LibroRosales$Bonilla PDF

APUNTES DE CLASE
APUNTES DE CLASE
EL CENTRO DE ESTUDIOS SOBRE DESARROLLO ECONMICO-CEDE- de la

Facultad de Economa de la Universidad de los Andes se fund en 1958, con el objetivo
de realizar investigaciones econmicas tanto tericas como empricas.
Actualmente, las reas de inters para el CEDE son: Macroeconoma y Sector Financiero, Evaluacin Socioeconmica de Proyectos, Economa Ambiental, Economa
Agrcola, Demografa, Educacin, Salud, Economa Laboral, Economa Regional y
Urbana, Economa Internacional, Economa Experimental, Finanzas Pblicas, Economa, Conflicto y Violencia, y Economa Institucional.
El CEDE tiene dentro de sus objetivos difundir los trabajos realizados por sus
investigadores en las reas mencionadas, as como otros trabajos de inters
acadmico y cientfico. Para el logro de tal propsito, se publica semestralmente la
revista Desarrollo y Sociedad, as como libros y la serie Documentos CEDE. Esta ltima
difunde entre la comunidad acadmica y la profesin los resultados de las principales
investigaciones desarrolladas en el CEDE. Por supuesto, las opiniones expresadas en
ellos son responsabilidad exclusiva de los autores.
CEDE
Centro de Estudios
sobre Desarrollo Econmico
Facultad de Economa
ISSN 1909-4442
! ""#!$! %%%$$%
$&
Carrera 1a No. 18A - 10 Bloque C

Apartado Areo: 4976 - Bogot
Conmutadores:
339 4949 - 339 4999
Extensin: 2400, 2049, 2474
Fax: 332 4492
E-mail: infcede@uniandes.edu.co
Bogot, Colombia
INTRODUCCIN A LA ECONOMETRA
Ramn Antonio Rosales lvarez

Jorge Alexander Bonilla Londoo
3
OCTUBRE
DE
2006
CEDE
UNIVERSIDAD DE LOS ANDES
CEDE
ISSN 1909-4442
Introduccin a la econometra
2006
Ramn Antonio Rosales lvarez - Jorge Alexander Bonilla Londoo
OCTUBRE DE
Apuntes de clase CEDE
CEDE
Centro de Estudios
Facultad de Economa
Universidad de los Andes
APUNTES DE CLASE
CEDE
ISSN 1909-4442

OCTUBRE
DE
2006
CEDE
Serie Apuntes de clase Cede

ISSN: 1909-4442
Octubre de 2006
2006, Universidad de los Andes Facultad de Economa Cede
Carrera 1 No. 18 A 10, Bloque C
Bogot, D. C., Colombia
Telfonos: 3394949- 3394999, ext. 2400, 2049, 2474.
infcede@uniandes.edu.co
http://economia.uniandes.edu.co
Ediciones Uniandes
Carrera 1 No. 19 27, edificio Aulas 6, A. A. 4976
Bogot, D. C., Colombia
Telfonos: 3394949- 3394999, ext. 2133, Fax: ext. 2158.
infeduni@uniandes.edu.co
http//ediciones.uniandes.edu.co
Edicin, diseo de cubierta, preprensa y prensa digital
Proceditor Ltda.
Calle 1 No. 27 A 05.
Bogot, D. C. Colombia
Telfonos: 2204275, 220 4276, Fax: ext. 102
proceditor@etb.net.co
Impreso en Colombia Printed in Colombia
El contenido de la presente publicacin se encuentra protegido por las normas internacionales y nacionales
vigentes sobre propiedad intelectual, por tanto su utilizacin, reproduccin, comunicacin pblica, transformacin, distribucin, alquiler, prstamo pblico e importacin, total o parcial, en todo o en parte, en formato
impreso, digital o en cualquier formato conocido o por conocer, se encuentran prohibidos, y slo sern lcitos en
la medida en que se cuente con la autorizacin previa y expresa por escrito del autor o titular. Las limitaciones y
excepciones al Derecho de Autor, slo sern aplicables en la medida en que se den dentro de los denominados
Usos Honrados (Fair use), estn previa y expresamente establecidas; no causen un grave e injustificado perjuicio a
los intereses legtimos del autor o titular, y no atenten contra la normal explotacin de la obra.
RAMN ANTONIO ROSALES LVAREZ **

