Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.

3 Contrastes de endogeneidad

Econometr a Grado en Finanzas y Contabilidad

Helena Veiga
Apuntes basados en el libro Introduction to Econometrics: A modern Approach de Wooldridge

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

5.1 Causas de la endogeneidad 5.2 Estimadores de Variables Instrumentales 5.3 Contrastes de endogeneidad

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

La endogeneidad aparece si en el modelo de regresin mltiple : o u y = 0 + 1 x1 + 2 x2 + 3 x3 + ... + k xk + u, los regresores estn correlados con el error, es decir, si: a E (xj u) = 0 para algunos xj . Hay tres situaciones principales en que esto puede suceder: caso 1 No incluimos en el modelo una variable independiente importante; caso 2 Las variables independientes se observan con error; caso 3 Tenemos un sistema de varias ecuaciones de regresin o simultneas. a

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

caso 1: Omisin de un regresor importante o

Supongamos que omitimos una variable que deber estar en el a modelo verdadero (o poblacional). Este es un problema de mala especicacin (subespecicacin en este caso) del modelo, que o o causa que los estimadores de OLS sean sesgados e inconsistentes. La obtencin del sesgo cuando se omite una variable importante es o un ejemplo de anlisis de la mala especicacin. Para empezar, a o veamos el caso en que el modelo poblacional verdadero tiene dos variables explicativas: y = 0 + 1 x1 + 2 x2 + u (1)

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Suponemos que este modelo cumple las hiptesis clsicas y que o a nos interesa principalmente 1 , el efecto parcial de x1 sobre y . Por ejemplo, y puede ser el salario por hora (o su logaritmo), x1 la educacin, y x2 una medida de la capacidad innata del individuo. o Para obtener un estimador insesgado de 1 , tendr amos que calcular la regresin de y sobre x1 y x2 (esto nos dar estimadores o a insesgados de todos los parmetros). Sin embargo, sea por a ignorancia o porque no disponemos de datos, estimamos el modelo excluyendo a x2 , es decir: y = 0 + 1 x1 . Usamos el s mbolo en lugar de para hacer hincapi en que 1 e se obtiene a partir de un modelo mal especicado.

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Obtendremos el valor esperado de 1 , condicionado a los valores muestrales de x1 y x2 . El clculo de esta esperanza no es dif a cil, porque 1 es el estimador de OLS de una pendiente. Lo importante es que estudiamos sus propiedades cuando el modelo de regresin o est mal specicado porque hemos omitido una variable. a 1 =
n i (x1i x1 )yi n 2 i (x1i x1 )

El siguiente paso es el mas importante. Como (1) es el modelo verdadero, podemos escribir yi = 0 + 1 x1i + 2 x2i + ui . Despues de algunos clculos y tras tomar esperanza condicionada a a los valores de las variables independientes obtenemos E (1 ) = 1 + 2
Helena Veiga

n i (x1i x1 )x2i n (x1i x1 )2 i

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Por tanto, en general, E (1 ) no es igual a 1 : 1 es sesgado para n (x1i 1 )x2i x 1 . i n (x 1 )2 es, simplemente, la pendiente de la regresin de x2 o 1i x i sobre x1 , la cual se puede expresar como x2 = 0 + 1 x1 . Como estamos condicionando a los valores muestrales de las dos variables independientes, 1 no es aleatorio. Por tanto, podemos escribir E (1 ) como E (1 ) = 1 + 2 1 . Esto implica quer el sesgo de 1 es E (1 ) 1 = 2 1 . A menudo se llama a esto el sesgo de la variable omitida.

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Hay dos casos en que 1 es insesgado: Si 2 = 0, x2 no est en el modelo poblacional y 1 es a insesgado. Si 1 = 0, entonces 1 es insesgado para 1 , incluso si 2 = 0. Como 1 es la covarianza muestral entre x1 y x2 dividida por la varianza muestral de x1 , 1 = 0 si y solo si x1 y x2 estn a incorreladas en la muestra. Por tanto, obtenemos la conclusin importante de que si x1 y x2 estn incorreladas en o a la muestra, entonces 1 es insesgado. En otro caso, aparece la endogeneidad y 1 es sesgado e inconsistente.

