Académique Documents
Professionnel Documents
Culture Documents
ECONOMETRIA I
I. INTRODUCCION
Econometria
Dos palabras de origen griego: Economa y Medida (Koutsoyiannis, 1977:3).
Trmino introducido por Ragnar Frisch en 1926, de origen noruego, para referirse a
estudios econmicos que hacen uso de mtodos estadsticos.
Desde sus orgenes y por su propia definicin, la econometra se ha movido entre
los campos de las teoras econmica y estadstica. As, 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 teora econmica, la
econometra se ha nutrido de las aportaciones de economistas cuyo campo de
accin es fundamentalmente la teora econmica (algo semejante puede decirse
de quienes centran su inters en la poltica econmica). Pero, simultneamente,
en la medida en que la econometra supone la aplicacin de la teora estadstica,
diversos estadsticos han incursionado en el terreno de aquella hacindola
evolucionar.
(Fuente: Para una breve historia de la econometra, Jos Fernndez Garca*/
Claramartha Adalid Daz de
Urdanivia)
Magen Infante
Clsica
Econometra Terica
Bayesiana
Clsica
Econometra Aplicada
Bayesiana
Econometra Aplicada
Utiliza herramientas de la Estadstica para estudiar modelos de algunos campos
especiales de la economa, los negocios u otros. En particular, puede estudiar temas
conocidos como:
1. Empleo
2. Desempleo
3. Crecimiento econmico
4. Consumo
5. Produccin
6. Inversin
7. Demanda y oferta
8. Inflacin
9. Importaciones
10. Portafolio, etc.
Magen Infante
Y a bX cW
b. Multi-ecuacionales.- El modelo consta de varias ecuaciones.
Y a bX cW
Z d eW fQ
Y Zt
C. Por la asociacin de las variables con el tiempo
a. Estaticos.- Todas las variables se refieren a un mismo periodo de tiempo.
Yt a bX t cWt
b. Dinmicos.- Las variables se refieren a distintos periodos de tiempo.
Yt a bX t 1 cWt
D. Por la finalidad
a. Previsin.
b. Decisin.
Magen Infante
Modelo economtrico
Como visto anteriormente, es una representacin simplificada de la realidad, que
involucra:
a) Relaciones o ecuaciones.- Modelo matemtico.
b) Variables.- Caractersticas de inters observables que pueden tomar
distintos valores.
c) Parmetros.- (o coeficientes) son valores que permanecen constantes y son
desconocidos de aquella relacin matemtica.
d) Trmino aleatorio.- (perturbacin aleatoria) que representa a todas las
caractersticas que no han podido ser includas en el modelo o relacin
matemtica.
Magen Infante
Magen Infante
1ra ETAPA:
Especificacin o
Construccin del
Modelo
Observacin
del
Mundo Real
Formulacin
de Hiptesis
Modelo
Matemtico
Modelo
Economtrico
2da ETAPA:
Estimacin
del
Modelo
Colecta de Datos
Apropiados
Estimacin
de los
Parmetros del
modelo
3ra ETAPA:
Evaluacin
del
Modelo
Estimado
Evaluacin
de Resultados:
Hiptesis
del modelo
No Aceptables
Revisin
de la
Metodologa
Desistencia
de las
Hiptesis
Aceptables
Inferencia,
Previsin
Toma de
Decisiones
Magen Infante
Magen Infante
Ejemplo 1:
Y 1 2 X
0 2 1
(planteada por un
Economista matemtico).
2 PMC
1 Intercepto
X
Y 1 2 X
0 2 1
pero que no son considerados en el modelo en forma explcita. Este ltimo sera
8
Magen Infante
Y=Consumo
X=Ingreso
Enero 2009
2505.6
3761.3
Febrero 2009
.
.
.
Diciemb 2009
2870.7
.
.
.
3248.9
4280.8
.
.
.
4822.1
Y 1 2 X
0 2 1
Y 1.5 0.70 2 X
donde
1 =-1.5
2 = 0.70
estimador de
1 y
estimador de
f) Prueba de hiptesis
Si el modelo ajustado es una aproximacin razonablemente buena de la realidad, se
necesitan criterios apropiados para encontrar si los valores estimados obtenidos en una
ecuacin como la anterior, concuerda con las expectativas de la teora que est siendo
probada.
Del modelo anterior, Keynes esperaba que la PMC sea menor que 1.
Se quiere responder a la pregunta es 0.70 estadsticamente menor que 1?
Si lo es, puede apoyar la teora de Keynes.
