Documente Academic
Documente Profesional
Documente Cultură
ECONOMETRÍA 1
Blog personal
www.economia-gap.blogspot.mx
Contacto:
israelg.garciapz@udlap.mx
Israel Gerardo García Pérez, Dr. En Economía
Sobre el estudio de la econometría
Thomas R.L (1997).
“…Es la aplicación de la estadística matemática a datos económicos con la finalidad de ofrecer soporte empírico a los modelos construidos
desde la economía matemática (teoría económica) y de obtener estimaciones numéricas de estos modelos…”
Wooldridge J.(2006)
“…La econometría se basa en el desarrollo de métodos estadísticos para realizar estimaciones sobre relaciones entre variables:
-testear teorías económicas
- Evaluar e implementar políticas publicas y privadas …”
Gujarati: (2006)
“Literalmente significa medición económica, pero el alcance de la econometría es mas amplio”
-Hallar determinaciones empíricas de leyes (relaciones) económicas
-Validar o refutar planteamientos de posturas teóricas sobre problemas en el área de la economía (salud, antropología,
biología)
Frees (2010)
“Regression analysis is a statistical method used to analyze data. As we will see, the distinguishing feature of this method is the ability to
make statements about. variables after having controlled for values of known explanatory variables.”
A. Medir relaciones entre variables y estimar parámetros que nos indiquen el sentido y la magnitud de tales relaciones
C. Emplear la cuantificación de las relaciones entre variables para realizar pronosticos o inferencia estadística sobre su comportamiento
en el futuro.
Muestra aleatoria de individuos hogares familias o países, etc. o de una variedad de unidades tomadas en un punto en el tiempo (t) .De
cada unidad de observación se hace un sondeo de varias variables.
NO hay problema alguno en el caso de que algunas variables sean captadas en diferentes periodos.
Ejemplo
Time Series
Conjunto de observaciones de una o varias variables a lo largo de un periodo (t; t+1; t+2; … t+k)
NO es una muestra aleatoria; sino sistemáticamente elegida; lo cual requiere un tratamiento especial.
El incorporar tiempo en las variables genera una dependencia entre éstas y el tiempo “ la historia importa”
Contiene n observaciones {1,2…n} de un solo punto en el tiempo (t) y cada observacion reporta un conjunto de variables.
Adicionalmente incorpora otras m observaciones {n+1; n+2; …n+k} de otro punto distinto del tiempo (t+w) y cada observacion reporta el
mismo conjunto de variables.
Dado que existen 2 bloques condistinta temporalidad, es fiundameental incorporar la variable “año” al conjunto de variables compiladas para
cada observacion.
Tener un PCS requiere un tratamiento similar a un CS pero adicionalmente se debe de trabajar con el fenomeno de diferencias seculares
entre año y año
Panel Data
-Lo tenemos cuando para cada miembro i-esimo de una cross section existe una serie de tiempo
-Ejemplo: Podemos colectar para el mismo conjunto de estados de la RM datos sobre:
Tasas impositivas locales
Niveles salariales per cápita
Gasto de gobierno per cápita.
En los años de 1980, 1995 y 1990.
-Aspecto clave:
Para que sea formalmente llamado PD, es necesario que las observaciones o agentes estudiados sean exactamente los mismos en todos los
cortes de tiempo. En caso contrario les consideraremos como PCS.
IMPORTANTE:
Notar que en PD no es relevante cual observación
o agente va primero.
Hip. 1: Personas con malos niveles de salud anticipan utilizar mas servicios médicos que aquellas con buena salud.
Hip. 2: Personas con malos niveles de salud buscan mayores niveles de aseguramiento en salud para compensar sus gastos.