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Resumen del sesgo de 1 cuando se omite x2 : 2 > 0 2 < 0 corr (x1 , x2 ) > 0 sesgo positivo sesgo negativo corr (x1 , x2 ) < 0 sesgo negativo sesgo positivo

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

caso 2: Errores de medida en las variables independientes

Sabemos que si en un modelo se excluye una variable importante, por ejemplo porque no tengamos datos de ella, tenemos un problema importante. Como podemos resolver, o al menos reducir, el problema del sesgo de la variable omitida? Una posibilidad es obtener una variable prxima (proxy) a la variable omitida. Una variable o prxima es una que est relacionada con la variable que o a deber amos incluir en nuestro modelo (pero que no lo hacemos). Para ilustrar las ideas fundamentales nos basta con un modelo de tres variables independientes, de las cuales se observan dos:
y = 0 + 1 x1 + 2 x2 + 3 x3 + u. Suponemos que se dispone de datos de y , x1 , y x2 , no de x3 , pero , a la que llamamos x . que tenemos una variable prxima a x3 o 3
Helena Veiga Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Que le pedimos a x3 ? Como m nimo, que tenga una relacin con o x3 del tipo: x3 = x3 + v3 ,
2 donde v3 N(0, v ) y v3 est incorrelado con x3 y u. Por tanto, el a modelo que podemos estimar es:

y y y

= 0 + 1 x1 + 2 x2 + 3 (x3 v3 ) + u = 0 + 1 x1 + 2 x2 + 3 x3 + (3 v3 + u) = 0 + 1 x1 + 2 x2 + 3 x3 + e,

donde e = (3 v3 + u). Como cov (x3 , e) = 0, x3 es endgena y el o estimador de OLS es sesgado e inconsistente.

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

caso 3: Ecuaciones simultneas a

Es util ver, en un modelo simple, cmo una variable explicativa que o es, a la vez, explicada, est, en general, correlada con el trmino de a e error. Esto lleva a sesgo en OLS, como ya sabemos. Sea el modelo estructural de dos ecuaciones: y1 = 1 y2 + 1 z1 + u1 (2) y2 = 2 y1 + 2 z2 + u2 (3) y supongamos que nos interesa estimar la primera ecuacin. Las o variables z1 y z2 son exgenas y estn, por tanto, incorreladas con o a u1 y u2 . Por sencillez, hemos quitado las constantes de las dos ecuaciones. Para demostrar que y2 est correlada con u1 , despejamos en las a dos ecuaciones y1 e y2 en funcin de las variables exgenas y los o o errores. Nos queda, para y2 :
Helena Veiga Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

y2 = 21 z1 + 22 z2 + v2 , donde 21 = 2 1 /(1 2 1 ), 22 = 2 /(1 2 1 ), y v2 = (2 u1 + u2 )/(1 2 1 ). Esta ecuacin, que nos pone y2 en o funcin de las variables exgenas y los errores, es la forma reducida o o de y2 . Los parmetros 21 y 22 se llaman parmetros de la forma a a reducida. Debemos notar que son funciones no lineales de los parmetros estructurales (o sea, de los parmetros que aparecen en a a la forma estructural). o El error de la forma reducida, v2 , es funcin lineal de los erores de la forma estructural, u1 y u2 . Como u1 y u2 estn ambos a incorrelados con z1 y z2 , v2 tambin est incorrelado con z1 y z2 . e a Por tanto, podemos estimar en forma consistente 21 y 22 mediante OLS.
Helena Veiga Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Sin embargo, lo que nos interesa es etimar la ecuacin (2). En ella, o cov (y2 , u1 ) = cov (21 z1 + 22 z2 + v2 , u1 ) = cov (v2 , u1 ) = cov ((2 u1 + u2 )/(1 2 1 ), u1 ) = 0, y por tanto hay endogeneidad, el estimador de OLS es sesgado e inconsistente.