Estos criterios son conocidos como parte de la Inferencia Estadstica.
g) Proyeccin o prediccin
Si el modelo escogido confirma la teora, este modelo se puede utilizar para predecir
valores futuros o desconocidos de la variable dependiente Y, siendo que se conoce el
valor de X (variable predoctora) y se utilizan los estimadores 1 y 2 anteriormente
hallados.
Magen Infante
Ejercicio:
1.
2.
3.
4.
5.
6.
Responda:
Qu es un modelo?
Qu diferencia hay entre un modelo matemtico y un modelo economtrico?
Qu es un modelo no lineal?
Cules son las etapas del proceso metodolgico de la econometria?
Cules son los pasos del proceso metodolgico de la econometra?
Qu cree usted que es Especificacin de un modelo?
Carneiro de Matos, Orlando; 2da Edicin;
Editora Atlas S.A., Sao Paulo - Brasil 1997
10
Magen Infante
Series de Tiempo
Datos de Corte Transversal
Datos Agrupados
Datos de Panel
Datos Agregados
Variables Ficticias
Variables Aproximadas
1. Series de tiempo
Esta informacin se obtiene de la observacin de la variable en diferentes periodos de
tiempo. En usual, que las series de tiempo tengan periodicidad diaria, semanal,
mensual, trimestral y anual.
Las series de tiempo suelen estar altamente
correlacionadas debido a su evolucin paralela en el tiempo.
2. Datos de corte transversal
Consiste en datos de una o ms variables recogidos en un periodo de tiempo fijo y
determinado, registrados una sola vez para cada unidad. Puede ser, un da, una
semana, un mes, un ao, un periodo determinado para registrar una sola vez los datos.
3. Datos Agrupados
Los datos agrupados contienen informacin 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 caractersticas.
Unidad
de tiempo
ENERO
V1
V2
V3
V4
FEBRERO
MARZO
11
Magen Infante
5. Datos Agregados
Se dice de datos agregados cuando un economista cuenta con informacin agregada,
desconociendo el mtodo empleado para generarla.
Ejemplo: Se quiere estimar las Importaciones de un pas, (Mxico por ejemplo) se
deflacta las variables Importaciones mexicanas por el ndice de precios del productor
para bienes en los Estados Unidos.
Nota: Se produce un sesgo de sub o sobreestimacin
en el valor real de las importaciones ya que el ndice
citado difiere del ndice global de precios.
El ndice global podra calcularse, pero el costo y
dificultad en hacerlo podra 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 informacin sobre alguna variable que interviene en el
modelo economtrico. Una posible solucin es utilizar una aproximacin 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 verificacin del supuesto.
Observacin:
En ocasiones, economistas con experiencia estudiando las estructuras de economa en
pases desarrollados donde se encuentra disponible gran parte de la informacin, no se
percatan de las restricciones de informacin que puedan existir en pases como el
nuestro por ejemplo. Si stos mismos profesionales desarrollan modelos para un pas
como el nuestro por ejemplo, es posible que no tenga la importancia prctica.
12
Magen Infante
Y 1 2 X
Y
X
Ejemplo 3:
(D. Gujarati)
13
Magen Infante
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 aproximados y
se registran las Gastos de consumo de cada familia para cada nivel de Ingresos.
Todos los registros son semanales.
E(Y/X=x)
65
77
Y
1
60
173
nj
60
E (Y )
X_9 X_10
240 260
137 150
145 152
155 165
165 168
175 180
180 185
191
173
E (Y / X i )
i 1,2,3,..., n j
nj
j 1,2,3,...,10
i 1
E (Y / X 1 80) 65
Magen Infante
Y 1 2 X
1
E (Y / X ) 1 2 X
Interpretacin:
E(Y / X 80) 65
valor promedio de
para
X 80
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 ,
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 trmino de
perturbacin
i Yi E (Yi / X ) Yi ( 1 2 X )
15
Magen Infante
Interpretacin de
Yi 1 2 X i .
E (Y / X ) 1 2 X
Lnea de Regresin
Poblacional
Gasto de
Consumo
101
semanal
65
*
* : Media condicional
X
80
140
Ingreso semanal
220
X i : Cmo vara la
Yi 1 2 X i
esperanza de Y variando X.
es
Yi E (Y / X ) i
Los valores de
Yi
de Y para un dado X i .
16
Magen Infante
Yi 1 2 X i
1
es un estimador de
2 es un estimador de 2
i es un estimador de i
Yi
Yi
Yi 1 2 X
Yi estimador de E (Y / X i )
1 estimador de 1
2 estimador de 2
i Yi ( 1 2 X )
El
as:
i Yi Yi
17
Magen Infante
FRM1
.
