ECONOMETRIA I

Docente: Msc. Magen Infante

I. INTRODUCCION

Econometria

Dos palabras de origen griego: Economía y Medida (Koutsoyiannis, 1977:3).

Término introducido por RagnarFrisch en 1926, de origen noruego, para referirse a

estudios económicos que hacen uso de métodos estadísticos.

Desde sus orígenes y por su propia definición, la econometría se ha movido entre

los campos de las teorías económica y estadística. Así, en la medida en que ha
sido empleada tanto para proponer nuevas formulaciones como para apoyar o,
en su caso, refutar planteamientos ya hechos en la propia teoría económica, la
econometría se ha nutrido de las aportaciones de economistas cuyo campo de
acción es fundamentalmente la teoría económica (algo semejante puede decirse
de quienes centran su interés en la política económica). Pero, simultáneamente,
en la medida en que la econometría supone la aplicación de la teoría estadística,
diversos estadísticos han incursionado en el terreno de aquella haciéndola
evolucionar.

(Fuente:Para una breve historia de la econometría, José Fernández

García*/Claramartha Adalid Díaz de
Urdanivia)

En la literatura podrían darse otras definiciones como:

1. Aplicación de la Estadística matemática a la información económica para dar

soporte empírico a los modelos construidos por la Economía Matemática y
obtener resultados numéricos.

2. Análisis cuantitativo de fenómenos económicos reales, basados en el desarrollo

simultáneo de la teoría y la observación, relacionados mediante métodos
apropiados de inferencia.

Es un apoyo para disipar la imagen de la Economía, considerada como una materia

donde se hacen afirmaciones y supuestos que para diferentes economistas tienen
diferentes interpretaciones.

1 MagenInfante
Una clasificación desde el punto de vista estadístico podría ser:
Clásica

Econometría Teórica
Bayesiana

Clásica

Econometría Aplicada
Bayesiana

En este curso desarrolla el enfoque clásico y aplicado

Econometría Aplicada

Utiliza herramientas de la Estadística para estudiar modelos de algunos campos

especiales de la economía, los negocios u otros. En particular, puede estudiar temas
conocidos como:

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

Es una representación simplificada de la realidad, orientada a entender el

funcionamiento total o parcial de esa realidad o fenómeno. Es un esfuerzo para
representar teorías, conocimientos o eventos, usualmente representadas en forma de
un conjunto de ecuaciones.
Carneiro de Matos, Orlando; 2da Edición;
Editora Atlas S.A., Sao Paulo - Brasil 1997

Clasificación

(i) Por la Forma funcional

a. Lineales.- los parámetros son expresados en forma lineal o pueden ser
transformados a lineales.
b. No lineales.- no es posible lo anterior.

(ii) Por el número de ecuaciones

a. Uniecuacionales.- El modelo consta de solo una ecuación.
Y  a  bX  cW
b. Multi-ecuacionales.- El modelo consta de varias ecuaciones.
Y  a  bX  cW
Z  d  eW  fQ
Y Z

(iii)Por la asociación con el tiempo

a. Estáticos.- Todas las variables se refieren a un mismo periodo de tiempo.
Yt  a  bX t  cWt
b. Dinámicos.- Las variables se refieren a distintos periodos de tiempo.
Yt  a  bX t 1  cWt

Modelo econométrico

Es una representación de la realidad cuyos componentes son:

a) Relaciones o ecuaciones.- Modelo matemático.
b) Variables.- Características observables.
c) Parámetros.- (o coeficientes) valores constantesde aquella relación matemática
ydesconocidos.
d) Término aleatorio.- (perturbación aleatoria) contiene todos los términos de la
ecuación o relación que no han podido ser incluidas en el modelo.

3 MagenInfante
 Teor’ia vs Realidad

Econometría
Observación de la
Propuesta de una Teoría
Realidad

Observación de la Modelamiento
Teoría económica realidad econométrico

Modelamiento econométrico Estimaci'on, inferencia,

de la teoría económica previsio'n, an'alisis.

Estimaci'on, inferencia,
Validaci'on
previsio'n, an'alisis, decisi'on.