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

En esta seccin, veremos cmo el mtodo de las variables o o e instrumentales (IV) puede resolver el problema de la endogeneidad de una o mas variables explicativas. Como ejemplo, sea el problema de la capacidad innata, no observada, en la ecuacin del salario de adultos que trabajan. Un o modelo inicial es: log (wage) = 0 + 1 educ + 2 abil + e, donde e es el trmino de error. e

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Supongamos que, o no disponemos de una variable prxima, o sta o e no tiene las propiedades m nimas para que obtengamos un estimador consistente de 1 . Entonces, si metemos abil junto el trmino de error, nos queda el modelo de regresin sencillo: e o log (wage) = 0 + 1 educ + u, (2)

donde u contiene a abil . Si estimamos este modelo por OLS, obtenemos un estimador de 1 , que ser sesgado e inconsistente si a educ y abil estn correladas. A pesar de esto, resulta que a podremos utilizar el modelo (2) como base de nuestra estimacin o si podemos encontrar una variable instrumental para educ.

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

En concreto, volviendo a escribir el model de regresin sencillo, o y = 0 + 1 x + u, con x y u posiblemente correladas: Cov (x, u) = 0. El mtodo de las variables instrumentales funciona tanto si x y u e estn correladas como si no lo estn, pero, por razones que a a veremos despues, si estn incorreladas es mejor usar OLS. a Para poder tener estimadores consistentes de 0 y 1 cuando x y u estn correladas, necesitamos mas informacin. Supongamos que a o tenemos una variable observada z que cumple dos condiciones: Cond. 1 z est incorrelada con u, o sea, cov (z, u) = 0; a Cond. 2 z est correlada con x, es decir,cov (z, x) = 0. a
Helena Veiga Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Llamamos a z una variable instrumental para x. Estas dos condiciones son muy distintas, en el sentido de que la primera nunca la podemos contrastar, porque el error u no se observa. Nos conformaremos con creer que se cumple esta condicin porque ello se deduzca de la teor econmica o o a o simplemente por intuicin. En cambio, la condicin de que z o o est incorrelada con x en la poblacin se puede contrastar con la e o muestra aleatoria. La manera mas sencilla de hacerlo es ajustar una regresin entre x y z. Para la poblacin ser: o o a x = 0 + 1 z + v .

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Entonces, como 1 = Cov (z, x)/Var (z), la segunda hiptesis se o cumple si y solo si = 0. Por tanto, si x y z estn correladas, para a un nivel de signicacin sucientemente pequeo (p.ej. 5 % o 1 %), o n rechazaremos la hiptesis nula o H0 : 1 = 0 frente a la alternativa bilateral H0 : 1 = 0. En este caso, podemos tener una conanza razonable de que la segunda condicin se o cumple. En el ejemplo del salario (o su logaritmo) wage, una variable instrumental z para educ debe estar 1) incorrelada con la capacidad innata abil (y con cualquier otro factor no observable que explique a wage), y 2) correlada con educ. Por ejemplo, la variable ultima cifra del DNI seguramente estar incorrelada con a abil , pero no estr correlada con educ, asi que no nos servir como a a variable instrumental para educ.
Helena Veiga Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Lo que hab amos llamado variable prxima (proxy) a una variable o no observada tampoco es una buena variable instrumental por el motivo contrario. Por ejemplo, una variable prxima a abil o estar muy correlada con ella, pero debe no estarlo para ser una a buena variable instrumental. Una posible IV para educ ser el nmero de hermanos que ten el a u a individuo en la poca en que recib la educacin. Es probable que e a o el nmero de hermanos est incorrelado con abil , pero correlado u e con educ. Ahora vamos a demostrar que la disponibilidad de una variable instrumental se puede utilizar para estimar consistentemente los parmetros de la ecuacin (2). a o

