Académique Documents
Professionnel Documents
Culture Documents
DR.
Que es la Econometra?
DR.
DR.
DR.
Metodologa de la Econometra
Para ilustrar los pasos que se siguen al elaborar un modelo economtrico que
tenga consecuencias prcticas, utilizaremos los casos de la economa de la
delincuencia y economa de las finanzas como ejemplos guas:
1.- Planteamiento de la teora o hiptesis: Se esboza una teora que
implique la utilizacin de variables que busquen encontrar una explicacin
hacia algn fenmeno o comportamiento particular del individuo. Por ejemplo,
segn Becker (1969) las personas se transforman en potenciales delincuentes
al analizar el costo-beneficio de su contexto, tomando por consideracin en el
vector de beneficios los ingresos que recibira por concepto de hurto (o robo), el
placer (adrenalina o factores incuantificables), prestigio, y el tiempo (analizado
desde el punto de vista del costo de oportunidad, es decir, cuanto dejo de
ganar trabajando legalmente si comienzo a delinquir). Mientras que en el vector
o grupo de costos, el sujeto tiene como variables el nmero de policas en las
calles, la probabilidad de ser detenido, la cantidad de aos en la crcel en caso
de ser detenido, y variables sicolgicas como la conciencia, moral o ser
denostado por sus pares2. Sin duda que es posible aadir un mayor nmero de
variables o factores que puedan afectar la decisin para delinquir en la teora
presentada, pero se considera innecesario indicar ms. Un punto que se debe
debatir en relacin a la teora planteada es que los delincuentes (a priori) no
realizan clculos de costo-beneficio cuando deciden delinquir, sino que los
realizan al estar influenciados por una serie de factores socio-econmicos y
socio-demogrficos. Por lo tanto, una vez que el investigador haya delineado
distintas tesis y anttesis y con ellas haya logrado complementar algunas
2
DR.
DR.
DR.
Y = 1 + 2X +
(1.1)
(1.2)
DR.
5.- Estimacin del modelo economtrico: una vez se han recopilado los
datos, se calculan y encuentran los estimadores o parmetros. En el caso
DR.
(1.3)
8.- Fines del modelo: Uso del modelo con fines polticos, es decir, fines de
control para poder realizar polticas pblicas por un gobierno o la eleccin de
DR.
A)
B)
C)
D)
2.-
2.1
Especificar
Estimacin
Inferencia
Proyeccin
ANALISIS DE REGRESION
Introduccin
Esta metodologa no representa un modo ni tampoco es una gua para realizar una
investigacin acadmica, simplemente menciona los pasos bsicos a seguir para correr un
modelo y evaluar su impacto.
DR.
aleatorias
estocsticas,
sea,
variables
que
tienen
distribuciones de probabilidad.
Por ejemplo, consideremos la dependencia del ejemplo que hemos
sealado anteriormente en el captulo anterior, a saber, el ndice de
denuncias
obviamente).
Analizando la
dada la
Regresin v/s causalidad: una relacin estadstica sin importar que tan
fuerte y sugestiva sea, nunca podr establecer una conexin causal, esto
es, una relacin de causa-efecto. Para mayor claridad, una relacin
estadstica no puede por si misma implicar en forma lgica una causalidad.
DR.
Calificacin
Horas de
100
70
65
40
90
20
85
72
48
67
59
35
estudio
16
15
16
10
13
8
14
13
9
12
10
8
DR.
Ao
Tasa
Tasa de
1980
1981
1982
1983
1984
1985
1986
1987
Ao
1988
1989
1990
1992
1991
1994
1992
1996
1998
2000
2003
2006
renuncia
1.3
1.2
1.4
1.4
1.5
1.9
2.6
Tabla2.3
2.3
Tasa de
2.5
denuncias
2.7
321.8
2.1
401.2
1.8
438.8
2.2
506.7
619.6
764.7
1246.6
1778.1
desempleo
6.2
7.8
5.8
5.7
5.0
4.0
3.2
3.6
Detenciones
3.3
3.3
2120
5.6
2841
6.8
3485
5.6
4253
5470
7117
14326
9733
Tabla 2.2
REGION RM
REGION V
1990
1992
1994
1996
1998
2000
2003
2006
denuncias
658.5
775.6
926.6
1051.3
1027.4
1333.6
2027.4
2223.2
8546
10578
12259
14635
18279
26851
55723
44402
Ao
Tasa de
Detenciones
1990
1992
1994
1996
1998
2000
2003
2006
denuncias
453.4
581.2
602.3
780.9
833.2
1046.6
1720.7
2102.4
2102
2950
2903
3722
4454
7818
12212
10787
Ao
Tasa de
Detenciones
1990
1992
1994
1996
1998
2000
2003
2006
denuncias
284.6
300.2
354.3
425.0
572.0
769.3
1823.2
1721.4
987
1021
1174
1452
1901
2534
3189
3698
REGION VIII
2.2
Detenciones
DR.
DR.
80
100
120
140
160
180
200
220
240
260
55
60
65
70
75
325
65
70
74
80
85
88
462
79
84
90
94
98
445
80
93
95
103
108
113
115
707
102
107
110
116
118
125
678
110
115
120
130
135
140
750
120 135
136 137
140 140
144 152
145 157
160
162
685 1043
137
145
155
165
175
189
966
150
152
175
178
180
185
191
1211
65
77
89
101
113
125
137
161
173
Y
Gasto
de
consumo
familiar
semanal Y
Total
E (Y/X), medias
condicionales
149
de Y
100
50
80
260
DR.
funcin de regresin
poblacional
Esta funcin denota nicamente que el valor esperado de la distribucin de Y
dada Xi est relacionada funcionalmente con X i. Es decir, nos dice cmo la
media o respuesta promedio de Y vara con X. Ahora bien, es importante
recalcar que la forma funcional de la FRP depender del estudio que se est
DR.