JORGE ALEXANDER BONILLA LONDOO ***
Resumen
La econometra es una de las importantes aplicaciones de la
estadstica matemtica, y una herramienta fundamental en la
investigacin econmica, el diseo y anlisis de poltica. El presente
documento desarrolla para aquellos que inician el estudio de la
economa, los elementos tericos bsicos sobre la modelacin
economtrica. Se aborda el modelo clsico de regresin lineal y sus
supuestos, y la manera de efectuar hiptesis. Este documento se
considera un desarrollo preliminar para la posterior iniciacin en
temas ms avanzados de econometra.
Palabras claves: anlisis de correlacin, mnimos cuadrados
ordinarios, modelo economtrico, pruebas de hiptesis.
Clasificacin JEL: C01, C10 y C20.
Este documento hace parte de las notas de clase del curso Mtodos Cuantitativos para las
especializaciones de Economa, Economa Social, Economa del Riesgo y la Informacin, y de
Evaluacin Social de Proyectos de la Facultad de Economa Universidad de Los Andes.
**
Ph. D. en Economa Agrcola, Profesor Asociado de la Facultad de Economa de la
Universidad de Los Andes. Bogot, Colombia. Correo electrnico: rrosales@uniandes.edu.co.
***
Magster en Economa y Magster en Economa del Medio Ambiente y de los Recursos
Naturales, Profesor Instructor de la Facultad de Economa. Universidad de Los Andes. Bogot,
Colombia. Correo electrnico: jobonill@uniandes.edu.co.
INTRODUCTION TO ECONOMETRICS
Abstract
Econometrics is one of the most important applications to the
mathematical statistics and a fundamental tool in the economic research
and in the design and analysis of economic policy. The present
document develops the basic theory concepts of the econometric
modeling for those that begin the study of economics. The specification,
assumptions, estimation, hypothesis testing and predictions for the
classical regression model are the principal topics presented in this text.
The concepts, the tools and their applications developed in this
document are relevant for tackling many practical problems in todays
world and for the introduction in advanced econometric courses.
Key words: correlation analysis, least squares estimation, econometric
model, hypothesis tests.
JEL classification: C01, C10 y C20
TABLA DE CONTENIDO
1. LA MODELACIN Y LA ECONOMETRA ........................................................................................... 5
1.1.
Mtodos Cuantitativos de la Economa...................................................................................... 5
1.2.
Definiciones de la Econometra.................................................................................................. 6
1.3.
Objetivo de la Econometra ........................................................................................................ 7
1.4.
El Procedimiento Economtrico................................................................................................. 7
1.5.
El Modelo ................................................................................................................................... 8
1.6.
El Modelo Econmico ................................................................................................................ 8
1.7.
El Modelo Economtrico .......................................................................................................... 10
1.8.
Elementos que componen el Modelo ........................................................................................ 12
1.9.
Clasificacin de las Variables .................................................................................................. 13
1.10.
Clasificacin de las Ecuaciones ............................................................................................... 13
1.11.
Clasificacin de los Modelos.................................................................................................... 14
2. ORGANIZACIN DE DATOS Y ESTADSTICA DESCRIPTIVA ...................................................... 15
2.1. Objetivos de la Estadstica.............................................................................................................. 15
2.2. Divisiones de la Estadstica ............................................................................................................. 16
2.4. Poblacin y Muestra ........................................................................................................................ 17
2.5. Parmetros Poblacionales y Estadsticos Muestrales ..................................................................... 18
2.6. Medidas de Tendencia Central y de Dispersin .............................................................................. 18
2.7. Mtodos y Diagnsticos Grficos. ................................................................................................... 18
2.8 Ejercicios de computador ................................................................................................................. 21
3. ANALISIS DE CORRELACION ............................................................................................................ 22
3.1. Diagrama de Dispersin.................................................................................................................. 22
3.2. Coeficiente de Correlacin Lineal................................................................................................... 23
3.3. Pruebas de Hiptesis ....................................................................................................................... 25
3.4. Ejercicios de computador ................................................................................................................ 28
4. REGRESION SIMPLE LINEAL Y NO LINEAL.................................................................................... 29
4.1. Objetivo del anlisis de regresin ................................................................................................... 29
4.2. Funcin de regresin muestral y poblacional ................................................................................. 30
4.3. Supuestos del modelo de regresin .................................................................................................. 32
4.4. Mtodo de estimacin de mnimos cuadrados ordinarios................................................................ 35
4.5. Varianzas y errores estndar de los estimadores ............................................................................ 36
4.6. Intervalos de confianza .................................................................................................................... 37
4.7. Pruebas de hiptesis ........................................................................................................................ 37
4.8. Prediccin........................................................................................................................................ 40
4.9. El Coeficiente de Determinacin ..................................................................................................... 40
4.10. Modelos de regresin simple no lineal en las variables ................................................................ 41
4.11. Ejercicios de Computador ............................................................................................................. 42
5. REGRESION MULTIPLE LINEAL Y NO LINEAL .............................................................................. 45
5.1. Expresin del modelo en forma matricial........................................................................................ 45
5.2. Supuestos del modelo....................................................................................................................... 46
5.3. Mtodo de estimacin de mnimos cuadrados ordinarios................................................................ 46
5.4. Matriz de varianzas y covarianzas de los estimadores .................................................................... 46
5.5. Pruebas de hiptesis ........................................................................................................................ 47
5.6. Coeficiente de determinacin ajustado R 2 .................................................................................. 48
5.7. Intervalos de confianza. ................................................................................................................... 49
5.8. Modelos de regresin mltiple no lineal en las variables................................................................ 49
5.9. Ejercicios de Computador. .............................................................................................................. 50
6. INCUMPLIMIENTO DE LOS SUPUESTOS DEL MODELO............................................................... 56
6.1. Multicolinealidad............................................................................................................................. 56
( )
6.2. Heteroscedasticidad......................................................................................................................... 61
6.3. Autocorrelacin ............................................................................................................................... 66
6.4. Error de especificacin.................................................................................................................... 70
6.5. No Normalidad de los errores ......................................................................................................... 73
6.6. Ejercicios de computador. ............................................................................................................... 75
7. INTRODUCCIN A VARIABLES CUALITATIVAS .......................................................................... 83
7.1. Regresin con variables independientes cualitativas ...................................................................... 83
7.2. Regresin con variable dependiente cualitativa .............................................................................. 89
INTRODUCCIN
El curso de Econometra hace parte del rea de mtodos cuantitativos en economa
y se constituye en una herramienta importante en la investigacin econmica, el
diseo y anlisis de poltica. El contenido y el desarrollo del curso son a nivel
introductorio y su inters es la aplicacin de los conceptos tericos. El curso busca
proporcionarle al estudiante las bases iniciales para el manejo de los mtodos y
modelos economtricos, los elementos necesarios para el manejo de la informacin,
anlisis de resultados e interpretacin de las salidas del computador, y familiarizarlo
en sus aplicaciones, tales como la investigacin y la evaluacin de medidas de
poltica.
El documento se encuentra dividido en siete secciones. La primera presenta la
definicin de la econometra, sus objetivos, el concepto del modelo y su
caracterizacin. La segunda trata de la organizacin de datos y la estadstica
descriptiva. La seccin tres aborda los aspectos bsicos del anlisis de
correlacin. La seccin cuatro presenta el modelo formal de regresin lineal
simple. La quinta seccin muestra el modelo de regresin lineal mltiple. La sexta
seccin presenta la teora relacionada con el incumplimiento de los supuestos del
modelo. La seccin siete efecta una introduccin al anlisis transversal de
regresin con variables independientes cualitativas y de variable dependiente
cualitativa. Al final del documento se incluye un anexo que desarrolla el
procedimiento general de manipulacin de datos en el paquete economtrico
Eviews 4.1.
1. LA MODELACIN Y LA ECONOMETRA
1.1.
Mtodos Cuantitativos de la Economa.
Los mtodos cuantitativos de la economa comprenden tres reas: a) Anlisis