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Dado el modelo sencillo: y = 0 + 1 x + u, la covarianza entre z e y es cov (y , z) = 1 cov (x, z) + cov (z, u). y, por las condiciones 1 y 2 que deben cumplir las variables instrumentales, cov (z, u) = 0 y cov (z, x) = 0, por tanto 1 = cov (y , z) . cov (x, z)

Despus de simplicar los tamaos muestrales de numerador y e n denominador obtenemos el siguiente estimador de 1 mediante IV: 1 =
n i (zi n i (zi

z )(yi y ) z )(xi x )
Cap tulo 5: Regresores Endgenos o

Helena Veiga

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

El estimador de IV de 0 es simplemente 0 = y 1 x , o sea, es 1 estimado por IV en vez de por parecido al de OLS, pero con OLS. Una caracter stica del estimador de IV es que, cuando x y u estn a de verdad correladas, nunca es insesgado. Pero, para muestras pequeas, puede haber un sesgo importante. Por eso es preferible n utilizar muestras grandes con el estimador de IV:

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Dado el parecido de los estimadores de IV y de OLS, no nos sorprende el que el estimador de IV tenga una distribucin o aproximadamente normal para muestras grandes. Para hacer o pica con la inferencia acerca de 1 , necesitamos una desviacin t que poder calcular estad sticos t e intervalos de conanza. Lo habitual es imponer hiptesis de homocedasticidad, como en el o caso de OLS. Pero ahora la homocedasticidad es condicional en la variable instrumental, en lugar de serlo en la variable explicativa endgena x, es decir, tenemos el resto de hiptesis sobre u, x, y z, o o y, adems, a E (u 2 |z) = 2 .

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

La varianza asinttica de 1 es ahora: o 2 , 2 nx 2 xz

2 donde x es la varianza poblacional de x, 2 es la varianza poblacional de u, y 2 es el cuadrado de la correlacin poblacional o xz entre x y z. De esta forma podemos obtener una desviacin t o pica para el estimador de IV. Todas las cantidades necesarias se pueden estimar en forma consistente a partir de una muestra aleatoria. 2 Para estimar x , simplemente calculamos la varianza muestral de los xi ; para estimar 2 , podemos obtener el R cuadrado de la xz 2 regresin de los xi sobre los zi , es decir Rx,z . Finalmente, para o n 2 2 , podemos usar 2 = estimar i ui /(n 2). 1 es, pues, la raiz cuadrada de: La desviacin t o pica (asinttica) de o

2 , 2 SSTx Rxz
Helena Veiga Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

donde SSTx es la suma total de cuadrados de los xi . La desviacin o t pica que se obtiene se puede usar para construir o estad sticos t para hiptesis sobre 1 o intervalos de conanza. o Es informativo el comparar las varianzas asintticas de los o estimadores de IV y OLS cuando x y u estn incorrelados. Bajo las a hiptesis de Gauss-Markov la varianza del estimador de OLS es o 2 2 /SSTx , mientras que para el estimador de IV es 2 /(SSTx Rx,z ); Como un R cuadrado est entre 0 y 1, la varianza de IV es siempre a 2 mayor o igual que la de OLS (si OLS es vlido, claro). Si Rx,z es a pequeo, entonces la varianza de IV puede ser mucho mayor que la n de OLS, pero si el R cuadrado es 1, entonces las dos varianzas son iguales (o sea, si x est incorrelada con u, entonces la misma x a puede ser la variable instrumental de x).