DR.
i = Yi - E (Y/Xi)
(2.1)
Yi = E (Y/Xi) + i
(2.2)
Yi = E (Y/Xi) + i
(2.3)
Yi = 1 + 2Xi + i
(2.4)
DR.
DR.
2.3
Yi =
1 +
Xi
2Xi +
Yi = 1 + 2Xi + i
En base en la FRM:
Yi =
Xi +
Yi =
(2.5)
= Yi -
= Yi -
Yi =
DR.
Xi +
(2.6)
Muestra que los residuos
son
simplemente
las
diferencias entre los valores
observados de y los valores
estimados de Y.
(2.7)
1
Xi
Min = i = (Yi -
Pero al realizar esta sumatoria se le est dando el mismo peso a todos los
errores. Adems algunos pueden ser negativos y otros positivos, provocando
que la suma sea muy pequea incluso si existe una gran dispersin de los
errores en torno al valor observado.
DR.
2
i
= (Yi -
2
i
= (Yi -
)2
(2.8)
X i )2
(2.8):
(a)
2
i
2
i
= - 2 (Yi -
Xi) = -2
(b)
= - 2 (Yi -
Xi)Xi = -2 iXi
Xi) = 0
-2
Xi)Xi = 0
-2
(a)
(Yi -
(b)
(Yi -
DR.
Xi) = 0
Xi)Xi = 0
n-1
(b)
n-1
Yi -
( Yi -
Xi ) = 0
Xi ) = 0
Reordenando (a):
Y =
X =
Xi = 0
Por consiguiente:
(2.9)
[ Yi - ( -
)-
Yi - Xi +
Xi -
Xi ] = 0
Xi2 = 0
(Yi - ) =
2
i
(Yi - ) =
(Yi - ) =
X i - )2
- )(Yi - ) =
DR.
(Xi - )
X i - )2
= xiyi
(2.10
)
xi2
Tambin se tiene por arreglo:
(2.11)
= n XY - XY
n X2 - (X)2
ii)
cantidades observables
Son estimadores puntuales, proporcionan un solo valor del parmetro
poblacional.
DR.
Si nos detenemos a observar las ecuaciones (2.9) y (2.10), notaremos que los
mnimos cuadrados estimados son funcin de los datos muestrales, en
consecuencia, son variables aleatorias que sus valores cambiarn en funcin
de cada muestra, es decir, puesto que es probable que los datos cambien entre
una muestra y otra, los valores estimados cambiarn. Por consiguiente, lo que
se requiere es alguna medida de confiabilidad o precisin de los estimadores 1
y 2. Dicho de otra manera, se quiere saber algo sobre la variabilidad muestral
de estos estimadores. En estadstica, la precisin de un valor estimado es
medida por su varianza, o su error estndar (standard error: se) que son las
races cuadradas de las varianzas. Las varianzas y los errores estndar de los
parmetros estimados dados en (2.9) y (2.10) o (2.11) pueden obtenerse de la
siguiente manera:
Var (2) = 1 * 2
xi2
Var (2) = 2
xi
ee (2) =
ee (2) = Var(2)
(2.12
)
(2.13
)
xi2
(2.14
)
Var(1)5 = X2 * 2
nxi2
ee (1) = X *
ee(1) = Var(1)
nxi2
La varianza precisa el uso de la sumatoria de los valores totales y los valores en desvos de
X.
(2.15
)
Las
notaciones
Var
ee
DR.
significan,
varianza
errores
estndar
2
i
(n-k)
Donde
= SRC
(n-2)
2.4
Bondad de Ajuste
Se denota por R2 y
(Yi - ) = (
- )+
(2.18)
i
yi = +
DR.
yi2 =
- )2 +
donde:
(2.20)
- )2
(Yi - )2
De manera anloga:
R2 = 1 - SRC = 1 -
6
(2.21)
STC
DR.
(Yi - )2
(0.039)
R2 = 0.85
DR.
(a)
(b)
(c)
(d)
saber
propiedades
sustanciales
sobre
el
coeficiente
de
DR.
E (i2) = 2
(2.22
)
DR.
Var (i/Xi) = i2
de X, sean Xi y Xj (donde i
7
8
Vase el captulo 6
Ibd.
2.6
DR.
DR.
CONTROL DE LECTURA 1:
1. Calcular los parmetros para poder establecer la ecuacin de la regresin
entre el Maz (variable Y) y el Fertilizante (variable X):
Tabla 2.5
Yi
Xi
(Yi - )
(Xi - )
xi yi
xi 2
40
44
46
48
52
58
60
68
74
80
Yi = 570
6
10
12
14
16
18
22
24
26
32
Xi = 180
-17
-13
-11
-9
-5
1
3
11
17
23
yi = 0
-12
-8
-6
-4
-2
0
4
6
8
14
xi = 0
204
104
66
36
10
0
12
66
136
322
xiyi = 956
144
64
36
16
4
0
16
36
64
196
xi2 = 576
= 57
= 18
Paso 1.- Se debe calcular lo que est en rojo, es decir, calcular los valores de
las variables en desvos (y posteriormente las otras columnas) por lo que es
DR.