Matemtico y lgebra Lineal; b) Programacin Lineal y Anlisis de InsumoProducto y c) Econometra.
La investigacin economtrica se inici con el anlisis estadstico de la Demanda

por Cournout (1838) y Marshall (1890). Posteriormente Tinbergen en 1939 hizo su
aporte a la econometra mediante el estudio del anlisis de los ciclos econmicos.
Sin embargo, en el periodo de 1943-1950 la econometra comienza su desarrollo
con los trabajos de la Comisin Cowles. La hiptesis bsica es: "los datos
econmicos se generan por sistemas de relaciones que son, en general
estocsticos, dinmicos y simultneos".
La econometra hoy en da es una herramienta muy importante para el anlisis y
comportamiento de los fenmenos econmicos. Su desarrollo ha sido acelerado
debido a la dinmica que han mostrado los adelantos en el anlisis matemtico,
en mtodos estadsticos y de computacin.
1.2.
Definiciones de la Econometra
Dado que en la econometra se asocian la Teora Econmica, las Matemticas y la

Estadstica, diferentes definiciones han sido planteadas por los autores, en las que
se tratan de relacionar estas tres reas del conocimiento.
G. Tintner: la econometra consiste en la aplicacin de la teora econmica
matemtica y de los mtodos estadsticos a los datos econmicos para establecer
resultados numricos y verificar los teoremas.
W.C. Hood y T.C. Koopmans: la econometra es una rama de la economa donde
la teora econmica y los mtodos estadsticos se fusionan en el anlisis de los
datos numricos e institucionales.
T. Havellmo: el mtodo de la investigacin economtrica intenta, esencialmente,
unir la teora econmica y las mediciones reales, empleando la teora y la tcnica
de la inferencia estadstica como un puente.
Estas tres definiciones nos indican que la econometra es cuantitativa y que est
en estrecho contacto con la realidad.
R. Frisch: la econometra a pesar de nutrirse de la Teora Econmica, de las
Matemticas y de la Teora Estadstica, no es ni "Estadstica Econmica", ni
"Teora Econmica", ni "Economa Matemtica".
O. Lange: la econometra es la ciencia que trata de la determinacin, por mtodos
estadsticos, de leyes cuantitativas concretas que rigen la vida econmica. Esta
combina la Teora Econmica con la Estadstica Econmica y trata de dar, por
mtodos matemticos y de inferencia, una expresin concreta a las leyes
generales establecidas por la teora.
1.3.
Objetivo de la Econometra
El objetivo de la econometra es expresar la teora econmica en trminos

matemticos, verificar dicha teora por mtodos estadsticos, medir el impacto de
una variable sobre otra, predecir los sucesos futuros, o proveer recomendaciones
de la poltica econmica.
1.4.
El Procedimiento Economtrico
El anlisis economtrico involucra las siguientes etapas principales:

1. Especificacin del modelo: consiste en usar la teora, leyes o hiptesis
particulares econmicas, para investigar las relaciones entre variables y
agentes de la economa.
2. Estimacin del modelo: trata de la utilizacin de instrumentos auxiliares como
las matemticas y la estadstica para estimar el modelo objetivo.
3. Verificacin del modelo: en esta etapa se efecta la interpretacin econmica
del modelo estimado y se realizan pruebas estadsticas. La fase de
verificacin tiene un papel muy importante dado que examina si la expresin

cuantificada puede utilizarse adecuadamente con base en la teora
econmica.
4. Prediccin: el modelo obtenido puede ser utilizado para la prediccin y el
desarrollo de muchas aplicaciones. Pueden surgir nuevos resultados
tericos, y generarse implicaciones de poltica econmica a partir de las
conclusiones del modelo.
1.5.
El Modelo
Un modelo es una representacin simplificada de la realidad. Los investigadores y

los profesionales de diversas reas del conocimiento trabajan con stos
esquemas, los cuales les permiten estudiar el comportamiento de un fenmeno de
inters.
A. Rosenblueth se refiri a los modelos cientficos de la siguiente manera: "la
construccin de modelos para los fenmenos naturales es una de las tareas
esenciales de la labor cientfica. Mas an, se puede decir que toda la ciencia no
es sino la elaboracin de un modelo de la naturaleza. La intencin de la ciencia y
el resultado de la investigacin cientfica, es obtener conocimiento y el control de
alguna parte del Universo".
1.6.
El Modelo Econmico
Se denomina modelo econmico a cualquier conjunto de supuestos que describen

una economa o parte de una economa. En este sentido, la teora econmica puede
entenderse como la formulacin y anlisis de modelos cuantitativos. Esta
esquematizacin requiere un planteamiento particular de las interrelaciones entre las
variables que intervienen en el fenmeno de estudio.
Las caractersticas mnimas que debe satisfacer un modelo econmico son las
siguientes:
1. Que represente un fenmeno econmico real.
2. Que la representacin sea simplificada, y

3. Que se haga en forma matemtica.
Al definir un modelo econmico como un conjunto de relaciones matemticas
(usualmente ecuaciones) que expresan una teora econmica, no se exige
necesariamente la especificacin concreta del tipo de funcin que relaciona las
variables involucradas. Un ejemplo de un modelo econmico es:
Y = f ( X 1 , X 2 ,!, X k )
(1)
donde Y = cantidad producida; Xi = cantidad del i-esimo insumo, i=1,2,,k.

Aunque esta ecuacin, denominada funcin de produccin, no presenta una
estructura muy particular del arreglo de las variables X sobre Y, expresa de forma
general la relacin entre el producto y los insumos, y que son las cantidades
utilizadas de factores las que determinan la magnitud producida, y no lo contrario.
Para establecer una forma concreta de la especificacin de un modelo se debe
precisar el tipo de relacin que existe entre las variables econmicas. Un ejemplo de
ello es una representacin lineal:
Y = 0 + 1 X 1 + 2 X 2 + " + k X k
(2)
Est relacin puede ser correcta. Sin embargo, cuando no se conoce si el insumo X2
es determinante en forma lineal sobre Y, puede ocurrir error de especificacin.
Tambin se debe resaltar que este modelo hace nfasis en un nmero relativamente
pequeo de
variables
importantes cuya interrelacin
adecuadamente en un modelo matemtico.
se
puede
expresar
1.7.
El Modelo Economtrico
El modelo economtrico es el modelo econmico que contiene las especificaciones

necesarias para su validacin emprica. Es usual concebir el modelo economtrico
como un modelo conformado por una parte determinstica y una parte aleatoria o
trmino de error. El modelo economtrico para el ejemplo expuesto en la ecuacin
(2) tomara la forma:
Y = 0 + 1 X 1 + 2 X 2 + " + k X k +
(3)
donde 0 + 1 X 1 + 2 X 2 + " + k X k es la parte determinstica y es el termino de