..
..
.
. ..
..
.
.
.
.
.
.
FRM2
..
.
.
.
..
.
.
..
Caractersticas:
1.- Cada lnea se conoce como lnea de regresin muestral.
2.- Cada lnea intenta representar la Funcin de Regresin Poblacional.
3.- Muestralmente, slo se considerar como aproximaciones de la verdadera FRP.
4.- Para n muestras, habrn n FRM, posiblemente todas diferentes.
Luego de obtener la informacin de una muestra y sustituirla en los estimadores, se
obtienen valores de 1 y 2 , a los que se les denomina valores estimados o
estimativas.
3. Estimacin
Dado que el objetivo principal es estimar la FRP:
Hallando la FRM:
Yi 1 2 X i
Yi 1 2 X i ,
Como la FRM es apenas una aproximacin de la FRP, se desea una regla o un mtodo
que haga que esta aproximacin sea lo ms ajustada posible.
En otras palabras, se busca construir una FRM tal que 1 y 2 estn lo ms cercano
posible a los verdaderos valores de 1 y 2 , aunque nunca se llegue a conocer los
valores de 1 y 2 .
18
Magen Infante
Y
Yi
Yi
E(Y / X i )
FRM:
Yi 1 2 X i
FRP:
E (Y / X i ) 1 2 X i
.
Xi
4. Mtodo de Estimacin
El mtodo para la construccin 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
tambin visto en forma matricial para n observaciones como
Y X .
19
Magen Infante
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 configuracin a priori para facilitar la
eleccin de la forma funcional apropiada.
Las funciones reconocidas con ms frecuencia son:
(1) Lineal
Y 0 1 X
(2) Cuadrtica
Y 0 1 X 2 X 2
1
X
Y 0 1 ln( X )
Y 0 1
Y ln( 0 ) 1 ln( X )
(5) Semilogartmico inverso
ln(Y ) 0 1 X
ln(Y ) 0 1
En los modelos de dos variables, la forma funcional puede deducirse a partir del
diagrama de dispersin, pero en un modelo de Regresin Mltiple, no es fcil
determinar la forma funcional apropiada porque grficamente no se puede visualizar los
diagramas de dispersin.
Todos los casos anteriores son funciones de regresin lineal en los parmetros.
20
Magen Infante
Y
y 0 1 x 2 x 2
y 0 1 x
y 0 1 x
y 0 1 x 2 x 2
X
Y
X
Y
y 0 1 / x
ln y 0 1 x
ln y 0 1 x
y 0 1 / x
X
Y
y ln 0 1 ln x
X
Y
y ln 0 1 ln x
ln y ln 0 1 ln x
ln y ln 0 1 ln x
Ejemplo:
En el ejemplo de Consumo,
Magen Infante
Ejemplo:
Cules de los siguientes modelos pueden ser considerados lineales: (A, B,
son parmetros)
(1)
(2)
(3)
(4)
Y AX e
ln Y ln A ln X
X
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
22
Magen Infante
Modelo terico:
Y 1 2 X 1 3 X 2 k X k
Para n observaciones se tiene un sistema de n ecuaciones 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
Y 1
2
Yn 1
X 11
X 21
X n1
X 1k 0 1
X 2 k 1 2
X nk k n
En notacin matricial:
Y X
23
Magen Infante
Escalarmente:
i 1,2...., n
j parmetros desconocidos
i
i 1,2...., n ,
j 1,2...., k
j 1,2...., k
i 1,2...., n
Matricialmente:
i 1,2, , n
(i) E ( i ) 0
(ii) Var ( i )
constante
(iii) Cov( i j ) 0
i j
(iv) i N (0, )
2
(homocedasticidad)
(no correlacin entre los errores)
(distribucin normal)
muestra (estabilidad)
Matricialmente
1 0
(i) E () 0
n 0
E
(
1
n I
(ii)
1 2
E () E 21
n1
12 1n
22 2 n
n2
nn
24
Magen Infante
Var ( 1 )
Cov( 1 , 2 ) Cov( 1 , n )
Cov
(
)
Var
(
Cov
(
)
2
1
2
2
n
Cov
(
)
Cov
(
Var
(
)
n
1
n
2
n
2 0 0
0 2 0
2I
2
0
0
(iii) X nk
1
1
X 11
X 21
X n1
X 1k
X 2 k
X nk
X nk )
( n k 1 )
1
2
2
(v) N (0, I ) en consecuencia: Y N ( X, I)
n
25
Magen Infante
1 n Yi Y
S
n i 1
donde
i 1
Yi
Y
n
1 n Yi Y
K
donde
n i 1
4
i 1
Yi
Y
n
n k 2 ( K 3) 2
S
Jarque Bera
6
4
representa el nmero de
H1 :
Estadstico de Prueba:
Bajo la hiptesis nula, es decir, suponiendo que la normalidad se cumple, el estadstico
de Jarque-Bera tiene una distribucin Chi-cuadrado con 2 grados de libertad.