Validaci'on Decisi'on, previsi'on

Proceso metodológico de la Econometría

4 MagenInfante
Fuente: Adaptación de Maddala 1996

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

2da ETAPA: Colecta de Datos

Estimación Apropiados
del
Modelo
Estimación
de los
Parámetros del
modelo

3ra ETAPA: Evaluación

Evaluación de Resultados:
del Hipótesis
Modelo del modelo
Estimado

No Aceptables Aceptables

Inferencia,
Revisión Desistencia Previsión ó
de la de las Toma de
Metodología Hipótesis Decisiones

Fuente: Adaptaciσn de Carneiro de Matos, Orlando; 2da Ediciσn;

Editora Atlas S.A., Sao Paulo - Brasil 1997

6 MagenInfante
Ejemplo:Proceso metodológico de la econometría

1. Planteamiento de la teoría o de la hipótesis.

2. Especificación del modelo matemático de la teoría.
3. Especificación del modelo econométrico de la teoría.
4. Obtención de datos.
5. Estimación de parámetros del modelo econométrico.
6. Pruebas de hipótesis.
7. Pronóstico o predicción.
8. Utilización para fines de control o política.

1. Planteamiento de la teoría o de la hipótesis.

Se establece un conjunto de hipótesis, leyes o conjeturas sobre el comportamiento de
un fenómeno de la vida real ya existente o contribuciones de nuevas teorías.

2. Especificación del modelo matemático de consumo.

Es una representación formal de las ideas o conocimientos anteriormente mencionadas
acerca de las teorías que generalmente se traducen bajo la forma de un conjunto de
ecuaciones matemáticas.

3. Especificación del Modelo Econométrico de Consumo

Es la misma especificación anterior pero incorporando un término aleatorio a la relación
matemática, éste término consideraría todos los elementos que por alguna razón no
pueden ser considerados en la relación matemática.
El modelo matemático dado en el paso 2, supone que existe una relación exacta ó
determinística entre las variables, lo que no es cierto en la mayoría de los casos.

4. Obtención de Información
Para estimar los valores desconocidos de la relación econométrica, se necesitan datos,
generalmente se toman datos muestrales.

5. Estimación del modelo econométrico

Los datos o informaciones obtenidas en el paso 4 permiten estimar los valores
desconocidos de la relación matemática para tomar decisiones.

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.

8. Usos del modelo para fines de control o de política

Un modelo final estimado puede ser utilizado para fines de control o de política.

7 MagenInfante
Ejemplo: Teoría Keynesiana del Consumo. (D. Gujarati)

a) Planteamiento de la teoría o de la hipótesis.

KEYNES plantea:
“La ley sicológica fundamental…. Consiste en que los hombres y mujeres como regla
general y en promedio, están dispuestos a incrementar su consumo a medida que su
ingreso aumenta, pero no en la misma cuantía del aumento en su ingreso”.

En otras palabras, Keynes postula que la “propensión marginal a consumir” (PMC), es

decir, la tasa de cambio del consumo generado por una unidad de cambio en el ingreso,
es mayor que cero pero menor que uno.

b) Especificación del modelo matemático de consumo.

Keynes postuló una relación positiva entre el consumo y el ingreso. Sin embargo, no
especificó la relación funcional entre las dos.
Por ejemplo, la forma más simple de la función Keynesiana de consumo podría ser:
Y  1   2 X 0  2  1 (planteada por un
Economista matemático).
1  parámetro intercepto del modelo
 2  parámetro pendiente del modelo, mide la PMC (Propensión Marginal a
Consumir).

Y
Función Keynesiana de
Consumo

1
} 2  PMC

}1  Intercepto
X

c) Especificación del Modelo Econométrico de Consumo

El modelo matemático dado en el paso 2, supone que existe una relación exacta ó
determinística entre el consumo y el ingreso. Pero las relaciones entre las variables
económicas son en general inexactas.
Un econometrista modificaría la función determinística así
Y  1   2 X   0  2  1
 = término de perturbación o de error, es una variable aleatoria.

