Qu es la econometra?

Literalmente econometra significa medicin econmica y es el arte de identificar y cuantificar las relaciones causales inherentes entre los fenmenos econmicos. La econometra es el estudio de la aplicacin de mtodos estadsticos para el anlisis de fenmenos econmicos. La econometra es la unificacin de la teora econmica, las herramientas matemticas y la metodologa estadstica. En un sentido ms amplio, a la econometra le concierne la estimacin de relaciones econmicas, la confrontacin de la teora con los hechos, la prueba de hiptesis acerca del comportamiento econmico y el pronstico del comportamiento de las variables econmicas.

Para su aplicacin, la econometra se compone de: Especificacin.- La construccin de modelos. Estimacin.- Ajustar el modelo a los datos. Verificacin.- Probar el modelo. Prediccin.- Usar el modelo.

Ilustracin #1: Especificacin de un Modelo Economtrico Simple para la Teora Keynesiana de Consumo: (1)

En donde: ; ; y = parmetros.

La ecuacin (1) es un ejemplo de un modelo matemtico. Un modelo es simplemente un conjunto de ecuaciones matemticas. El modelo dado en (1) asume que existe una relacin exacta o determinstica entre el consumo y el ingreso; sin embargo, esto generalmente no ser as. Lo anterior se debe a que adems del ingreso hay otras variables que tambin afectan al gasto en consumo. Por ejemplo, tamao de la familia, edades de los miembros de la familia y nivel de educacin, entre otras.

Para que una relacin inexacta entre las variables ingreso y gasto en consumo sea permisible, la ecuacin (1) debe modificarse como sigue: (2) La ecuacin (2) es un ejemplo de un modelo economtrico. Mediante la inclusin de la variable aleatoria (estocstica) , conocida como el trmino de error o perturbacin, podemos hipotetizar, adems de una relacin lineal entre y ; que la relacin entre las variables no es exacta. , el trmino de error, es debido a: 1) Omisin de la influencia de eventos aleatorios innumerables. 2) Errores en la medicin. 3) Comportamiento humano indeterminado.

La estimacin del modelo consiste en obtener los valores numricos para los parmetros a partir de los datos disponibles. La principal herramienta estadstica de estimacin es el anlisis de regresin. Los son los parmetros y son fijos en el tiempo y a travs de los individuos.

A fin de determinar los valores numricos de los parmetros, la eleccin de los datos es muy importante. Estos podran ser: 1) Series de tiempo para el pas, anuales o trimestrales, de 1950-1992, por ejemplo. 2) Datos de corte transversal a travs de entidades federativas (32 entidades para 1992). 3) Combinacin de entidades federativas a travs del tiempo (1950-1992).

La verificacin se efecta mediante inferencia estadstica para determinar si las estimaciones obtenidas cumplen con las expectativas de la teora sobre la que se sustenta el modelo. La prediccin o pronstico de los valores futuros de una variable dependiente se hace sobre la base de valores conocidos o esperados de las variables explicativas y constituye la utilizacin ms frecuente de un modelo economtrico estimado.

El procedimiento estadstico para estimar los valores de los parmetros en el modelo general:

En donde:

Debe poseer ciertas propiedades estadsticas de los estimadores que se consideran deseables tales como que el estimador sea insesgado, eficiente o de varianza mnima y consistente.

Los estimadores son las frmulas utilizadas para obtener algn valor estimado, por ejemplo, el estimador Mnimo Cuadrado Ordinario (MCO):

Un valor estimado es el valor numrico resultado de la aplicacin de la anterior frmula, ejemplo:

El mtodo de estimacin ms utilizado es el de Mnimos Cuadrados Ordinarios (MCO). Su el criterio se basa en:
L

Ilustracin #2:

La estructura bsica de un modelo economtrico se puede entender mejor con un ejemplo simple en el que la variable dependiente ( ) es relacionada con una variable independiente ( ). Considrese un agente de bienes races que est interesado en relacionar el precio de venta de una casa con sus caractersticas, tales como el tamao del terreno, el rea de la sala-comedor, el nmero de recamaras y de baos, por mencionar unas cuantas. En particular, el agente desea conocer cul es la contribucin de un atributo especfico en la determinacin del valor de la propiedad. Aunque todas las caractersticas que se mencionaron son importantes en la explicacin de las diferencias en los precios a travs de las casas, para propsitos de nuestra ilustracin consideremos solo una caracterstica, digamos el rea de la sala-comedor. Supongamos PRECIO es el precio de venta de una casa y MTC es el rea de la sala-comedor en metros cuadrados. Suponiendo por simplicidad que la relacin entre estas dos variables es lineal, podemos obtener la ecuacin: PRECIO recta. MTC, en donde es el intercepto y es la pendiente de la lnea

Suponga que identificamos dos casas con la misma rea de sala-comedor. A pesar de esto, sus precios de venta no necesariamente son los mismos. Esto pudiera deberse a un efecto aleatorio, o ms probablemente a diferencias en las caractersticas de las dos casas que no fueron tomadas en cuenta por el modelo (por ejemplo tamao del patio). Por lo tanto la relacin no va ser precisa sino ms bien sujeta a errores. Para considerar estos errores, un modelo economtrico se podra formular como: PRECIO MTC (3)

En donde es una variable aleatoria no observable llamada trmino de error que posee ciertas propiedades estadsticas. El trmino de error va a variar de observacin a observacin. La ecuacin (3) es conocida como el modelo simple de regresin lineal. La primer parte del modelo es determinstica y el trmino de error es la parte estocstica. Supongamos que fijamos MTC en los cinco niveles 20, 25, 30, 35 y 40, y enumeramos todas las casas en un lugar dado que tienen (o estn muy cerca de) uno de estos niveles, y obtenemos sus precios de venta. Aun cuando dos casas tengan la misma rea de sala-comedor, sus precios de venta podran ser diferentes.

En lo que estamos interesados aqu es en medir cuanta de la variacin del precio es estadsticamente debida al factor MTC. Los pares de valores PRECIO y MTC se grafican en la figura siguiente en donde los crculos denotan dichos pares. Debido a que casas ms grandes implican precios ms altos, se espera que los puntos en el diagrama exhiban la lnea ascendente a medida que nos movemos a la derecha sobre el eje horizontal.

Enseguida calculamos el precio promedio para cada uno de los cinco niveles de MTC, en la figura estos puntos se denotan mediante una . El supuesto detrs de la ecuacin (3) es que estos puntos promedio yacen sobre la lnea recta MTC.

La parte determinstica se puede pensar como una relacin promedio estadstico entre la variable dependiente y la variable independiente para toda la poblacin de casas en el lugar bajo estudio. Por esta razn y se conocen como parmetros de la poblacin. La relacin promedio real conocida como regresin de la poblacin nunca es conocida, pero una relacin estimada se puede obtener a partir de la muestra. El trmino de error no observable representa los efectos de las variables omitidas y aleatorios.

Puesto que sera prohibitivo encuestar todas las casas en un rea para determinar los valores de y , un investigador podra en su lugar obtener una muestra de casas y usar la informacin obtenida para esta muestra para establecer inferencias no solo acerca de los valores poblacionales de y sino tambin acerca de lo adecuado del supuesto de la lnea de regresin de la ecuacin (3).

Ejemplo #1: Supngase que se encuestaran a todos los hogares en una ciudad y se midiera sus ingresos mensuales (Y) y el total de gasto en todo los bienes y servicios (C). Si graficamos C contra Y, obtendramos un diagrama similar al de la figura anterior, pero con el ingreso en el eje X y el consumo en el eje Y.

A continuacin tomemos todos los hogares con un ingreso de $500 (o cercano) y promediemos los gastos de consumo correspondientes. Repitamos el procedimiento para los hogares con los ingresos mensuales aproximados de $1,000, $1,500, $2,000 y as sucesivamente, y calculemos los niveles promedio de consumo correspondientes. Luego graficamos estos promedios contra 500, 1,000, 1,500 y as sucesivamente. De nuevo asuma que estos puntos promedio yacen sobre una lnea recta ( ). Debido a que los hogares con el mismo ingreso van a diferir en los niveles de consumo, una observacin (Y, C) tpica no es probable que yazca sobre la lnea recta.

