1

I. INTRODUCCIN A LOS MODELOS ECONOMTRICOS

1. MODELOS ECONMICOS Y MODELOS ECONOMTRICOS

MODELO ECONOMICO: TEORIA ECONOMICA NO CUANTIFICAN LAS RELACIONES SE ESTUDIAN LAS PROPIEDADES

MODELO ECONOMETRICO: LAS RELACIONES SE FORMULAN DE FORMA EXPLICITA, CON UNOS PARAMETROS DESCONOCIDOS QUE SE ESTIMAN A PARTIR DE DATOS DE LAS VARIABLES QUE INTERVIENEN EN EL MODELO LAS RELACIONES NO SON EXACTAS: SE INTRODUCEN UNAS VARIABLES O PERTURBACIONES ALEATORIAS PARA INDICAR LA PARTE NO EXPLICADA POR EL MODELO Ejemplo: propensin marginal al consumo elasticidad del consumo respecto de la renta

C = f(R)
1

PM =

dC dR

EC|R=

d lnC d lnR

Libro: ECONOMETRA: MODELOS ECONOMTRICOS Y SERIES TEMPORALES con los paquetes TSP y TSP. Editorial Revert (calle Loreto 13-15). Barcelona. Espaa 1998. Autor: Jos M Caridad y Ocerin. ISBN 84-291-26139 (dos tomos)

EJEMPLO DE MODELO
La evolucin del consumo de acero (millones de Tm) en un Espaa durante los (17) aos 1969 a 1985 aparece en la siguiente tabla
5.98 7.46 11.35 12.18 8.03 12.64 9.53 12.90 10.81 13.18 11.48 11.09 13.04 13.50 10.98 11.17 14.19

Se trata de ver si podra predecirse el consumo que hubo en la segunda dcada de los 80.
16 14 12 10 8 6 4 70 72 74 76 78 80 82 84 86 88 90 ACERO

Informacin grfica: Tendencia Inflexin en 1974 Oscilaciones cclicas

Ayuda en la eleccin de una forma funcional

Modelos alternativos

yt = 0 + 1t + t yt = 0 + 1t + 2 t 2+ t yt = 0 + 1 yt-1 + t yt = 0 + 1 yt-1 + 2 t + t yt = 0 + 1 yt-1 + 2 t + 3 t2 + t

Ajuste de una recta:

18 16 14 12 10 8 6 4 70 72 74 76 78 80 YEST 82 84 86 88 90 ACERO ACEROF

Recta estimada:

Acerot = 7.383 + 0.41828 t + et

t = 1, 2, 3, ......, 17 r2 = 0.87

Predicciones: 1986: t = 18 1987: t = 19

Acro18 = 7.383 + 0.41828 18 = 14.49 Acro19 = 7.383 + 0.41828 19 = 14.91

Lmites en el uso del modelo: Horizonte de prediccin Especificacin: forma funcional bondad del ajuste variables causales o explicativas

Uso del conocimiento econmico

2.

ELEMENTOS DE UN MODELO ECONOMTRICO

variables: endgena (y)
predeterminadas: exgenas (x1,x2,....) endgena retardada perturbaciones aleatorias () parmetros (, , 1, 2,.....)

Clases de modelos: estticos o de corte transversal

dinmicos uniecuacionales multiecuacionales lineales no lineales modelos con variable endgena numrica modelos con variable endgena cualitativa

Especificacin de la forma estructural

y = + x + y = 0 + 1x1 + 2x2 + ..... + kxk + ln y = + x + y = 0 + 1x + 2x2 + y = e x + y = x1 1x2 2 + y=
1 1+ e
( + x )

ln y = * + x + * ln y = * + 1lnx1 + 2lnx2 + *

Elementos de ayuda para la especificacin:

1. conocimiento econmico diagramas causales 2. diagramas de dispersin medidas de asociacin entre variables tests y otras tcnicas estadsticas 3. probar varias especificaciones alternativas anlisis estadstico de los errores 4. anlisis de los resultados obtenidos y su lgica econmica predicciones Qu ocurre si una especificacin es inadecuada?

Cmo decidir si una especificacin es inadecuada?

Un modelo no es la realidad, sino una representacin abstracta que debe ayudar a comprender mejor la realidad. No tiene porqu existir un mejor modelo, ni siquiera poder afirmar categricamente que un modelo es mejor que otro.

FASES EN LA CONSTRUCCIN DE UN MODELO

Especificacin: Se basa en la Teora Econmica y en el conocimiento de la situacin a modelizar No hay que perder nunca de vista los objetivos Existen herramientas estadsticas de ayuda

Estimacin de un modelo:
Datos: (y1,x1), (y2,x2), .... , (yn,xn) Modelo terico: y = + x +

yi = + xi + i
Modelo estimado: y = a + b x + e

i = 1,2,...,n

yi =a + b xi + ei
Mtodos de estimacin:

i = 1,2,...,n

Modelos uniecuacionales

Mnimos cuadrados Mnimos cuadrados generalizados o mtodo de Aitken Mnimos cuadrados condicionados Mxima verosimilitud Modelos multiecuacionales Mnimos cuadrados bietpicos Mnimos cuadrados trietpicos Mxima verosimilitud

Medidas de ajuste: Coeficiente de determinacin r2 Criterios de Akaike y de Schwarz

Contrastes diagnsticos sobre el modelo estimado Tests sobre la especificacin Tests T para la inclusin/exclusin de variables Anlisis de los residuos Congruencia econmica de los resultados Lgica en las predicciones