Regla de decisin:
Rechazar H 0 si Jarque Bera 2 g .l . a un nivel de significancia.
2
26
Magen Infante
27
Magen Infante
0 , 1 , , k y 2 .
0 , 1 , , k y 2 del
Yi Yi
i 1,2,, n
Entre los mtodos para estimar los parmetros del modelo utilizando los residuos,, el
ms simple y conocido es el Mtodo de Mnimos Cuadrados Ordinarios (MCO OLS).
II.
modelo
Yi X i
i 1
2
i
(Yi Yi )
i 1
Procedimiento:
Minimizar la suma de los residuos al cuadrado
n
S i (Yi Yi ) (Yi 0 1 X )
2
i 1
i 1
i 1
28
Magen Infante
1 :
0
2
(Yi 0 1 X ) 2
i 1
2 (Yi 0 1 X )(1) 0
i 1
S 2
(Yi 0 1 X ) 2
i 1
2 (Yi 0 1 X )( X ) 0
i 1
X iYi
i 1
n
X
i 1
X Y
i 1
2
i
i 1
2
i
nX 2
b0
xi y i
i 1
n
b1
x y
i
2
i
2
i
i 1
nx
i 1
i 1
Caractersticas:
(1) Los estimadores MCO se expresan en funcin de las variables X y Y.
(2) Son estimadores puntuales (escalar)
(3) La Lnea de Regresin Muestral pasa a travs de las medias muestrales
X y
i 1
Pregunta:
Cmo sera para tres variables? (la variable respuesta y dos variables explicativas)
29
Magen Infante
2.- MATRICIALMENTE
2.1 Estimador para
Hallar
modelo
Y X
n
n
2
)' (Y Y
)
( ) 1 n i (Yi Yi ) 2 (Y Y
i 1
i 1
n
)' (Y Y
)
(
) (Y Y
(Y X )' (Y X )
Y' Y Y' X ' X' Y ' X' X
' X' Y
' X' X
Y' Y 2
(2) Derivar con respecto a
e igualar a cero:
X' X X' Y
( X' X) 1 X' Y
2 ( ' )
2X' X 0 , se verifica que minimiza la Suma de Cuadrados de
Como
2
los Residuos. (porque es positiva definida y simtrica).
2
Utilizando este resultado y sabiendo que E (' ) I se puede probar que
30
Magen Infante
'
nk
es un estimador insesgado de
2.
Y.
es insesgado porque E ( )
N (; ( X' X) 1 2 ) .
2
j 0,1,2,..., k
(5) j N ( j ; a jj )
(4)
a jj es el i-simo elemento
1
de la diagonal de la matriz ( X' X) .
(6)
III.
i, j 0,1,2,..., k .
1
fuera de la diagonal de la matriz ( X' X)
(7)
aij 0
i j
L.
1
L L( , / Y, X)
2
2
2
n/2
1 (Y X)(Y X)
exp 2
Tomando logaritmo:
1 n / 2
1 (Y X)(Y X)
log L log
exp
2
2
2
2
n
n
1
log 2 log 2
(Y X)(Y X)
2
2
2 2
derivando con respecto a los parmetros:
31
Magen Infante
2
log L
( X' Y X' X) 0
2 2
n
1
log L
(Y X)(Y X) 0
2
2
2
2 4
mv ( X' X) 1 X' Y
2
mv
'
n
2
mv
' (Y X )(Y X )
n
n
Ejemplo 5: Asumiendo que la Renta de una persona puede depender de los Aos de
estudio y de la Edad. Para las observaciones dadas, hallar estimativas de los
parmetros utilizando los estimadores MCO y hallar un previsor de la variable
respuesta.
i
1
2
3
4
5
renta Y
Aos de estudio
Y
X_1
10
6
20
12
17
10
12
8
11
9
1 6
1 12
X 1 10
1 8
1 9
( X ' X ) 1
28
40
32
36
34
Edad
X_2
28
40
32
36
34
1
1
1
1
X ' X 6 12 10 8
28 40 32 36
50656
1
1840
2880
1960
1840
400
160
1960
160
100
1 6 28
1 1 12 40 5
45
170
9 1 10 32 45 425 1562
70
X 'Y 665
2430
0
56
1
50
1
.