error o componente estocstico.
Los modelos economtricos por considerar un trmino aleatorio en su estructura,
hacen parte de los modelos probabilsticos. Una diferencia fundamental entre los
modelos econmicos y los modelos economtricos, es que los primeros son siempre
validos, dado que han sido establecidos por la teora econmica y solo persiguen la
expresin general de ella. Por otro lado, los modelos economtricos, reflejan el
estado de las cosas o de una situacin especfica y aunque tiene sus bases en la
teora econmica sus resultados pueden cambiar de un estudio a otro.
Los modelos economtricos se prueban a travs del uso sistemtico de la
informacin estadstica. Un modelo economtrico permite la inferencia estadstica a
partir de los datos recopilados, por lo cual ste debe incorporar los elementos
aleatorios que se suponen intervienen en la determinacin de las observaciones.
Estas ltimas pueden constituyen una muestra si la aleatoriedad de los datos es
garantizada.
10
Existen diferentes razones por las cuales los modelos economtricos deben
considerar el trmino de error, destacndose como las ms importantes las
siguientes:
a) Datos: en muchos casos el grado de control que se puede tener sobre las
variables de inters es bajo. Adicionalmente, aunque se desea obtener los
verdaderos valores de las variables, se debe aceptar que puede existir cierto
error en la medicin.
Un ejemplo tpico ocurre cuando las personas encuestadas por diferentes
motivos revelan un ingreso diferente al real y dicha variable se incorpora al
modelo. Otro caso semejante sucede cuando se le pregunta al agricultor sobre
la cantidad de fertilizante que aplic por hectrea a su cultivo en la cosecha
pasada; ste dado que no se acuerda de dicha magnitud, provee un dato que
diverge del real.
b) Nmero de variables: el investigador siempre tiene restricciones para incluir
todas las variables que explican un fenmeno. Por un lado, no cuenta con
completa informacin, y por otro, aunque disponga de demasiada informacin
su formulacin es extremadamente compleja que dificulta su interpretacin. Por
lo tanto, el procedimiento se basa en incluir aquellas variables ms relevantes,
dejando fuera del modelo aquellas poco significativas.
No obstante, el
investigador es consciente de que al no poder incluir todas las variables incurre

en cierto margen de error al efectuar la estimacin.
c) Disponibilidad de informacin: muchas veces cuando el investigador quiere
incluir una variable importante en el modelo se encuentra con la limitacin de
cmo cuantificarla. Un ejemplo de ello es la variable habilidad; se conoce que
sta tericamente afecta el salario; sin embargo el investigador tiene que
conformarse con incluir otra variable o informacin adicional que sea semejante
y la describa de manera aproximada.
11
d) Forma funcional: un investigador puede postular que la relacin entre las

variables de un modelo es de tipo lineal; no obstante, otro investigador podra
formular una especificacin funcional distinta, por ejemplo cuadrtica. Esta es
otra fuente de error en la elaboracin del modelo, pues no se puede tener total
certeza sobre su forma funcional an cuando la teora seale algunas directrices
para corregirlo.
De acuerdo con lo anterior un procedimiento sugerido para llevar a cabo la
formulacin de un modelo economtrico es el siguiente: 1) Delimitar el fenmeno de
estudio; 2) Tener claridad sobre el objetivo del modelo; 3) Seleccionar las variables
relevantes; 4) Establecer las relaciones entre las variables, y 5) Con base en el
objetivo planteado, estructurar una especificacin y estimar el modelo usando la
informacin y base de datos de las variables.
1.8.
Elementos que componen el Modelo
Los elementos que componen el modelo son: las variables, las ecuaciones y los
parmetros.
Una variable es una caracterstica de una poblacin que puede tomar diferentes
valores. Solo son de inters aquellos valores de la variable que tienen un significado
econmico. Por ejemplo las variables: precio, produccin, ingreso, y cantidad de
insumo utilizado tienen regin econmicamente factible en los nmeros reales
positivos.
Una ecuacin es una igualdad conformada por una expresin matemtica que
establece relaciones entre variables. La ecuacin contiene no solo las variables de
inters sino tambin los coeficientes que afectan estas mismas. A estas ltimas
magnitudes se les denomina parmetros desde el enfoque estadstico, los cuales en
un modelo lineal actan como factores de ponderacin de cada variable explicativa y
12
miden el efecto de las fluctuaciones de estas variables sobre la variable dependiente.

Los parmetros cumplen un papel muy importante en el modelo, ya que sobre estos
el investigador formula pruebas de hiptesis. Al observar la ecuacin (3), el
coeficiente que no acompaa ninguna variable independiente se le conoce como
constante paramtrica o intercepto; en algunos casos su magnitud no tiene
interpretacin econmica.
1.9.
Clasificacin de las Variables
Desde el punto de vista econmico las variables se pueden clasificar como variables
endgenas y exgenas. Las variables endgenas son aquellas cuyos valores se
determinan o calculan dentro del modelo. En contraste, las variables exgenas se
caracterizan por que sus valores estn determinados fuera del modelo.
Tambin existen otras clasificaciones de las variables; desde el enfoque de
inferencia estadstica: variables aleatorias discretas y continuas, y de acuerdo con su
rol en expresin matemtica: variables dependientes e independientes, explicadas o
explicativas. Otro grupo de variables lo constituyen las variables predeterminadas. A
este pertenecen las variables exgenas con o sin rezago (o retardo) y las endgenas
rezagadas. Una denominacin adicional son las variables esperadas o de
expectativas, las cuales son gran utilidad en la formulacin de modelos dinmicos.
1.10. Clasificacin de las Ecuaciones
Bajo la perspectiva econmica las ecuaciones se pueden clasificar de la siguiente

forma:
a) Ecuaciones de comportamiento: Son aquellas que reflejan el comportamiento de
los distintos agentes econmicos (consumidores, productores, inversionistas,
etc.). Las ecuaciones de comportamiento son las que mayor aporte terico le
13
hacen a los modelos.
Ejemplos de ecuaciones de comportamiento son: la
demanda, la oferta, la inversin, el consumo, el ahorro, etc.