= xiyi
= 956
xi2
1.66
576
Recordando que:
= N XY - XY
N X2 - (X)2
Se obtiene:
9560
10 *3816 - 32400
1.66
5760
= 57 (1.66) * (18) = 57
29.88 = 27.12
Paso 4.- Entonces, se obtiene la siguiente regresin estimada:
= 27.12 1.66Xi + i
DR.
Un modelo que es lineal es los parmetros, puede ser o no ser lineal en las
variables. Se debe comprender que cuando hablamos de linealidad en
econometra, siempre se estar haciendo referencia a los parmetros.
6. Determnese si los siguientes modelos son lineales en los parmetros, o en
las variables, o en ambos Cules de estos modelos son de regresin
lineal?
Modelo
a) Yi = 1 + 2
DR.
Tipo descriptivo
+
Recproco
b) Yi = 1 + 2 ln Xi + i
c) ln Yi = 1 + 2Xi + i
d) ln Yi = ln 1 + 2 ln Xi + i
Semilogartmico
Semilogartmico inverso
Logartmico o doble logartmico
e) ln Yi = 1 - 2
Logartmico recproco
Yi = e1 + 2Xii
Yi =
1
1 + e1 + 2Xi + i
c)
ln Yi = 1 + 2
d)
e)
DR.
lineal (en los parmetros). Lo mismo sucede con el modelo (e), es decir, es un
modelo no lineal ya que la pendiente est elevada a una potencia.
8. Qu se entiende por un modelo de regresin intrnsecamente lineal? Si en
el ejercicio 6d), 2 valiera 0.8, sera un modelo de regresin lineal o no
lineal?
Un modelo que puede ser lineal en los parmetros es llamado como modelo de
regresin intrnsecamente lineal. Un caso de estos tipos de modelos es el (a)
del ejercicio anterior, donde utilizando un poco de matemtica se logra
satisfacer la linealidad en los parmetros. Si en el modelo (d) del ejercicio
anterior, la pendiente 2 fuera 0.8, el modelo se convertira en una regresin
lineal, dado que e-0.8(X-2) puede ser desarrollado fcilmente.
9. Se dispone de los siguientes datos anuales desde 1963 a 1972 sobre la
cantidad de dinero Mt , y la renta nacional de un pas Yt, en millones de
unidades monetarias que se resume en:
Mt2 = 147.18
Mt = 37.2
MtYt= 295.95
Yt2= 597.03
Yt = 75.5
Yt =
DR.
Mt + t
= 1.714
= 1.18
DR.
Y2 n( )2
SEC =
= ( i - )2
*xi2
2
2
*X2 - n( )2
Por tanto:
SEC = (1,714)2 * [147,18 (10 * (3,72)2]
SEC = 2,9377 * [8,8]
SEC = 25,85
R2 = 25.85
STC
R2 = 1 SRC
= 0.957
27.005
R2 = 1 - 1.155 = 0.957
STC
27.005
(n-k)
= SRC
DR.
=1.155/(10-2) = 0.144
10. Los siguientes datos corresponden a una estimacin de los Ingresos por
ventas de una empresa (Y) y el Nmero de vendedores (X), para el perodo
Enero 2004 a Diciembre 2004. Ambos expresados en miles de pesos.
Xi2 = 471
= 80. 3764
Xi = 69
XiYi = 3541
Yi = 561
DR.
= 12 * 3541 69 * 561
12 * 471 - (69)2
= 4.245
= 561/12 = 46.75
= 69/12 = 5.75
Con la estimacin de la pendiente y los promedios reemplazamos en (2.9):
= 22.35
Recordando que:
2
= SRC
R2 = 1 - SRC
(n-k)
DR.
STC
Y se cuenta con
SRC = 80.3764 * 10
SRC = 803.764
SEC =
2
2
*X2 - n( )2
= 0.62 = 62 %
2141.749
Este coeficiente de determinacin nos est diciendo que la variable X explica
en un 62% la variacin de la variable Y, lo que podemos denominar como un
ajuste regular.
DR.
DR.
DR.
Paso 2
Supuestos del modelo y formulacin de hiptesis
A partir de esa seleccin se procede a conocer todos los lmites o alcances del
modelo y por lo tanto se determinan los supuestos con los que el modelo
adquiere validez terica.
Ejemplo:se trata de un bien normal, en un mercado de competencia perfecta y
no se tiene sustituto.
En cualquier caso se parte de una hiptesis de teora econmica, la cual se
busca demostrar mediante procedimientos estadstico, indistintamente que
modelo se desee comprobar se parte de una afirmacin de relacin entre
variables representada mediante una ecuacin matemtica.
Este punto es importante por cuanto la hiptesis ser la referencia con la que
se busca demostrar la investigacin, en caso que se encuentre informacin
confiable que mediante la ecuacin de regresin calculada se compruebe la
relacin de las variables, se esta en posicin de avalar o aceptar la hiptesis y
por tanto el estudio se vuelve una herramienta de anlisis que facilita la
explicacin de un fenmeno.
DR.
Paso 3
Construccin de la forma matemtica del modelo terico e identificacin
de las principales variables y relaciones funcionales de las mismas.
Conociendo con exactitud las relaciones funcionales de la teora, los supuestos
en los que el modelo tiene validez se pasa a determinar la forma matemtica
de dicho modelo
Ejemplo D=a-bP
Donde:
D:
a:
b:
P:
DR.
