (o es el ajuste de) Yi
16 MagenInfante
La Función de Regresión Muestral es:
Ŷi Estimador de E (Y / X i )
̂1 Estimador de 1
̂ 2 Estimador de 2
̂i Al término de perturbación obtenido de la muestra se le diceResidual.
ˆ i Yi ( ˆ1 ˆ2 X )
FRM1
Y
..
. .
.
FRM2
..
.
.
.
.
.
.
.
. ..
..
.
..
.
..
.
.
..
X
17 MagenInfante
Características:
3. Estimación
Dado que el objetivo principal es estimar la FRP: Yi 1 2 X i
Hallando la FRM: Yi ˆ1 ˆ2 X ˆ i ,
Como la FRM es apenas una aproximación de la FRP, se desea una regla o un método
que haga que esta aproximación sea lo más ajustada posible.
En otras palabras, se busca construir una FRM tal que ̂ 1 y ̂ 2 estén lo más cercano
posible a los verdaderos valores de 1 y 2 , aunque nunca se llegue a conocer los
valores de 1 y 2 .
Y
.
.
FRM:
Yi
Yˆi ˆ 1 ˆ 2 X i
̂ i
i
Yˆi
E(Y / X i ) . FRP:
E (Y / X i ) 1 2 X i
X
Xi
18 MagenInfante
4. Método de Estimación
El método para la construcción de esta FRM es posible tanto para el caso bivariado
Yi 1 2 X i i
Yi 1 2 X i1 3 X i 2 k X ik i
5. Linealidad
Antes de obtener el modelo que mejor se ajuste al modelo real, conviene graficar las
observaciones de tal forma que permita lograr una configuración a priori para facilitar la
elección de la forma funcional apropiada.
(1) Lineal Y 0 1 X
(2) Cuadrática Y 0 1 X 2 X 2
1
(3) Hiperbólica o recíproca Y 0 1
X
(4) Semilogarítmico Y 0 1 ln( X ) Y ln( 0 ) 1 ln( X )
(5) Semilogarítmico inverso ln(Y ) 0 1 X
(6) Logarítmico o logarítmico doble ln(Y ) ln( 0 ) 1 ln( X )
1
(7) Logarítmico recíproco ln(Y ) 0 1
X
19 MagenInfante
En los modelos de dos variables, la forma funcional puede deducirse a partir del
diagrama de dispersión, pero en un modelo de Regresión Múltiple, no es fácil
determinar la forma funcional apropiada porque gráficamente no se puede visualizar los
diagramas de dispersión.
Todos los casos anteriores son funciones de regresión lineal en los parámetros.
Y Y
y 0 1 x 2 x 2
y 0 1 x
y 0 1 x
y 0 1 x 2 x 2
X X
Y Y
y 0 1 / x ln y 0 1 x
ln y 0 1 x
y 0 1 / x
X X
Y Y ln y ln 0 1 ln x
y ln 0 1 ln x
y ln 0 1 ln x
ln y ln 0 1 ln x
X X
Ejemplo:
20 MagenInfante
En el ejemplo de Consumo, i podría ser otras variables de las cuales también
dependería el modelo como por ejemplo:
Y 1 2 X ( Riqueza, tamaño de la familia, consumo de un periodo
anterior, Variación de precios al consumo, tasa de interés, etc. ) .
Ejemplo:
Cuáles de los siguientes modelos pueden ser considerados lineales: (A, B, y son
parámetros)
(1) Y AX e
(2) ln Y ln A ln X
(3) Y
X
(4) Y X
Ejemplo:
Laboratorio
21 MagenInfante
Modelo lineal general
Suponga que existe una relación lineal entre una variable Y , (k 1) variables
explicativas X 1 , X 2 , X k y un término de perturbación .
Modelo teórico:
Y 1 2 X 1 3 X 2 k X k
Yi 1 2 X i1 3 X i 2 k X ik i i 1,2...., n
Y1 1 2 X 11 3 X 12 k X 1k 1
Y2 1 2 X 21 3 X 22 k X 2k n
Yn 1 2 X n1 3 X n 2 k X nk n
matricialmente:
Y1 1 X 11 X 1k 0 1
Y 1 X 21 X 2 k 1 2
2
Yn 1 X n1 X nk k n
En notación matricial:
Escalarmente:
22 MagenInfante
Yi Variable aleatoria observable i 1,2...., n
X ij Variables determinísticas observables i 1,2...., n , j 1,2...., k
j Parámetros desconocidos constantes j 1,2...., k
i Error aleatorio no observable i 1,2...., n
Matricialmente:
Y Vector aleatorio observable
X Matriz de valores observables fijos
β Vector de parámetros desconocidos
μ Vector de errores aleatorios no observables
Escalarmente
(i) E ( μi ) 0 i 1,2, , n
(ii) Var ( μi )
2
constante (homocedasticidad)
(iii) Cov( μi j ) 0 i j (no correlación entre los errores)
(iv) μi N (0, )
2
(distribución normal)
(v) No existe relación lineal exacta entre dos o más de X 1 , X 2 ,, X k
(vi) 0 , 1 , 2 , , k permanecen constantes a lo largo de toda la muestra
(estabilidad)
23 MagenInfante
Matricialmente
1 0
(i) E (μ) 0
n 0
24 MagenInfante
1
(ii) E ( μμ´) E
1
n I
2
******
n
1 2 12 1n
22 2 n
E (μμ´) E 21
n1 n 2 nn
Var ( 1 ) Cov( 1 , 2 ) Cov( 1 , n )
Cov ( , ) Var ( ) Cov ( , )
2 1 2 2 n
Cov( n , 1 ) Cov( n , 2 ) Var ( n )
2 0 0
0 2
0
2I
2
0 0
1 X 11 X 1k
1 X 21 X 2 k
(iii) X nk 1 matriz de números determinísticos
1 X n1 X nk
1
μ N (0, I ) en consecuencia: Y N (Xβ, 2 I)
2
(v)
n
(vi) β1, k 1 permanece constante a lo largo de toda la muestra (estabilidad)
25 MagenInfante