Por lo tanto el modelo de regresion lineal simple correspondiente a este ejemplo ser:

En la prctica no encuestaramos todos los hogares sino que obtendramos una muestra de ellos y usaramos las observaciones para estimar los parmetros desconocidos y , as como para conducir pruebas y probar la validez del supuesto acerca de que la relacin promedio entre consumo e ingreso es lineal.

Ejemplo #2: En la teora de la demanda del consumidor, un analista comnmente formula una funcin de utilidad y la maximiza sujeta a una restriccin de presupuesto. Esto lleva a las funciones de demandas derivadas de los bienes. En particular, se puede mostrar que, bajo ciertos supuestos, el gasto en un bien (E) es proporcional al ingreso (Y). Tal relacin es conocida como curva de Engel. Esto conlleva al siguiente modelo economtrico en donde tericamente es cero:

El coeficiente se interpreta como la propensin marginal a gastar en el bien con respecto al ingreso. Por lo tanto, un incremento en una unidad monetaria en el ingreso se espera que incremente el gasto promedio en el bien por unidades monetarias. Usando datos sobre hogares, se puede estimar esta funcin de gasto y probar la hiptesis de que el intercepto es cero.

Modelo Lineal Simple

En econometra se trata exclusivamente con relaciones estocsticas, de las que la forma ms simple entre dos variables, y , es el modelo de regresin lineal simple: Observaciones de y pueden ser series de tiempo o bien, de corte transversal

Por qu estocstico? Para cada valor de existe toda una distribucin probabilstica de valores de ; es decir, el valor de no puede nunca pronosticarse con exactitud. Esto se debe a la presencia del trmino aleatorio de error ( ), cuya aleatoriedad se transmite a .

La especificacin completa del modelo de regresin incluye tambin una especificacin de la distribucin probabilstica del trmino aleatorio de error y una determinacin de los valores de la variable explicativa. Por tanto, los supuestos bsicos son: 1) 2) Media cero: 3) Homocedasticidad: 4) No autocorrelacin:

( (

) )

5) , no corrlacionados: 6) Normalidad: 7) no estocstica.

Estos supuestos se utilizan para derivar los estimadores de los parmetros de regresin. Puesto que se asume con , lo nico que no se conoce de su distribucin es su varianza, . Por lo tanto, el modelo involucra tres parmetros desconocidos: , y (la varianza de ). Por lo general, los valores de observados no caern exactamente sobre la lnea de regresin de la muestra, de tal modo que los valores de observados y de ajustados deferirn. Esta diferencia es conocida como el residual, . (Poblacin) (Valor observado de (Muestra) )

es el efecto sobre ante un cambio en , manteniendo los otros factores que afectan a (en este caso los no observables) fijos, es decir, de modo que .

Cmo es posible determinar el efecto ceteris paribus de sobre , manteniendo fijos otros factores, cuando no se observan y no se conocen todos esos otros factores?

Estableciendo un supuesto que restrinja la forma en que relacionado con (la variable explicativa).

(no observable) est

Para ello, el primer paso es suponer que el valor promedio de cero.

en la poblacin es

El supuesto acerca de cmo

estn relacionados es:

Para cualquier valor dado de , el valor esperado de ser igual al valor promedio de en la poblacin. Por lo tanto, combinando ambos supuestos, tenemos:

es el mismo y por tanto debe

Que se conoce como el supuesto de media condicional cero para u. El valor medio o esperado de no depende del valor de .

El supuesto de media condicional cero hace que se interprete como el cambio en el valor esperado de ante un cambio unitario en el valor de .

Para estimar los parmetros

Usando:

Cuyas contrapartes muestrales son:

De donde:

En donde:

Por tanto,

Suponiendo que:

Estimacin por el Mtodo de Mnimos Cuadrados Ordinarios (MCO)

Derivando SCE con respecto a y , e igualando stas derivadas parciales a cero:

Multiplicando por

Reordenando se obtienen las ecuaciones normales:

Dividiendo por n la primera ecuacin normal:

La lnea de regresin de la muestra pasa por el punto promedio ( .