Paso 5
Identificar la informacin necesaria para realizar el modelo economtrico.
Cuando se esta seguro del modelo y se tiene la forma economtrica, se pasa a
considerar el lugar donde se puede obtener la informacin, cual es la ms til y
la facilidad de recoleccin de la misma.
Este paso consiste en verificar la existencia y registro de las variables, en
muchos de los casos, no se cuenta con una variable del modelo como tal, por
ejemplo para la ecuacin de produccin el nivel de capital fsico de la
economa, que no en todas las economas se calcula , no obstante por tratarse
de anlisis de tendencia, se puede sustituir el nivel de capital por una
representativa de su variacin, que en este caso, puede ser perfectamente el
nivel de inversin, la idea central reside en adecuar la variable del modelo a los
datos ms cercanos con que se cuentan .
Es necesario considerar en ente punto cual de toda la informacin de serie
estadstica que representa mejor a la o las variables estudiadas.
A nivel general se esperara obtener al menos 31 observaciones de cada
variable, debido principalmente a que a partir de ese nmero de observaciones
una serie de registros se adecua al Teorema del Lmite Central, lo que significa
que es una serie con curva normal, el cual es un requisito dentro de la
econometra para dar validez estadstica al modelo.
No obstante se sabe que los registros obtenidos de una unidad observacional
poblacional tienden a cumplir los supuestos de la curva normal es decir que se
adecua a una curva de probabilidad de forma de campana que es simtrica
alrededor de su valor medio, aproximadamente el 68% del rea bajo la curva
DR.
), el
, tal
DR.
RECOLECCIN DE DATOS
DR.
Paso 6
Recoleccin de datos de la serie y comparacin grfica de las
observaciones.
Al tener la certeza de poseer las observaciones necesarias y se cuenta con
respaldo y validez en la recoleccin de las mismas, se pasa a efectuar una
comparacin grfica (en el caso que se plante una variable dependiente y una
independiente), utilizando un plano cartesiano y se observa la existencia de
alguna tendencia en el comportamiento de las observaciones tal como lo
muestran las siguientes grficas, los puntos reflejan las observaciones de una
serie de datos, mientras que la lnea que se encuentra al centro es su
tendencia.
DR.
DR.
ESTIMACIN DE COEFICIENTES.
Paso 7
Estimacin de los coeficientes del modelo economtrico.
Habiendo establecido las relaciones de manera grfica con una serie
estadstica suficiente y con la viabilidad matemtica y terica del modelo se
procede a la estimacin de los coeficientes para ello se utiliza el mtodo de
Mnimos Cuadrados Ordinarios MCO por medio del cual se obtienen los
mejores coeficientes que permiten determinar el comportamiento de una
funcin de economtrica, para un rango determinado, estimando de esta
manera los valores reales a partir de la muestra.
El principal objetivo de una ecuacin de regresin obtenida por Mnimos
Cuadrados Ordinarios es que las desviaciones de los valores observados
respecto a los estimados sea el mnimo posible, es decir, se espera que se
encuentren los coeficientes que sean (F(x) observado F(x)estimado)2 un
mnimo, en otras palabras que la sumatoria de las diferencias del valor real
menos el proyectado elevado al cuadrado tienda a cero, de ah el nombre que
el mtodo se le denomine Mnimo Cuadrado Ordinario.
Paso 8
Validez del modelo mediante la aplicacin de pruebas estadsticas.
Para determinar la validez del modelo se debe haber pasado una serie de
pruebas de hiptesis que hacen que el modelo se comporte de cierta manera o
que se encuentre en ciertos parmetros donde existe suficiente probabilidad de
ser fiables o buenos estimadores de los valores reales (dichas pruebas se
presentaran ms adelante).
DR.
Paso 9
Pronstico.
El pronstico consiste en utilizar la ecuacin para establecer con certeza el
posible comportamiento de la variable el cual puede darse en dos tiempos.
1. Dentro del domino o rango de informacin con la que se obtuvieron los
coeficientes
2. Fuera del rango, para observaciones posteriores o anteriores a los del
domino o rango de informacin.
En el primer caso no es necesario ms que sustituir en la ecuacin la o las
variables independientes, por que los coeficientes explican el comportamiento
dentro del rango con que se cuenta la informacin; en este caso se esta
tratando de una ecuacin que se puede llamar de Largo Plazo, para el segundo
caso es necesario transformar la ecuacin en un modelo predictivo de corto
plazo en el que se puede con alguna certeza aproximarse a los valores futuros
y para ello se trabaja la serie estadstica en diferencias para obtener de esas
variables los nuevos coeficientes, para el alcance de este curso se tomara la
primer forma de preedicin.
Paso 10
Toma de decisiones y diseo de polticas o acciones preventivas o
correctivas, basadas en el modelo.
Al haber establecido los coeficientes que dan validez al modelo se esta en la
posibilidad de efectuar toma de decisiones y diseo de polticas o acciones
preventivas o correctivas, basadas en el modelo, lo que supone que es una
herramienta que facilita la toma de actividades y acciones, pero a pesar de ese
valor estadstico en ningn momento se esta en la posibilidad de sustituir la
DR.
DR.
DR.
i aproximado a cero
Yi = 1+ 2Xi + 0
Yi = 1+ 2Xi
4. Las varianzas de cada error estocstico i deben ser idnticas o en
trminos estadsticas cumplir con el criterio de Homocedasticidad (homo
o igual y cedastico o dispersin), es decir que la varianza de i es igual
para cada punto en todas las observaciones.