Naturaleza de las perturbaciones aleatorias 1, 2,....., n Variables aleatorias i N(0, 2 ), centradas, homocedsticas no autocorreladas Cov(i , j) = 0 i j La estructura (ideal) de las perturbaciones es ruido blanco Representan a todas las variables explicativas de y, no incluidas en el modelo, por ser cada una de stas poco influyentes Naturaleza de los residuos e1, e2, ...., en Valores numricos, positivos y negativos Son los errores cometidos en la estimacin No deben tener tendencia en variabilidad (heterocedasticidad), ni estar relacionados unos con otros (autocorrelacin)

3. DESARROLLO HISTRICO DE LA ECONOMETRA

Anlisis estadstico actuarial: Renacimiento Series temporales: accidentes, precios, seguros, . Siglos XVII a XIX: desarrollo de la Teora de Probabilidad Siglo XX: desarrollo de la Estadstica Crisis del ao 1929 1930 Fundacin de la Econometric Society 1933 Revista Econometrica 1933 Comisin Cowles 1949 Jan Tinbergen: primer tratado de Econometra 1957 M.H. Quenouille Modelos Arma 1970 G.E.P. Box y G.M. Jenkins: Time Series Analysis Forecasting and Control 1980 Difusin de paquetes economtricos en ordenador 1990 Acceso masivo a informacin econmica

4. FUENTES DE ESTADSTICAS ECONMICAS

EUROSTAT INE BANCO DE ESPAA IEA Empresas Ceprede M. DE ECONOMIA INTERNET

I.N.E. Boletn Mensual de Estadstica Anuario Estadstico de Espaa Estadsticas de Poblacin Censos de poblacin, viviendas, edificios E.P.A. Movimientos de poblacion, mortalidad, natalidad Estadsticas sociales Censo electoral Estadsticas enseanza, hospitalarias, judiciales, indicadores sociales Encuesta de presupuestos familiares Estadsticas econmicas Contabilidad Nacional Tablas Input-Output Macromagnitudes de la economa espaola I.P.C. y otros ndices de precios Estadsticas de salarios, mercantiles,.... Coyuntura Estadsticas agrarias, industriales y del sector servicios

5.

PAQUETES ECONOMTRICOS EN ORDENADOR

DOS TSP TSP Taste WINDOWS EViews Rats Forecast Pro SCA Autobox Seats-Tramo SAS/ETS UNIX Rats SCA SAS/ETS

OTROS SISTEMAS OPERATIVOS

EJEMPLO DE CONSTRUCCION DE UN MODELO

RENDIMIENTO DE UN CULTIVO En una empresa agraria se realiza un experimento para evaluar la cantidad de fertilizante ptima para maximizar la ganancia, experimentando en n = 10 parcelas en las que se miden las variables: x = kg/ha de fertilizante Y = beneficios adicionales/ha en miles de ptas.
x 15 10 12 19 30 14 21 31 25 28 Y 55 45 49 62 73 51 5 79 69 72

80

60

40

20

0 5 10 15 20 X 25 30 35

ESTIMACION DE UN MODELO LINEAL SIMPLE LS // Dependent Variable is Y

Sample: 1 10 Included observations: 10 Variable Coefficient Std. Error t-Statistic Prob. p ----------------------------------------------------------------------C 26.85126 18.21619 1.474033 0.1787 X 1.421890 0.836962 1.698869 0.1278 ----------------------------------------------------------------------R-squared 0.265122 = R2 Mean dependent var 56.0

Adjusted R-squared 0.173 S.E. of regression 19.35 = s e

S.D. dependent var 21.28 = s y Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 6.1 6.2 2.886 = F 0.127 = p

Sum squared resid 2995.364 = Se Log likelihood -42.70056 Durbin-Watson stat 2.2533 = DW

Modelo estimado: Yi = 26.85 + 1.422 xi + ei =

i = 1,2,...,10
Yi

+ ei

VALORES ESTIMADOS Y RESIDUOS

i Y e Y obs Actual Fitted Residual Residual Plot ------------------------------------------------------------------------------------1 55 48.18 6.82 | . |* . | 2 45 41.07 3.93 | . |* . | 3 49 43.91 5.09 | . |* . | 4 62 53.87 8.13 | . |* . | 5 73 69.51 3.49 | . |* . | 6 51 46.76 4.24 | . |* . | 7 5 56.71 -51.71 |* . | . | 8 79 70.93 8.07 | . |* . | 9 69 62.40 6.60 | . |* . | 10 72 66.66 5.34 | . |* . |

80 60 40 20 20 0 -20 -40 -60 1 2 3 4 5 6 Actual 7 8 9 Fitted 10 Residual 0

MODELO SIN EL DATO ANORMAL

LS // Dependent Variable is Y Sample: 1 6 8 10 Included observations: 9 ---------------------------------------------------------------------Variable Coefficient Std. Error t-Statistic Prob. ----------------------------------------------------------------------c 31.4975 1.7016 18.51 0.0000 X 1.4757 0.078 18.95 0.0000 ----------------------------------------------------------------------R-squared 0.981 Mean dependent var 61.667 Adjusted R-squared 0.978 S.D. dependent var 12.176 S.E. of regression 1.800 Akaike info criterion 1.3688 Sum squared resid 22.68 Schwarz criterion 1.4127 Log likelihood -16.93 F-statistic 358.99 Durbin-Watson stat 2.402 Prob(F-statistic) 0.000000 ------------------------------------------------------------------------------ Modelo estimado: Yi = 31.4975 + 1.4756 xi + ei = Yi + ei i = 1,2,...,6,8,9,10

80 70 60 4 2 0 -2 -4 1 2 3 Residual 4 5 Actual 6 9 Fitted 10 50 40