b) Ecuaciones tecnolgicas: El ejemplo tpico de una ecuacin tecnolgica es la
funcin de produccin, la cual refleja el estado de la tecnologa de un sector
de un pas.
c) Ecuaciones institucionales: Reflejan un mandato o voluntad del gobierno o de
los estamentos que toman las decisiones en un pas. Ejemplo de ecuaciones
institucionales son: oferta monetaria, impuestos, subsidios, etc.
d) Ecuaciones de definicin: Son ecuaciones o identidades matemticas y
econmicas vlidas por definicin. Generalmente son relaciones contables y la
mayora de los ejemplos de este tipo de ecuaciones se encuentran en las
cuentas macroeconmicas. Una ecuacin de definicin es activo = pasivo +
capital, o la ecuacin de identidad macroeconmica del Producto Nacional Bruto
para una economa con tres sectores.
e) Ecuaciones de equilibrio: Estas garantizan que el modelo tenga solucin.
Ejemplos de estas ecuaciones son: oferta igual a demanda, o ahorro igual a
inversin.
1.11. Clasificacin de los Modelos
Segn la cobertura econmica o subdisciplina, los modelos pueden ser
microeconmicos o macroeconmicos. De acuerdo con el nmero de variables
independientes, los modelos se dividen en simples y mltiples. Si se considera el
nmero de ecuaciones se tienen modelos uniecuacionales y multiecuacionales. Con
base en el periodo de tiempo, los modelos pueden ser estticos o dinmicos. Al
relacionar el nmero de variables endgenas con el nmero de ecuaciones, los
modelos se dividen en completos o incompletos.
14
2. ORGANIZACIN DE DATOS Y ESTADSTICA DESCRIPTIVA

2.1. Objetivos de la Estadstica
La estadstica es el lenguaje universal de la ciencia, tanto en sus ramas fsicas como
sociales. La estadstica es un instrumento formal que utilizado de manera rigurosa y
con precisin, permite describir resultados y adoptar decisiones respecto a lo que
estos evidencian empricamente. La estadstica en su aplicacin sigue el mtodo
cientfico y se define como la ciencia de recolectar, clasificar, describir e interpretar
datos numricos, es el lenguaje universal de la ciencia y el estudio de los fenmenos
aleatorios. Dentro de sus objetivos fundamentales se encuentra la estimacin de una
o ms caractersticas desconocidas de una poblacin, la realizacin de inferencias y
pruebas de hiptesis.
Se considera fundador de la estadstica a Godofredo Achenwall, economista alemn
(1719-1772), quien siendo profesor de la universidad de Leipzig, escribi sobre el
descubrimiento de una nueva ciencia que llam estadstica (palabra derivada de
Staat que significa gobierno) y que defini como el conocimiento profundo de la
situacin respectiva y comparativa de cada estado. Desde su aparicin la
estadstica se ha enriquecido continuamente con los aportes de matemticos,
filsofos y cientficos.
La teora general de la estadstica es aplicable a cualquier campo cientfico del cual
se toman observaciones. El estudio y aplicacin de los mtodos estadsticos son
necesarios en todos los campos del saber, sean estos de nivel tcnico o cientfico.
Las primeras aplicaciones de la estadstica fueron los temas de gobierno, luego las
utilizaron las compaas de seguros y los empresarios de juegos de azar;
posteriormente los comerciantes, los industriales, los educadores, etc. En la
actualidad resulta difcil indicar profesiones que no utilicen la estadstica.
15
2.2. Divisiones de la Estadstica

La estadstica puede dividirse ampliamente en dos reas: estadstica descriptiva o
deductiva y estadstica inferencial o inductiva. La estadstica descriptiva es aquella
en la que la mayora de la personas piensan cuando escuchan la palabra
"estadstica". Esta es el rea de la estadstica dedicada a la recoleccin,
presentacin, y descripcin de datos numricos, cuyas conclusiones sobre los
mismos no van ms all de la informacin que estos proporcionan. Por otro lado, la
inferencia estadstica es el mtodo y conjunto de tcnicas que se utilizan para
obtener conclusiones ms all de los lmites del conocimiento aportado por los datos;
en otras palabras, busca obtener la informacin que describe y caracteriza una
poblacin a partir de los datos de una muestra.
2.3. Tipos de Variables

En estadstica cuando se recopila informacin, los datos se registran por medio de la
observacin o medicin de una variable aleatoria que proviene de la realizacin de
un experimento. La variable se llama aleatoria, debido a la existencia de distintos
resultados posibles del experimento y que no hay certeza total de que al efectuarlo
uno de los resultados se obtenga siempre con una probabilidad del 100%. Por lo
tanto, el hecho que una variable tome un valor particular es considerado un evento
aleatorio.
An, cuando las observaciones resultantes no siempre son numricas en algunos
experimentos, estas pueden cuantificarse asignndoles nmeros que indiquen o
representen una categorizacin. Por esta razn, el inters se centra generalmente
en variables que pueden representarse numricamente.
Existen dos tipos de variables aleatorias: discretas y continuas. Las primeras son
aquellas cuyo nmero de valores que pueden tomar es contable (ya sea finito o
16
infinito) y pueden arreglarse en una secuencia que corresponde uno a uno con los
enteros positivos; mientras las segundas toman valores dentro de un intervalo de
recta de los nmeros reales. Si se tienen dos variables aleatorias, por ejemplo: el
nmero de hijos por familia y el consumo de energa elctrica; la primera, se
encuentra dentro del grupo de variables aleatorias discretas, y la segunda, dentro del
conjunto de variables aleatorias continuas.
2.4. Poblacin y Muestra
El concepto de poblacin y muestra es muy importante en la inferencia estadstica,
por lo que es conveniente presentar su definicin:
Poblacin: Es la coleccin completa de individuos, objetos o medidas que

tienen
una
caracterstica
en
comn.
La
poblacin
debe
definirse
cuidadosamente en cada estudio cientfico de acuerdo con el inters y

objetivo de la investigacin.
Muestra: Es un subconjunto de la poblacin; es decir, ella se compone de

algunos de los individuos, objetos o medidas de una poblacin. La muestra
es obtenida con el propsito de investigar, a partir del conocimiento de sus
caractersticas particulares, las propiedades de toda la poblacin. Por ello, es
primordial la seleccin de una muestra representativa de la poblacin. Es
necesario formalmente enfatizar en la aleatoriedad de la muestra, es decir
sobre la manera de seleccionar los elementos de la poblacin que
conformarn la muestra. La palabra aleatoriedad para este caso consiste en
garantizar que cada elemento de la poblacin tenga la misma probabilidad de
ser elegido. Se considera que una muestra es ms eficiente, cuando
proporciona la mayor informacin til al menor costo.
Los conceptos anteriores pueden tratarse en el siguiente ejemplo: Suponga que se