Si este supuesto se cumple se esta asegurando que el nivel de varianza de las
observaciones es el mismo.
Leccin 9: continuacin
DR.
DR.
DR.
DR.
DR.
TIPOS DE MODELO
Los modelos economtricos pueden incluir hbridos o combinaciones,
generalmente se trata con modelos lineales, en la mayora de los casos
encontraremos que con dificultad se logra una serie con tendencia lineal debido
a la variabilidad de las observaciones y por tanto no siguen una tendencia
visible en primera impresin.
Por tal motivo el uso de los logaritmos es una herramienta que facilita ajustar
una serie a una tendencia, en la medida que se tiene una serie con mucha
dispersin, se aplica a todas las variables o a una parte de ellas los logaritmos
con el objetivo de suavizar el efecto distorsionador.
Por tato tenemos los siguientes tipos de modelos
1. Lineales en sus variables (lineales en sus variables y parmetros)
2. Modelos log-lineales, se ajusta una o todas las variables que no tiene
compartimiento lineal
1. Log-log
2. Log lineales o semi logartmicos
En los modelos lineales al graficar podemos apreciar su tendencia y estimar sin
mayor cambio utilizando el mtodo de MCO.
Para los modelos doble log o log-log se aplica a ambos lados de la ecuacin
los logaritmos, este es el caso de las funciones exponenciales y de potencia.
En los semi-logartmicos aplicamos a la variable dependiente un valor en
logaritmo para suavizar la tendencia y de esta manera obtener un mejor
estimador.
Leccin 11: Mnimos cuadrados ordinarios
DR.
Y(x) = a+ bXi
Yi = 1+ 2Xi + i
1. De segundo grado
De la forma matemtica
Y su expresin Regresiva
1. Exponenciales
Y(x) = a+ bXi+cXi2
Yi = 1+ 2Xi + 3Xi2+ i
De la forma matemtica
Y su expresin economtrica
DR.
Y(x) = abx
log F(x) = log a + x log b + i
1. De potencia
De la forma matemtica
Y su expresin Regresiva
Y(x) = aXin
log Yi = log a + b log X + i
DR.
FUNCIN LINEAL
Cuando se han recolectado los datos y si estos cumplen con el teorema de
lmite central (informacin que se ajusta a una curva normal) se procede a
presentar la informacin bajo un esquema bidimensional que no es ms que
plantearla en trminos del plano cartesiano.
Cantidades Y2 2,5 3
Precio X
5.5 5.5 6
7.5 9
8.5
3.3 4.4 3.3 5.5 4.4 5.5 6.6 6.6 7.2 7.7 7.7 8.8 8.8 11 9.9
DR.
DR.
DESARROLLO
La ecuacin de la lnea recta es Y(x) = a+ bXi ,
donde
a es el intercepto o el valor que adquiere Y cuando X es igual a cero,
b representa la pendiente o elasticidad de la ecuacin (por el cambio en una
unidad adicional de x el valor total de Y cambia en la proporcin de b).
DR.
Precio X
Cantidades Y (X)(Y)
3.3
6.6
10.89
4.4
2.5
11
19.36
3.3
9.9
10.89
5.5
22
30.25
4.4
3.5
15.4
19.36
5.5
3.5
19.25
30.25
6.6
4.5
29.7
43.56
6.6
33
43.56
7.15
5.5
39.325 51.1225
7.7
5.5
42.35
59.29
7.7
46.2
59.29
8.8
61.6
77.44
8.8
7.5
66
77.44
11
99
121
TOTAL
DR.
9.9
8.5
84.15
98.01
100.65
77
585.475 751.7125
585.475
DR.
= -0.913497088
0.9012 X- 0.9135
DR.
FUNCIN CUADRTICA
La forma funcional de cada modelo economtrico depende en alguna parte por
su forma grfica, es decir que al reflejar en un esquema bidimensional se
puede apreciar la forma y hacerse una idea de la ecuacin que se ajusta de
mejor manera al modelo que se busca.
Para el caso tomaremos un ejemplo hipottico en el que se toma el esquema
de una funcin de costos totales, donde se sabe que hasta cierto punto en el
que la produccin aumenta los costos caen dado un nivel de tecnologa
llegando a un mnimo y a partir de ah existe un incremento progresivo por cada
unidad adicional por tanto se espera una forma parablica.
La siguiente tabla muestra el valor del costo total Y que se obtiene con un nivel
de produccin especfico X.
x 200 240 300 400 500 540 600 640 700 800 900 100010401100 1200
y 391036802990207020701380161013801725149520701840253029904025
DR.
DR.
CLCULO
El siguiente paso a realizar consiste en obtener los productos y sumatorias
indicadas en las tres ecuaciones
XY
X2Y
X2
X3
X4
DR.
200
3,910 782,000
156,400,000
40,000
8,000,000
1,600,000,000
240
3,680 883,200
211,968,000
57,600
13,824,000
3,317,760,000
300
2,990 897,000
269,100,000
90,000
27,000,000
8,100,000,000
400
2,070 828,000
331,200,000
160,000 64,000,000
500
540
1,380 745,200
402,408,000
600
1,610 966,000
579,600,000
640
1,380 883,200
565,248,000
700
800
900
25,600,000,000
1,000,000,000,00
1,000 1,840 1,840,000 1,840,000,000 1,000,0001,000,000,0000
1,169,858,560,00
1,040 2,530 2,631,200 2,736,448,000 1,081,6001,124,864,0000
1,464,100,000,00
1,100 2,990 3,289,000 3,617,900,000 1,210,0001,331,000,0000
2,073,600,000,00
1,200 4,025 4,830,000 5,796,000,000 1,440,0001,728,000,0000
7,496,879,040,00
10,16035,76523,876,30020,502,522,0008,330,4007,641,296,0000
DR.