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Estimacin por MC2E-Modelos de Ecuaciones Simultneas o a

Sea el sistema de ecuaciones simultneas de antes en forma a estructural: y1 = 1 y2 + 1 z1 + u1 (2) y2 = 2 y1 + 2 z2 + u2 (3) cuya forma reducida es: y1 = 11 z1 + 12 z2 + v1 , (4) y2 = 21 z1 + 22 z2 + v2 (5), donde 11 = 1 2 /(1 1 2 ), 12 = 1 /(1 1 2 ), a o v1 = (u1 + 1 u2 )/(1 1 2 ). Adems, en cuanto a la ecuacin (5), es 21 = 2 1 /(1 1 2 ), 22 = 2 /(1 1 2 ) y v2 = (u2 + 2 u1 )/(1 1 2 ).
Helena Veiga Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Como, en la forma reducida, cada ecuacin solo tiene variables o exgenas, podemos estimar la forma reducida por OLS, y los o a estimadores de los ij sern BLUE. El mtodo de m e nimos cuadrados bietpicos consta de dos pasos, e el primero es el que acabamos de describir, estimar la forma reducida por OLS (una vez que sepamos que el modelo est identicado). Entonces se estiman y1 e y2 mediante: a y1 = 11 z1 + 12 z2 y2 = 21 z1 + 22 z2 . En el segundo paso, estas estimaciones se usan como instrumentos de y1 e y2 en la forma estructural del sistema. Ntese que son de o verdad instrumentos, porque estn incorrelados con los vj y, por a tanto, con los uj y, en cambio, estn correlados con los yj a
Helena Veiga Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Es decir, en el segundo paso, sustituimos los yj endgenos de la o forma estructural por sus instrumentos y estimamos el modelo resultante por OLS: y1 = 1 y2 + 1 z1 + u1 y2 = 2 y1 + 2 z2 + u2 A estos dos pasos se les llama m nimos cuadrados bietpicos a (MC2E o 2SLS) y se obtiene as un estimador que es consistente, pero no es eciente ni insesgado.

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

El estimador de MC2E es menos eciente que el de OLS cuando las variables explicativas son exgenas. o Por tanto, es util disponer de un contraste de endogeneidad para saber si necesitamos los MC2E. La obtencin de un contraste de o este tipo es sencilla. En el ejemplo anterior tenemos, para y1 , y1 = 1 y2 + 1 z1 + u1 , (3)

con z1 exgena. Si y2 est incorrelada con u1 , deber o a amos estimar la ecuacin por OLS. o

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Como podemos contrastar esto? Hausman (1978) sugiri comparar las estimaciones de OLS y o MC2E y determinar si la diferencia entre ambas es estad sticamente signicativa La idea es que ambos, OLS y MC2E son consistentes si todos los regresores son exgenos, por tanto, si o OLS y MC2E son muy distintos, y2 debe ser endgena (seguimos o suponiendo que las zj son exgenas). o Es una buena idea calcular las estimaciones de OLS y MC2E para ver si son muy diferentes. Para determinar si la diferencia es signicativa, lo mas sencillo es hacer un contraste de regresin. o Este se basa en estimar la forma reducida de y2 , o sea y2 = 21 z1 + 22 z2 + v2

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Ahora, como los zj estn incorrelados con u1 , y2 estar incorrelado a a a con u1 si y solo si v2 est incorrelado con u1 ; esto es lo que tenemos que contrastar. Escribimos u1 = 1 v2 + e1 , donde e1 est incorrelado con v2 y tiene media cero. Entonces, u1 y v2 estn a a incorrelados si y solo si 1 = 0. La manera ms sencilla de llevar esto a la prctica es incluir a v2 a a como regresor adicional en (3) y hacer un contraste de la t. El problema es que v2 es un trmino de error y, por tanto, no lo e observamos. Pero como podemos estimar la forma reducida en la ecuacin de y2 , tambin podemos calcular los residuos de esta o e forma reducida, v2 .

Helena Veiga

Cap tulo 5: Regresores Endgenos o

Esquema 5.1 Causas de la endogeneidad 5.2 Estimador de variables instrumentales 5.3 Contrastes de endogeneidad

Por tanto, estimamos y1 = 1 y2 + 1 z1 + 1 v2 + error , mediante OLS y contrastamos H0 : 1 = 0 con el estad stico de la t. Si rechazamos H0 para un nivel de signicacin pequeo, o n deducimos que y2 es endgena, puesto que v2 y u1 estn o a correlados.

Helena Veiga

Cap tulo 5: Regresores Endgenos o