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

Enero 2009 2505.6 3761.3

Febrero 2009 2870.7 4280.8

. . .
. . .
. . .
Diciemb 2009 3248.9 4822.1

e) Estimación del modelo econométrico

A través de un análisis de regresión se obtendrán estimadores para  1 y  2 del
modelo teorico
Y  1   2 X   0  2  1

por ejemplo, se puede obtener:

Yˆ  1.5  0.70 X (Interpretar modelo ajustado)
donde
̂ 1 =-1.5 estimador de 1 y
̂ 2 = 0.70 estimador de 2

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.

h) Usos del modelo para fines de control o de política

Un modelo estimado como Yˆ  1.5  0.70 2 X puede ser utilizado para fines de control o
de política.
El gobierno por ejemplo podría manejar la variable de control
X  Ingreso para producir el nivel deseado de la variable objetivo.
Y  Consumo.

En resumen, en esta sección hemos visto el “planteamiento de un

modelo” para un fenómeno de la realidad y la “estimación de este
modelo” para luego interpretarlo. Más adelante estudiaremos algo sobre
modelos.

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

Se puede encontrar los siguientes términos como características de los datos

cuantitativos que podrían ser empleados en análisis de problemas de econometría:

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.

2. Datos de corte transversal

Consiste en datos de una o más variables recogidos en un periodo de tiempo fijo y
determinado, registrados una sola vez para cada unidad. Puede ser, un día, una
semana, un mes, un año, un periodo determinado para registrar una sola vez los datos.

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

4. Datos de Panel (ó longitudinales)

Este es un tipo especial de datos agrupados, en la cual la misma unidad de corte
transversal es observada a través del tiempo.
5. Datos Agregados
Se dice de datos agregados cuando un economista cuenta con información agregada,
desconociendo el método empleado para generarla.

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.

Otras denominaciones de la variable end’ogena

 Respuesta
 Dependiente
 Salida
 Endógena
 Regresiva
 Explicada

Otras denominaciones de la variable explicativa

 Estímulo
 Independiente
 Entrada
 Exógena
 Regresora
 Explicativa
 Predeterminada

12 MagenInfante
IV. MODELO LINEAL SIMPLE

Un modelo linear es un intento de hacer un análisis cuantitativo de la relación que existe

entre la variable dependiente, con las variables explicativas para un conjunto de valores
observados de ambos tipos de variables. Un Modelo Lineal Simpleconsidera sólo una
variable explicativa.

Objetivo:Determinar un modelo con “parámetros numéricos”que permita estimar o

aproximar el valor de una variable Y en base a otra variable X.

Y  1   2 X  

Y  Variable dependiente o variable respuesta.

X  Variable explicativa
  Error aleatorio

Ejemplo: (D. Gujarati)

Supóngase un pueblo pequeño viven sólo 60 familias. En el poblado, se realiza un

censopara estudiar la relación entre el Gasto deconsumofamiliar semanal Y;y
elIngreso familiar semanalX (luego de los impuestos de ley).

En otras palabras, se quiere predecir el nivel de la media del Gasto de consumo

semanal por familia(de la población) conociendo el ingreso semanal de la familia.

E (Y / X  x)  1   2 x

E (Consumo / X  ingreso)  1   2ingreso

Se dividen las familias en 10 grupos, donde cada grupo tiene ingresos aproximadosy se
registran las Gastos de consumo de cada familia para cada nivel de Ingresos.
Todos los registros son semanales.

Seg’un la tabla siguiente:

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

La Esperanza de gasto de las familias tal que E (Y / X 1  80)  65 es el promedio

semanal de las familias que ganan 80 nuevos soles.

Similarmente,

El consumo promedio de las familias que ganan 160 es 113.

El consumo promedio de las familias que ganan 260 es 173.

1. Función de Regresión Poblacional (FRP)

Muestra cómo el valor deYvaría en relación a los valores de la variable X. Su forma

estocástica es la siguiente:

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.

Así, el valor esperado de Y varía también de acuerdo a la variación deX y se denomina

Línea de Regresión Poblacional.