desea conocer el consumo promedio por hogar de energa elctrica en la ciudad de
17
Bogot. Para este caso, la poblacin corresponde a todos los hogares de la ciudad,
mientras que la muestra estar constituida por aquellos hogares que pueden ser
seleccionados de manera aleatoria, como un grupo representativo de todos los que
habitan en Bogot.
2.5. Parmetros Poblacionales y Estadsticos Muestrales
El trmino parmetro es utilizado para referirse a una caracterstica desconocida de
la poblacin, que desea estimarse o evaluarse a travs de una prueba de hiptesis, y
que describe total o parcialmente su funcin de probabilidad o funcin de densidad
de probabilidad. Por otro lado, el estadstico es una medida numrica de una
caracterstica poblacional obtenida a partir de una muestra. Cabe anotar que los
estadsticos son fundamentales en la realizacin de inferencias. El valor promedio y
la varianza son ejemplos de tales medidas.
2.6. Medidas de Tendencia Central y de Dispersin
Las medidas de tendencia central se encuentran dentro de las medidas numricas
que se emplean comnmente para describir conjuntos de datos. La tendencia central
de un conjunto de datos es la disposicin de stos para agruparse, ya sea alrededor
del centro o de ciertos valores numricos. A este grupo de medidas pertenecen la
media, la mediana y la moda.
Existen otro tipo de medidas numricas denominadas medidas de dispersin, cuyo
objetivo es explorar la variabilidad de los datos, es decir qu tan dispersas son las
observaciones en un conjunto de datos. Dentro de estas medidas se encuentran: la
varianza, la desviacin estndar, el recorrido o rango, entre otras.
2.7. Mtodos y Diagnsticos Grficos.
Los datos en los experimentos son recopilados inicialmente sin agrupar, para
18
luego, segn el inters del investigador presentarlos agrupados, en forma de clases

o intervalos. Es importante tener en cuenta que las fuentes de informacin primaria y
secundaria pueden almacenar sus datos sin agrupar o como datos agrupados.
Con base en lo anterior, es relevante conocer el procedimiento de clculo de las
medidas numricas para ambos casos. Las expresiones algebraicas que describen
la forma de obtener las medidas de tendencia central y de dispersin se muestran en
la Tabla No. 1.
Con los datos agrupados de una variable aleatoria es posible construir histogramas
de frecuencias, los cuales pueden ser comparados con las representaciones grficas
de distribuciones de probabilidad ya conocidas de variables aleatorias. En la mayora
de los casos, estos histogramas se comparan con la distribucin normal, donde por
inspeccin es posible identificar sesgos o apuntamientos en la distribucin.
19
TABLA No. 1. MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIN.

Medida Numrica
Datos sin agrupar
Datos agrupados
k
Media
x=
xi
i =1
x=!
f i xi
i =1
, donde n =
! fi
i =1
Donde fi es la frecuencia absoluta de la

clase i, para todo i = 1,2,,k clases o
intervalos.
Mediana
Mediana = L + c( j f m )
Valor central de la
distribucin (el 50% de los
datos se encuentran por
encima de este valor).
Moda
Donde L es el lmite inferior de la clase

donde se encuentra la mediana, fm es la
frecuencia de esa clase, c es la longitud
de ese intervalo y j es el nmero de
observaciones en esta clase necesarias
para completar un total de n/2.
Casos:
Punto medio de la clase con
frecuencia ms alta.
El promedio de los puntos
medios
de
las
clases
consecutivas con frecuencias
iguales ms altas.
Puntos medios de las clases no
consecutivas con frecuencias
iguales ms altas.
Valor ms frecuente
Medida Numrica
Datos sin agrupar
Varianza
s = ! ( x i x ) ( n 1)
2
Datos agrupados
i =1
' n
$
% ! xi "
n
xi2 & i =1 #
!
n
2
i =1
s =
n 1
Desviacin Estndar
s=
s2 =
! (x x)
i =1
s2 =
'
$
% ! xi "
i =1
&
#
x
!
n
2
i =1
s= s =
n 1
n
s = s2 =
2
i
Recorrido o Rango
Max-min.
20
i =1
(n 1)
' k
$
% ! f i xi "
%
"
#
f i xi2 & i =1
n
n 1
!
i =1
$
' k
% ! f i xi "
#
f i xi2 & i =1
n
n 1
2.8 Ejercicios de computador