DR.
DR.
35,765
= 15 a + 10,160 b + 8,330,400 c
35,765
35,765
= 15 a -141991.7728 + 82926.42106
= (35,765+141991.7728- 82926.42106)/15
= 6322.023448
DR.
FUNCIN EXPONENCIAL
El caso de una ecuacin exponencial requiere de un tratamiento especial, el
crecimiento exponencial se le aplica en la mayora de variables poblacionales,
la explicacin se debe entre otras, adems de la relacin grfica, a que el
crecimiento en un tramo es lento y a partir de cierto punto, este se incrementa
en mayor cantidad, tal como muestra la siguiente grfica.
DR.
DR.
escolaridad
1979
2.890
1980
2.740
1981
3.230
1982
3.400
1983
3.123
1984
3.365
1985
3.563
1986
3.735
1987
3.960
1988
3.560
1989
3.573
DR.
1990
3.662
1991
3.842
1992
3.523
1993
3.760
1994
3.990
1995
4.126
1996
4.356
1997
4.653
1998
5.236
1999
5.136
2000
5.313
2001
5.459
2002
5.609
2003
5.763
N= 25
DR.
Desarrollo
El procedimiento para determinar los coeficientes entonces es:
DR.
CLCULO
Tomando como base la tabla presentada anteriormente y para simplificar los
clculos, se sustituyen los valores de aos por un equivalente numrico que no
afecta el resultado (este mtodo se utiliza principalmente en aos o en
variables de tiempo que poseen un incremento unitario).
En consecuencia tenemos la siguiente grfica que relaciona el tiempo y la
cantidad de poblacin ocupada en millones de personas:
Aos
Log Y
X*log Y
X2
1979
-12
2.890
0.46089784 -5.53077411
144
1980
-11
2.740
0.43775056 -4.81525619
121
1981
-10
3.230
0.50920252 -5.09202522
100
1982
-9
3.400
0.53147892 -4.78331025
81
1983
-8
3.123
0.49457198 -3.95657587
64
1984
-7
3.365
0.52698507 -3.68889548
49
1985
-6
3.468
0.54007909 -3.24047453
36
1986
-5
3.684
0.56631962 -2.83159811
25
DR.
1987
-4
3.860
0.5865873
-2.34634922
1988
-3
3.560
0.55149767 -1.654493
1989
-2
3.573
0.55301164 -1.10602328
1990
-1
3.662
0.56367494 -0.56367494
1991
3.842
0.58450797 0
1992
3.900
0.59106461 0.59106461
1993
3.760
0.57518784 1.15037569
1994
3.990
0.6009729
1995
4.126
0.61548712 2.46194847
16
1996
4.356
0.63908787 3.19543936
25
1997
4.653
0.66773305 4.00639832
36
1998
5.236
0.71899964 5.03299747
49
1999
5.018
0.70049474 5.6039579
64
2000
5.190
0.715185
81
2001
10
5.333
0.72695922 7.26959218
100
2002
11
5.479
0.73873907 8.12612979
121
2003
12
5.630
0.7505158
9.00618959
144
101.067229 14.946992
15.0742268
1300
1.80291869
6.43666501
16
DR.
DR.
Para este caso se debe sustituir valores comprendidos entre -12 y 12, para que
de como resultado el valor en su equivalente en aos.
DR.
FUNCIN DE POTENCIA.
A esta funcin se le conoce como curva geomtrica de la forma
, al
Ingreso
consumo
3.01
1.904236782
3.26
2.389395036
3.69
2.93138203
3.98
3.321130844
3.654
2.884343721
4.024
3.074481512
3.89
3.198127393
4.2
3.629445223
4.36
3.860393932
4.56
4.156912734
4.268
3.726912485
4.689
3.957023376
DR.
4.93
4.727987654
5.3
5.327630566
5.21
5.179181854
5.36
4.934102133
n=16
DESARROLLO
La secuencia de pasos es similar a la exponencial se tiene que minimizar la
expresin, sustituir el valor equivalente de Y estimado y derivar.
DR.
CLCULO
Con la informacin anterior se construye los cuadros respectivos que permitirn
determinar los valores de los coeficientes:
Y (Consumo)X (Ingreso)Log X
Log Y
1.904
3.010
0.479
0.280
0.134
0.229
2.389
3.260
0.513
0.378
0.194
0.263
2.931
3.690
0.567
0.467
0.265
0.322
3.321
3.980
0.600
0.521
0.313
0.360
2.884
3.654
0.563
0.460
0.259
0.317
3.074
4.024
0.605
0.488
0.295
0.366
DR.
3.198
3.890
0.590
0.505
0.298
0.348
3.629
4.200
0.623
0.560
0.349
0.388
3.860
4.360
0.639
0.587
0.375
0.409
4.157
4.560
0.659
0.619
0.408
0.434
3.727
4.268
0.630
0.571
0.360
0.397
3.957
4.689
0.671
0.597
0.401
0.450
4.728
4.930
0.693
0.675
0.467
0.480
5.328
5.300
0.724
0.727
0.526
0.525
5.179
5.210
0.717
0.714
0.512
0.514
4.934
5.360
0.729
0.693
0.505
0.532
10.002
8.842
5.661
6.333
Sumatoria
n=16
DR.