24
2
5
Previsor de Y :
56 50
5
Y
X1
X 2 2.3 2.1X 1 0.2 X 2
24 24
24
32
Magen Infante
Para X 1 7
y X 2 30 entonces
33
Magen Infante
Regresin Muestral
Yi
(Yi Yi )
Yi
(Yi Y )
(Yi Y )
34
Magen Infante
1
1
X
X 11
X 21
X n1
X 1k
X 2 k
X nk
0
.
1
k
2
SCT Yi Y Y' I
Y
i 1
(forma cuadrtica)
11'
2
i 1
(forma cuadrtica)
(forma cuadrtica)
i 1
Y
i 1
2
2
Yi Y Yi Yi
n
i 1
i 1
Interpretacin
Y Y Y Y Y Y
n
i 1
Fi j o, no depende del
modelo. Puede v erse
como la suma de
cuadrados del resduo
Y
del modelo Y
i 1
i 1
Y 0 1 X1 k X k
Reduccin en la suma de
cuadrados del resduo con
la introduccin de
X 1 , X 2 , , X
Cuanto menor,
ms motivos para
usar
X 1 , X 2 , , X
en el modelo
35
Magen Infante
X 11
X
X 21
X n1
X 1k
X 2 k
X nk
1
k
SCTnc Yi 2 Y' Y
(forma cuadrtica)
i 1
n
'Y
SCRnc Yi 2 Y
(forma cuadrtica)
i 1
(forma cuadrtica)
i 1
consecuentemente
n
Y
i 1
2
Yi 2 Yi Yi
n
i 1
i 1
Se quiere responder:
a) Qu tan bien el modelo propuesto, conteniendo las variables explicativas
realmente explican las variaciones en la variable dependiente.
b) Qu tan bien la lnea de regresin estimada se acerca a todas las observaciones
juntas.
Observacin:
El paso (b) no es lo mismo que decir que la lnea de
regresin estimada se acerca a la lnea de regresin
poblacional porque sta ltima nunca es conocida.
36
Magen Infante
R2
SCR
SCE
1
SCT
SCT
SCR
SCE
1
SCT
SCT
como:
2
R
0
Representado por una
R2 1
l n ea es t i m a d a l l a n a
(pendiente igual a cero).
X
2
Propiedades de R
2
a) R 1
2
b) Si el modelo tiene trmino independiente ( 0 0 ), entonces R se puede
escribir como:
R
2
' X ' Y nY 2
Y ' Y nY
' X ' X nY 2
Y ' Y nY
SCR
)
SCT
R2
SCRnc
SCE
2
1
y puede tomar valores de 1 R 1 el
SCTnc
SCTnc
R2 .
R 2 es cercano a 1 .
37
Magen Infante
2
modelos, ya que la mayora de stos tendrn valores altos de R .
2
(5) Coeficiente de determinancin ajustado R como bondad de ajuste
o R
ajustado es:
n 1
R 2 1
(1 R 2 )
n k
disminuir siempre,
2
excepto en casos cuando R crezca compensatoriamente.
estadsticas con R y R
porque sus
distribuciones de probabilidad no estn disponibles.
38
Magen Infante
Cov( X , Y )
2
X
(X
i 1
(X
2
Y
i 1
X )(Yi Y )
X)
(Y
i 1
n 1
donde r
Y )2
n 1
0 r 1
R2
Propiedades
a) Es simtrica pues rXY rYX .
b) Si X y Y son estadsticamente independientes, el coeficiente de correlacin es
cero.
c) Si r 0 , eso no implica independencia entre las variables.
d) r R
es una medida de asociacin lineal, es decir, mide la asociacin
lineal entre dos variables.
e) A r tambin se le denomina coeficiente de correlacin de orden cero.
2
r12.4
r12.34
r12.345
r12
As,
r12.34
( de primer orden).
constantes X 3 y X 4 .
De forma similar se interpretan los dems coeficientes de orden m .
39
Magen Infante
r12.3
r13.2
r12 r13r23
2
(1 r132 )(1 r23
)
r23.1
r23 r12r13
2
2
(1 r12
)(1 r13
)
r13 r12r23
2
2
(1 r12
)(1 r23
)
40
Magen Infante