Hip. 3: Personas con malos niveles de salud desean obtener mayor nivel de cobertura médica:
a. Seleccionando un plan de seguro más generoso por parte de un empleador
b. Eligiendo un empleador que ofrezca un mejor plan de aseguramiento en salud.
c. Pagando mas en términos individuales para obtener mas servicios médicos
Variable Y Variable X
-Dependiente -Independiente
-Explicada -Explicativa
-Regresando -Regresora
-Endógena -Exógena
-Respuesta -Impulso
Análisis Econométrico: Conceptos básicos
E[ y | x]
E[ y | x] 1 2 x [2] Modelo de regresión Simple
Incorporando el error aleatorio:
E[e | x] E y E[ y | x]
E[e | x] E[ y 1 2 x]
E[e | x] E[ y | x] 1 2 x
1 2 x 1 2 x
0
Las variables aleatorias {y,e} solo difieren por una constante.
Una consideración adicional es que sus varianzas deben ser idénticas e iguales a σ2
1) E[y|x]= β1+β2x
Media nula del error
E[e|x]= 0
y 1 2 x e
MRLS2: El valor esperado del termino de error es:
MRLS6: Los valores de la v.a. {e} están distribuidas normalmente alrededor de su media si es que los valores de la v.a. {y} lo están
(y viceversa) 2
e N(0, σ )
y
~ N(β + β x, σ )
1 2
2
Con valores de y, x dados; es posible obtener el componente sistemático que se representa gráficamente por
y E(y|x) = 1 + 2x
y4 .
Nuestro objetivo es estimar la ubicación
de la línea media de la variable
dependiente y, condicional a cada valor de
x.
y3 .
y2 . Dicha línea representa la media
poblacional o el comportamiento
poblacional promedio de y.
y1 .
x1 x2 x3 x4 x
Por su parte, los errores poblacionales se representan gráficamente como :
y E(y|x) = 1 + 2x
y4 .
e4 {
Cada error poblacional (ei) representa
la diferencia entre la media condicional
poblacional de y (el comportamiento
y3 .} e3 promedio poblacional de y) y los
y1 . } e1
x1 x2 x3 x4 x
Problema: (i) - ¡No tenemos acceso al universo! (población)
(ii) - Hay tantas líneas como parámetros beta considerados.
Para resolver el problema (i), es factible considerar una muestra aleatoria de {y, x} que permita analizar la relación que prevalece entre
estas variables en la población
Muestra
Población
E[ y | x] 1 2 x y b1 b2 x
Parámetros poblacionales: {β1, β2} Estimadores {b1, b2 } (ó 1 , 2 )
e y E[ y | x] e y y
e y 1 2 x
e y b1 b2 x
^y = b + b x
1 2
y
y4
e^4
^e
y3 3
y2
e^2
^
e1
y1
x1 x2 x3 x4 x
El principio de Mínimos Cuadrados Ordinarios (MCO)
n n
min eˆi ( yi yˆ i ) 2
2
Función objetivo:
( b1b2 )
i 1 i 1 b1
yi ˆ1 ˆ2 xi
n n
eˆi
2 2
i 1 i 1
b*1
Podemos hallar el valor mínimo aplicando las CPO a la función objetivo:
n
eˆi
n 2
eˆi
2
i 1
0
i 1
0
b1 b2
n b*2
yi b1 b2 xi
n
yi b1 b2 xi
2 2
i 1
0
i 1
0
b1 b2 b2
Diferenciando y resolviendo para b1, b2, tenemos los valores b*1 b*2
La estimación por MCO para b1 , b2 nos lleva a:
__ __
b1 y b2 x
b1
b*1
n
__
__
i
i 1
x x i
y y
cov( x, y )
b2
__ 2
n
var( x)
xi x
i 1 b*2
b2
Engine
Ejemplo: Un modelo econométrico que analice la Diplacement MPG
relación entre el rendimiento de gasolina (-MPG-) Car Line 3
(in ) (highway)
y el desplazamiento del motor en pulgadas 300C/SRT-8 215 30.8
CARVAN 2WD 201 32.5
cúbicas (-ED- indicador de su tamaño y potencia) CROSSFIRE ROADSTER 196 35.4
DAKOTA PICKUP 2WD 226 28.1
DAKOTA PICKUP 4WD 226 24.4
25 --------------------------------------------------
Analysis of Variance
20
2
RESI1
-2
-4
-6
-8
100 200 300 400 500
ED_inc3