Considrese el siguiente conjunto de datos hipotticos de un estudio de demanda:
TABLA No. 2. DATOS HIPOTTICOS EN EL ESTUDIO DE DEMANDA DEL BIEN X.
No. de
Obs.
1
2
3
4
5
6
7
8
9
10
11
12
13
DX
PX
PZ
PW
37
38
18
50
22
55
42
29
63
13
60
62
36
7
6
10
4
9
2
8
8
2
12
3
3
6
5
7
3
9
3
12
5
5
18
2
9
10
5
7
5
13
4
11
3
8
9
3
15
5
5
6
6
8
3
18
3
21
2
19
20
6
12
5
26
Donde:
DX: es la demanda del bien X
PX: es el precio del bien X
PZ: es el precio del bien Z
PW: es el precio del bien W
I:
es el ingreso
ESTADSTICAS DESCRIPTIVAS
MEDIDAS DE TENDENCIA CENTRAL, DE DISPERSION Y NORMALIDAD
Mean
Median
Maximum
Minimum
Std. Dev.
Sum
Observations
DX
40.38462
38.00000
63.00000
13.00000
16.89940
525.0000
13
PX
6.153846
6.000000
12.00000
2.000000
3.210560
80.00000
13
PZ
7.153846
5.000000
18.00000
2.000000
4.431820
93.00000
13
21
PW
7.230769
6.000000
15.00000
3.000000
3.811252
94.00000
13
I
11.46154
8.000000
26.00000
2.000000
8.272599
149.0000
13
3. ANALISIS DE CORRELACION
3.1. Diagrama de Dispersin
Una primera aproximacin con el fin de detectar algn tipo de relacin entre dos
variables (X y Y), consiste en ubicar los pares de valores de en un plano cartesiano
hasta conformar la nube de puntos. Un diagrama de dispersin es la representacin
grfica de todos los pares de valores en sistema de ejes de coordenadas.
El diagrama de dispersin no es un mtodo estadstico como tal, ms bien estara
dentro de los llamados mtodos de "inspeccin preliminar", sin embargo, es una
manera simple de visualizar si existe alguna posible relacin entre las variables. El
diagrama de dispersin puede presentar diferentes formas, tales como las que se
presentan en las figuras siguientes:
La figura a) muestra una posible relacin lineal directa entre las variables; mientras,
22
la figura b) seala una relacin lineal de tipo inversa. Las figura c) y d) revelaran
posibles relaciones cuadrticas entre las variables, exhibiendo un mximo y un
mnimo para la primera y segunda de estas figuras, respectivamente. La figura e)
mostrara una tendencia de tipo cbico entre las variables. La figura f) es un ejemplo
en el cul no puede identificarse por inspeccin algn tipo de relacin entre las
variables, pues aparentemente ella no existe.
3.2. Coeficiente de Correlacin Lineal
Si bien es cierto que el diagrama de dispersin permite visualizar la existencia o no
de una posible relacin lineal entre las variables, el investigador debe soportar sus
conclusiones en trminos de alguna medida estadstica. El coeficiente de correlacin
lineal es un estadstico que mide el tipo de relacin (signo) y la fuerza (magnitud del
coeficiente) de asociacin lineal entre dos variables. Usualmente el coeficiente de
correlacin lineal, representado por la letra r, bajo las condiciones de un muestreo
aleatorio ideal se considera una buena representacin del coeficiente de correlacin
poblacional ( ). La frmula para calcular r es la siguiente:
^
rXY
rXY =
Cov( X , Y )
=
S X SY
! (x x )( y y )
! (x x ) ! ( y y )
i
rXY =
!x y
(! x )
i
+! x i 2
+,
(! x )(! y )
i
2
*(
yi ) *
!
2
( +! y i
(
n
() +,
()
[! x
!x y
i
2
i
n( x y )
n(x )
][! y
2
i
n( y )
El coeficiente de correlacin no tiene unidades y puede tomar valores entre -1 y +1
( 1 rXY
1) . Su interpretacin depende del signo y la magnitud que tome. El signo
es determinado solamente por el numerador de la frmula de clculo; es decir por la
23
covarianza, la cual mide la asociacin lineal absoluta entre las variables; el

denominador es siempre positivo dado que en l se encuentran sumas de
cuadrados.
Si r tiende a 1 como seria el caso de la figura a) estara indicando una relacin lineal
positiva o directa entre las variables. Si r tiende a -1, existira una relacin lineal
negativa o inversa entre las variables. Cuando r es exactamente igual a 1 o -1 la
relacin lineal es perfecta, siendo posible ajustar todos los puntos a travs de una
lnea recta con pendiente positiva (ver figura g) o negativa (ver figura h),
respectivamente. Si r es cero no hay relacin lineal entre las variables y una lnea
horizontal une todos los pares de valores localizados en el diagrama de dispersin
(ver figura i).
La ventaja principal del coeficiente de correlacin lineal es su fcil clculo e

interpretacin. Sin embargo, cuando las variables presentan algn tipo de relacin no
lineal, r no puede medir esta clase de asociacin. As mimo, dado que r calcula la
dependencia lineal solo entre pares de variables, no proporciona informacin sobre
la asociacin simultnea de ms de dos variables.
A continuacin se presentan las propiedades del coeficiente de correlacin:
24
1. r es de naturaleza simtrica. Esto indica que el coeficiente de correlacin

entre X y Y es igual al coeficiente de correlacin entre Y y X.
2. r es independiente del origen y la escala. Si se define X*i = aXi + c y Y*i = bYi
+ d, donde a>0, b>0, y c y d son constantes, entonces r entre X* y Y*
(variables transformadas) es igual al r entre X y Y (variables originales).
3. Si X y Y son variables estadsticamente independientes, el coeficiente de
correlacin lineal entre X y Y es cero. No obstante, si r es cero, esto no
implica necesariamente que X y Y sean estadsticamente independientes.
Una de las condiciones para que el coeficiente de correlacin se pueda aplicar es
que las variables sean continuas y con distribucin normal. En caso de que esto no
se cumpla como es el caso de variables discretas se debe buscar otra medida
estadstica para evaluar la dependencia entre las variables. Una alternativa para ello
son las tablas de contingencia.
3.3. Pruebas de Hiptesis
La formalidad estadstica sugiere realizar pruebas de hiptesis sobre los parmetros
poblacionales basndose en los estadsticos encontrados. Por ejemplo, an cuando
el coeficiente de correlacin lineal estimado entre dos variables sea diferente de
cero, esto no es suficiente para afirmar que el parmetro poblacional es en
realidad distinto de cero, pues requiere recordarse que las inferencias se efectan
con base en informacin muestral y existe un margen de error cuando se realiza este
tipo de procedimiento. A continuacin se presenta el esquema de prueba de
hiptesis para el coeficiente de correlacin lineal cuando el investigador desea
evaluar si hay o no dependencia lineal entre un par de variables. Por lo tanto, se
desea probar si el parmetro poblacional es o no diferente de cero:
25
Paso 1:
Paso 2:
Planteamiento de la hiptesis:
Ho:
=0
Ha:
Nivel de significancia. Representa el nivel de error mximo tolerable

para realizar la prueba. Este es establecido o definido por el
investigador y se denota con la letra . Los valores de significancia
con los cuales se trabajan pueden cambiar de una disciplina o ciencia a
otra. Bajo situaciones donde los experimentos tienen una alto grado de
control, usualmente se trabaja con niveles del 1% y 5%, (altamente
significativo y significativo, respectivamente). En las investigaciones de
las ciencias sociales, donde existe un limitado grado de control sobre
las variables, pueden encontrarse significancias estadsticas del 10% y
en algunas ocasiones hasta un 20%.
Paso 3:
El estadstico de prueba. Es una medida estadstica calculada a partir

de informacin muestral o experimental para llevar a cabo la prueba.
Para el caso de correlacin lineal simple, el estadstico de prueba se
define como:
tC =
(r
n 2
1 r2
~. t
2, n 2
donde r es el coeficiente de correlacin lineal muestral, n es el tamao

de la muestra, n-2 los grados de libertad de la prueba y el valor del
parmetro poblacional en la hiptesis nula. En este ejemplo
particular, toma el valor de cero, pero en otras pruebas, de
acuerdo con lo que desee evaluar el investigador
corresponder a un valor distinto de cero, entre 1 y 1.
26
puede
Paso 4:
Regiones de decisin. Dado que la hiptesis alterna seala el