DR.
DR.
= Y / n.
DR.
Para evitar valores negativos se debe llevar al cuadrado cada expresin, para
DR.
totalizar ese clculo se realiza para cada uno de los puntos y luego se procede
a la suma en consecuencia
DR.
Cantidades Y
Precio X observadas
Y (X)
(X)(Y)
X*x
y*y
(Y(X ) -
(Y - )2
3.300
2.000
6.600
10.890
4.000
2.060
0.004
9.443
9.818
4.400
2.500
11.000
19.360
6.250
3.052
0.304
4.333
6.934
3.300
3.000
9.900
10.890
9.000
2.060
0.883
9.443
4.551
5.500
4.000 22.000
30.250
16.000
4.043
0.002
1.189
1.284
4.400
3.500 15.400
19.360
12.250
3.052
0.201
4.333
2.668
5.500
3.500 19.250
30.250
12.250
4.043
0.295
1.189
2.668
DR.
6.600
4.500 29.700
43.560
20.250
5.034
0.285
0.010
0.401
6.600
5.000 33.000
43.560
25.000
5.034
0.001
0.010
0.018
7.150
5.500 39.325
51.123
30.250
5.530
0.001
0.157
0.134
7.700
5.500 42.350
59.290
30.250
6.025
0.276
0.796
0.134
7.700
6.000 46.200
59.290
36.000
6.025
0.001
0.796
0.751
8.800
7.000 61.600
77.440
49.000
7.017
0.000
3.547
3.484
8.800
7.500 66.000
77.440
56.250
7.017
0.234
3.547
5.601
11.000
9.000 99.000
121.000
81.000
8.999
0.000
14.946
14.951
9.900
8.500 84.150
98.010
72.250
8.008
0.242
8.264
11.334
100.650
77.000 585.475
751.713
460.000
77.000
2.729
62.005
64.733
n = 15
La media entonces es
= Y / n.
= 77/ 15
= 5.13
r2 = (Y estimada -
)2 / (Y observada -
)2
r2 = 62/64.73
r
2 = 0.9578
DR.
DESVIACIN ESTNDAR
La desviacin estndar de la funcin de regresin indica el grado de dispersin
entre las variaciones de los valores observados Y respecto a los estimados
DR.
con ese valor se puede determinar con cierta certeza si un modelo es confiable,
en la medida que dicho coeficiente sea mayor se puede apreciar que la
estimacin de los coeficientes no es lo suficientemente confiables. Y(X) , la
frmula queda:
DR.
DR.
Significancia
Estadstica
la
normal.
Para iniciar este tipo de evaluacin hay que considerar los grados de libertad
de la serie los cuales no son ms que el nmero de observaciones n menos el
nmero
La
de
variables
formula
utilizadas
para
entonces
la
proyeccin.
queda
para
estudios
superiores.
DR.
elegir
la
prueba
utilizando
un
lado
de
la
cola.
En primer lugar se debe determinar el valor crtico y para ello se analiza los
grados de libertad y la probabilidad con la que se desea trabajar, utilizando los
valores
de
la
funcin
lineal
tenemos:
Como el valor de b es 0.90 y para una probabilidad del 5% con 15-2 grados de
libertad se tiene un valor de 2.160, como el valor t es 60.92 podemos asegurar
DR.
que la t student queda fuera del rango en que no existe significancia estadstica
INTERPRETACIN DE VARIABLES
DR.
valores
reales.
PROYECCIONES
DR.
que
va
desde
3.3
11,
el
cual
representa
el
precio.
Con esa informacin podemos decir que si el mercado espera en ese periodo
un precio de 5 unidades monetarias el valor de la cantidad ofertada ser de
Y(X)=0.9012 (5)- 0.9135, Y(X)=
DR.
DR.
DR.
Ntese que el valor de 15 no fue estimado por no encontrarse dentro del rango,
lo mismo se aplica para casos que estn por debajo de 3.3.
DR.
de
la
educacin
el
valor
de
r2.
En primer lugar debemos introducir los datos de manera vertical tal como se
muestra
Luego
marcamos
las
dos
columnas
DR.
para
graficar
las
relaciones
DR.
DR.
DR.
DR.
la
ecuacin
el
valor
de
r2.
DR.
Ntese que son los mismos valores calculados para el ejemplo 1 de lnea de
regresin lineal
DR.
principio
se
podra
pensar
que
estas
cuestiones
se
abordan
DR.
DR.
DR.
H0: 3 = 0
H1: 2 0
H1: 3 0
3 = 0
H1: 2 0
o/y
3 0
DR.
Chicos
Chicas
Nota
Horas
Nota
Horas
5.7
6.1
7.25
4.1
8.7
5.7
8.9
5.7
5.3
9.5
2
3
5
1
6
4
7
3
2
8
5.3
4.6
4.1
3
4.1
6.8
7.8
4.8
7.2
4.4
5
4
2
1
3
6
8
4
7
3
DR.
10
9
8
Chicas
NOTA
7
6
Chicos
5
4
3
2
0
HORAS
(0.041)
(0.177)
Prob.