Para obtener los valores de solucin para y de las ecuaciones normales:

(de la segunda ecuacin)

(1)

Se puede demostrar que:

(2) (3)

Demostracin de ecuacin (2):

Como es la misma para cada

, entonces:

Tambin,

Por tanto,

Retomando: ( ( ( ( ) )( ) ) ) ( ) ) ( ) ( )

Demostracin de Ecuacin (3): ( )( )

La solucin para se obtiene de la primera ecuacin normal:

De dnde:

Para obtener :

Sustituyendo en (1):

Resolviendo para :

Otro aspecto aplicado es lo que se conoce como coeficiente de determinacin R. En parte, la variacin en y es debida a cambios en x, la variable explicativa, y en parte es debida al efecto del trmino aleatorio de error. Qu tanto de la variacin observada en y se puede atribuir a x y qu tanto al trmino de error?

O bien,

En donde:

SCE= Suma de Cuadrados del Error: Variacin en y atribuida al trmino de error. SCT= Suma de Cuadrados Total: Variacin total en y. SCR= Suma de Cuadrados de la Regresin: Variacin en y atribuida a la variable independiente x.

Prueba:

Pero

Dado que:

Ya que Entonces,

de las ecuaciones normales.

Adems, ntese que:

Y su cuadrado es:

Propiedades de a) b)

vara de 0 a 1. aumenta con el nmero de variables explicativas. como el coeficiente de correlacin entre x y y donde:

Definamos

Pero:

Por lo que:

Ya que:

Concluimos que

en el modelo simple.

Descomposicin de la varianza de y.

Pero ,

Por lo tanto,

Coeficiente de Correlacin entre x y y

Me salto 36-45

Propiedades estadsticas de los estimadores

: modelo de la poblacin Se utiliza ahora para estudiar las propiedades estadsticas de y como estimadores MCO de los parmetros y . Es decir, estudiaremos las propiedades de las distribuciones muestrales de y .

Insesgamiento
Para establecer la propiedad de Insesgamiento de los estimadores MCO se requiere establecer cuatro supuestos.

Supuesto 1. El modelo es lineal en parmetros.

} que proviene de la Supuesto 2. Muestra aleatoria de tamao n: { poblacin. De tal modo que el modelo en trminos de la muestra aleatoria queda como:

Supuesto 3. Media condicional cero.

Para una muestra aleatoria este supuesto implica:

Supuesto 4. Variacin muestral en la variable independiente es equivalente a:

y son insesgados son necesarios

Para demostrar que los estimadores MCO de estos cuatro supuestos.

Puesto que:

Pero

Entonces,

Demostracin de la propiedad de Insesgamiento

* [ ] +

[(

( [(

) ]

) ]

Bajo los supuestos 1 al 4 los estimadores MCO de y son insesgados:

Prueba para :

+ *

+
+

En donde,

Usando resultados anteriores,

Tomando el valor esperado condicional dado :

Usando anteriores resultados sabemos que:

Por tanto,

De donde,

Tambin, bajo los supuestos 1 al 4, los estimadores MCO de y son consistentes: Prueba para :

A medida que tiene a

, , entonces,

tiende a su valor esperado,

, mientras que

A medida que :

Varianzas de los estimadores MCO

Supuesto 5. Homocedasticidad.

La varianza del trmino de error no observable, condicional en x, es constante.

Puesto que,

[ .

] ,y

, entonces

Por lo tanto,

ya que

En trminos de y:

Cuando la

depende de x, el trmino de error exhibe heterocedasticidad.

Puesto que es una funcin de x.

, la heterocedasticidad se presenta cuando la ,

Bajo los supuestos 1 al 5,

( )

( )

Demostracin:

( ) ( ( ( ( ( ( )

( )

) (

) ) ) )

) ( ) ( ) ( )

( * + *

)(

+ + * +

* +

Derivacin alternativa de la varianza del estimador de

Por resultados anteriores sabemos que:

Por tanto,

( )
Pero

Por tanto,

Asimismo, se sabe que

Entonces,

*
Pero,

Entonces,

De donde,

( )

De manera similar,

( ) ( )

[( [
sera:

) ]

El estimador de la varianza del error

Sin embargo, este estimador es sesgado debido a que no toma en cuenta las restricciones,

Que los residuales MCO deben cumplir.