E (Y / X )  1   2 X

Interpretación:

14 MagenInfante
E(Y / X  80)  65 valor promedio de Y para X  80

La Regresión Poblacional para un valor particular de la variable dependiente es:

Yi  1   2 X  i

Si en el modelo Yi  1   2 X  i reemplazamos cada uno de los valores de

consumo cuando el ingreso es X  80 , nos da las siguientes expresiones:
Y1  55  1   2 X  1
Y2  60  1   2 X   2
Y3  65  1   2 X  3
Y4  70  1   2 X   4
Y5  75  1   2 X  5

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

Suponga que conseguimos conocer los valores de 1 y  2 , entonces sólo faltaría

conoce el valor del término de perturbación  i que representa a toda otra variable(s)
posible(s) de las que también depende Yi que no están incluidas en el modelo porque
es imposible medirlas. También,  i representa efectos aleatorios que no dependen de
las variables, denominada perturbación estocástica o término de error estocástico.

1. Gráfica de la FRP.- Línea de Regresión Poblacional o Curva de Regresión

Poblacional. Es el lugar geométrico de las esperanzas de la variable dependiente
para los valores fijos de las variables explicativas

La FRP en dos variables (en su forma estocástica) es

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

Esperanza Poblacional de Y dado X i : Cómo varía la esperanza de Y variando X.

Otra forma de escribir la FRP Yi  1   2 X  i es

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 .

2. Función de Regresión Muestral(FRM)

Es la que se obtiene a partir de una muestra de observaciones (no de la población), y

se necesita estimar los parámetros del modelo lineal simple poblacional (o de la FRP), a
partir de la información proporcionada por la muestra. Su forma estocástica es la
siguiente:

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:

Yˆi  ˆ1  ˆ2 X

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 )

los residuales ̂ i : ˆ i  Yi  Yˆi

Cuando no se dispone de toda la información poblacional, se toman muestras de Y

para valores dados de X.

Si se toman dos muestras aleatorias de Y para valores de X dados y se trazan dos

diagramas de dispersión de las muestras en el mismo gráfico y se trazan las “Líneas de
Regresión Muestral” para cada muestra, se tiene:

FRM1
Y
..
. .
.
FRM2
..
.

.
.
.
.

.
.

. ..
..

.
..
.
..
.

.
..
X

17 MagenInfante
Características:

1.- Cada línease conoce como “línea de regresión muestral”.

2.- Cada línea intenta representar la Función de Regresión Poblacional.
3.- Muestralmente, sólo se considerar como aproximaciones de la verdadera FRP.
4.- Para n muestras, habrán n FRM, posiblemente todas diferentes.

Luego de obtener la información de una muestra y sustituirla en los estimadores, se

obtienen valoresde ̂ 1 y ̂ 2 , a los que se les denomina valores estimados o
estimativas.

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 .

Función de regresión muestral


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

como para el caso multivariado con k variables explicativas o independientes

Yi  1   2 X i1   3 X i 2     k X ik  i

visto en forma matricial para n observaciones como Y  Xβ  μ .

El método más utilizado para hallar la FRM es el Método de Mínimos Cuadrados

Ordinarios (MCO).Para utilizar el método de Mínimos Cuadrados Ordinarios (MCO) en
la estimación de los parámetros, se requiere que el modelo sea “lineal en los
parámetros” y se les conoce simplemente como “Modelos de Regresión Lineal”.

Es posible que algunos modelos no presenten linealidad en los parámetros. Sin

embargo, es posible, a través de una transformación adecuada obtener un modelo
lineal en todos los parámetros, entonces, al modelo antes de la transformación se le
considera como un Modelo de Regresión Lineal.

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.

Las funciones reconocidas con más frecuencia son:

(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:

Escriba 2 modelos no lineales con dos variables explicativas.

Laboratorio

1) Buscar una base de datos de por lo menos 5 variables explicativas (con la

variable dependiente son 6 variables).
2) Importar datos hacia R-project

VI. MODELO LINEAL GENERAL CLASICO

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  

Para n observaciones se tiene un sistema de n ecuaciones teóricas de la forma:

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:

Yn1  Xn( k 1)β( k 1)1  μ n1 .

o simplemente se puede escribir:

Y  Xβ  μ

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

Supuestos del Modelo Lineal General Clásico

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)

Alternativamente: otra forma de expresarlo

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 nk 1  matriz de números determinísticos
    
 
1 X n1  X nk 

(iv) Rango( X)  k  1 ( k  1 =nro columnas de X nk ) ( n  k  1 )

El supuesto Rango( X)  k  1 asegura que ninguna de las columnas de la

matriz X nk deben ser linealmente independientes.

 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