C
HORAS
SEXO
R-squared
nt
2.115618 0.215843 9.801674 0.0000
0.719624 0.040944 17.57570 0.0000
1.628925 0.176773 9.214786 0.0000
0.957139 Mean dependent
5.95250
Adjusted R-
var
0.952096 S.D. dependent
0
1.80405
DR.
squared
var
S.E. of regression 0.394852 Akaike info
Sum squared
criterion
2.650437 Schwarz criterion
resid
Log likelihood
Durbin-Watson
8.168693
2.595677
1
1.11686
9
1.26622
F-statistic
9
189.813
Prob(F-statistic)
6
0.00000
stat
Se tiene pues que ambas variables exgenas muestran una clara influencia
sobre la nota obtenida, pues si se realizan los tests T sobre los coeficientes del
modelo terico, es decir
H0: 1 = 0
H0: 2 = 0
H1: 1 0
H1: 2 0
DR.
0.8
Residuos
0.4
0.0
-0.4
-0.8
Chicos
-1.2
2
Chicas
8
10
12
14
16
18
20
Chicos
Nota
Chicas
Horas
Nota
Horas
5.3
5.5
6.25
3.9
7.5
4.9
7.5
5.1
4.9
7.9
2
3
5
1
6
4
7
3
2
8
5.3
4.6
4.1
3.0
4.1
6.8
7.8
4.8
7.2
4.4
DR.
5
4
2
1
3
6
8
4
7
3
(0.393)
(0.083)
nt
2.248753
0.688662
1.381309
0.141116
0.936316
0.288807
0.060352
0.393307
0.083230
7.786345
11.41079
3.512040
-1.695506
Mean dependent
Prob.
0.0000
0.0000
0.0029
0.1093
5.54250
Adjusted R-
DR.
var
0.924376 S.D. dependent
squared
var
S.E. of regression 0.400783 Akaike info
Sum squared
resid
Log likelihood
Durbin-Watson
2
1.18606
criterion
2.570037 Schwarz criterion
7.860649
2.431805
0
1.45740
5
1.38521
F-statistic
1
78.4141
Prob(F-statistic)
1
0.00000
stat
H0: 2 = 0
H0: 3 = 0
H1: 1 0
H1: 2 0
H1: 3 0
DR.
DR.
El efecto aditivo a favor de las chicas, de 1.38 puntos adicional en la nota final,
independientemente de las horas estudiadas, se ve compensado en parte por
el efecto multiplicativo que afecta a la pendiente, disminuyendo el valor de esta
en 0.14 puntos por hora, es decir, por una menor productividad marginal de
cada hora extra de estudio.
9
Notas
8
7
Chicas
Chicos
5
4
3
Horas
2
0
Las lneas (rectas) sealadas por los puntos en rojo corresponden a los dos
modelos estimados. La pendiente de ambos modelos es distinta (efecto
multiplicativo), y las ordenadas en el origen (efecto aditivo) tambin.
DR.
DR.
DR.
1 20 2 1
1
ei Se 2.570037 0.4007832
20 4 i 1
16
16
1 20
1
( Notasi 5.5425) 2
S y 1.457402
20 1 i 1
19
t3
DR.
0.141116
1.695506
0.083230
tpica
de
la
variable
endgena.
En
descomposicin anterior es
Sy = 19 1.4574022 = Smodelo + 2.570037
de donde se deduce el valor de R2.
este
caso
la
DR.
CONTROL DE LECTURA 2:
DR.
Cuestionario
Introduccin
1. Que es la econometra?
2. Cules son las diferencias entre la correlacin y regresin?
3. Cmo puede vincular los conceptos econometra, correlacin y
regresin.?
Metodologa
1. Explique brevemente los pasos para la construccin de un modelo
economtrico a partir de los niveles de desempleo e inflacin utilizando
la curva de Phillips y su teora.
CONSIDERACIONES DE LOS MODELOS
1. Qu condicin condiciones indispensable debe contener una serie
estadstica para considerarla apta para aplicar la herramienta de
econometra.
2. Cul es la razn de utilizar logaritmos aplicados a una serie estadstica y
que implicaciones tienen en el modelo en cuanto a la interpretacin de
los parmetros o coeficientes.
Mnimos Cuadrados Ordinarios
A continuacin se presenta un caso hipottico en el que se relaciona el tiempo
y la variable Poblacin Ocupada, se pide:
1. Coeficiente de correlacin.
2. Desviacin estndar.
3. Ecuacin de regresin
4. Cual de las formas de ecuacin se ajusta ms para explicar el
comportamiento de esta serie.
DR.
1,236,400
1976
1,269,783
1977
1,304,067
1978
1,336,525
1979
1,440,242
1980
1,437,598
1981
1,392,730
1982
1,307,429
1983
1,484,303
1984
1,393,370
1985
1,371,884
1986
1,484,961
1987
1,532,991
1988
1,740,448
1989
1,633,763
1990
1,854,882
1991
1,781,582
1992
1,753,147
1993
1,802,586
1994
1,950,998
1995
1,973,017
1996
2,056,450
1997
2,066,523
1998
2,227,471
1999
2,274,728
2000
2,322,697
2001
2,451,317
2002
2,412,785
2003
2,520,060
2004
2,526,363
2005
2,607,100
DR.
DR.
DR.
: N [ , 2 ( X T X ) 1 ]
DR.
T Q
: q2 si se cumplen
2
2
MCO
T T M 2
nk 2
2 MCO
: n2 k
2
nk
nk
2
MCO
:
2 2
nk
nk
2
E ( MCO
)
2
2
E ( n2 k )
nk 2
nk
nk
2
var( MCO
)
4
4
2 4
2
var( n k )
2( n k )
(n k )2
(n k ) 2
nk
DR.
Bibliografa utilizada