Por tanto, el estimador insesgado es:

Sustituyendo por en las frmulas anteriores se obtienen los estimadores insesgados para las varianzas de y de , ( ), ( ).

Demostracin:

es un estimador insesgado de

Ya que:

( )

) ( )

Sabemos que

Por tanto,

(
Ya que,

Por lo que,

Por lo tanto:

Sabemos que distribuciones de la varianza muestral ( ). Adems,

, por propiedades de las

*(

) +

( )

Por tanto:

*(

) +

De donde,

: Es el error estndar de la regresin

es una estimacin de la desviacin estndar de los factores no observables que afectan a . Dicho de otra manera, es una estimacin de la desviacin estndar en despus de quitar el efecto de . se utiliza principalmente para obtener una estimacin de las desviaciones estndar de y . Error estndar de :

Que son de vital importancia para efectuar pruebas estadsticas y para construir intervalos de confianza.

Regresin a travs del origen

Para obtener el estimador MCO de

se minimiza la suma de cuadrados.

Cuya condicin de primer orden para resolver para es,

De donde,

es el estimador MCO de .

( )

IMPLEMENTACIN EMPRICA DEL MODELO ASIGNACIN DE PRECIO DE UN ACTIVO DE CAPITAL (CAPM) Uno de los principales objetivos de cualquier inversionista del mercado de acciones es conocer, a travs de una ecuacin, los movimientos en los rendimientos de los activos sobre los cuales est desarrollando su anlisis de inversin con la finalidad de prever cualquier cambio en estos valores. El estudio emprico del mercado de acciones y las relaciones entre los rendimientos de los activos proporciona una til introduccin al anlisis economtrico a travs del modelo Capital Asset Pricing Model (CAPM). Este modelo relaciona los movimientos en el rendimiento de un activo j a las fluctuaciones del rendimiento del mercado y al riesgo implcito del activo. El procedimiento economtrico del CAPM involucra derivar una ecuacin estimable de la cual parte el anlisis:

En donde: j

Ahora se generaliza la ecuacin dada aadiendo un intercepto error estocstico , cuya distribucin es:

y un trmino de

As, la ecuacin estimable se extiende a la siguiente expresin:

)(

Que de manera compacta se puede reducir a la siguiente expresin:

En donde a partir de los datos originales de los rendimientos del activo j, del mercado y del activo libre de riesgo, se construyen las siguientes variables con la finalidad de realizar la implementacin economtrica correspondiente:

Posteriormente, los parmetros estimados tendrn la siguiente interpretacin: j = Representa el intercepto de la ecuacin y podra interpretarse como la inercia del riesgo del activo ajena al riesgo de mercado. Estrictamente, de acuerdo con el modelo CAPM este parmetro debe ser cero, por lo que esta es una de las hiptesis que deben someterse a prueba. j = j / m = Razn de desviaciones estndar que muestra la dependencia del rendimiento del activo j con respecto al mercado. Entre mayor sea este valor estimado, los movimientos en el rendimiento del activo pueden atribuirse a los movimientos del mercado.

Estos valores estimados, conocidos como k, o valor , constituyen una medida de la varianza marginal relativa del k-esimo activo en relacin al portafolio. Si el rendimiento del portafolio aumenta en 1% entonces el rendimiento del k-esimo activo aumenta en k * 1%. k es entonces una medida de la sensibilidad del rendimiento del k-esimo activo ante una variacin en el rendimiento del portafolio. k resume la dependencia ante el riesgo del portafolio. De aqu que ks mayores que uno son consideradas de activos riesgosos mientras ks menores que uno como activos menos riesgosos.

Ya que el valor de R2 de la regresin estimada indica la proporcin de la variacin en la variable dependiente explicada por la variable independiente, en el contexto del modelo CAPM este valor mide la proporcin sistemtica (o de mercado) del total de riesgo. Por lo tanto, el riesgo especfico (no sistemtico) se puede reducir mediante diversificacin del portafolio, entonces una R2 baja implica (1 R2) alta, lo que a su vez implica que hay mucha parte del riesgo que se puede reducir mediante diversificacin. Es importante observar que valores altos para R2 no necesariamente corresponden a valores estimados altos para j.