smbolo , se trabaja con los dos lados de la distribucin. La regin
de rechazo estar repartida en los extremos de la funcin de
probabilidad, con un valor de 2 a cada lado. Los valores de los
lmites derecho e izquierdo que limitan las regiones de rechazo se
determinan mediante el uso de la tabla t con sus respectivos grados
de libertad. Estos valores de t se denominan estadsticos de
contraste. La figura j muestra la regin de rechazo (RHo) y
aceptacin (AHo) de la hiptesis nula de esta prueba:
Paso 5:
Criterio de decisin y conclusin del investigador. Se debe comparar

el estadstico calculado o de prueba
tabulado t
2, n 2
(tC )
contra el estadstico
). El criterio de decisin esta basado en: 1) si el t
calculado es mayor que el t de tablas positivo, cae en la regin de

rechazo del lado derecho de la distribucin y la decisin que se debe
tomar es rechazar la hiptesis nula ( 0 ); 2) si el t calculado es
menor que el t de tablas negativo, el t calculado cae en la regin de
rechazo del lado izquierdo y la decisin igualmente es rechazar la
hiptesis nula ( 0 ); y 3) si el t calculado se encuentra entre el -t y t
de las tablas, el t calculado cae en la regin de aceptacin y la
decisin es no rechazar la hiptesis nula ( = 0 ). Posteriormente, el
investigador basado en el criterio de decisin concluye e interpreta
27
los resultados de la prueba, y plantea las recomendaciones

pertinentes.
La significancia estadstica del coeficiente de correlacin en la prueba de hiptesis se
afecta por el tamao de la muestra (n) o mejor an por los grados de libertad,
lgicamente a mayor tamao de la muestra el valor de r tiene mayor confiabilidad. Si
se encuentra un valor de r relativamente bajo y n es grande, es posible que ste sea
significativo al comparar el estadstico de prueba con el de contraste o de tablas;
alternativamente se puede encontrar un r alto pero no significativo estadsticamente
debido a que n es muy pequeo y por consiguiente el nmero de grados de libertad
es bajo.
3.4. Ejercicios de computador
Usando los mismos datos del ejemplo hipottico de demanda planteado en el
captulo anterior, a continuacin se presenta el diagrama de dispersin, y la matriz
de covarianzas y de correlacin de las variables:
DIAGRAMAS DE DISPERSIN
28
MATRIZ DE COVARIANZAS
VARIABLE
DX
PX
PZ
PW
I
DX
263.6213
-47.98225
60.01775
-53.78107
47.89941
PX
-47.98225
9.514793
-11.63905
10.73373
-12.99408
PZ
60.01775
-11.63905
18.13018
-12.65089
16.69822
PW
-53.78107
10.73373
-12.65089
13.40828
-16.18343
I
47.89941
-12.99408
16.69822
-16.18343
63.17160
PW
-0.904592
0.950308
-0.811397
1.000000
-0.556062
I
0.371175
-0.530011
0.493410
-0.556062
1.000000
MATRIZ DE CORRELACION
VARIABLE
DX
PX
PZ
PW
I
DX
1.000000
-0.958056
0.868137
-0.904592
0.371175
PX
-0.958056
1.000000
-0.886170
0.950308
-0.530011
PZ
0.868137
-0.886170
1.000000
-0.811397
0.493410
4. REGRESION SIMPLE LINEAL Y NO LINEAL

4.1. Objetivo del anlisis de regresin
El objetivo fundamental del anlisis de regresin es el estudio de la dependencia de
una variable, llamada explicada, de una o ms variables llamadas explicativas. El
anlisis de regresin se apoya en el concepto matemtico de funcin, en el que se
tiene una variable dependiente (variable explicada) y un conjunto de variables
independientes (variables explicativas) con el fin de estimar los coeficientes o
parmetros de dicha funcin y efectuar predicciones (encontrar el valor esperado de
la variable dependiente cuando se construyen escenarios reflejados en los valores
que toman las variables independientes).
Todo procedimiento economtrico sigue los siguientes pasos: la especificacin, la
estimacin, la verificacin y la prediccin. A continuacin se presenta una breve
descripcin de cada etapa:
29
1.
Especificacin: corresponde a la etapa en que el investigador define la forma

funcional del modelo que desea utilizar para explicar la variable dependiente
siguiendo los lineamientos de la teora econmica.
2.
Estimacin: durante esta se calculan los valores numricos de los coeficientes

o parmetros del modelo; para ello es necesario apoyarse en los mtodos de
estimacin y la aplicacin de rutinas de computador usando paquetes
estadsticos (Eviews).
3.
Verificacin: consiste en corroborar la validez terica y estadstica del modelo,

es decir, evaluar si los signos obtenidos para los coeficientes estimados son
los esperados y si el modelo cuenta con propiedades estadsticas adecuadas
(buen ajuste, alta relevancia y dependencia).
4.
Prediccin: muchas veces los modelos elaborados por los economistas no

tienen solo como objeto mostrar la relacin entre variables y la magnitud de
dicha relacin entre estas a travs de una forma funcional, sino que adems
los modelos tienen implicaciones en trminos de prediccin. En este sentido
puede encontrarse el efecto esperado sobre la variable dependiente para
diversos valores de las variables independientes fuera del rango muestral. En
este procedimiento la inferencia estadstica juega un papel importante.
4.2. Funcin de regresin muestral y poblacional
La lnea de regresin E (Y / X i ) = 1 + 2 X i es la unin de los puntos que

representan los valores esperados de variable dependiente Y dado los valores de las
variables independientes Xs. Esta lnea se puede construir a partir del diagrama de
dispersin conformado por los datos poblaciones; en este caso la lnea de regresin
se conoce como la funcin de regresin poblacional. A continuacin se presenta una
30
grfica de la lnea de regresin poblacional cuando el gasto en consumo de un hogar

se desea explicar por el ingreso.
Por otro lado, cuando la lnea de regresin es construida con los datos muestrales
recibe el nombre de funcin de regresin muestral. Como todo procedimiento de
inferencia estadstica, lo que se pretende es que la muestra sea una buena
representacin de la poblacin. En este sentido, la funcin de regresin muestral
constituye una representacin de la funcin de regresin poblacional. A s mismo,
en la prctica, las muestras de variables aleatorias son usadas para inferir sobre
las caractersticas de la poblacin.
La siguiente grfica presenta un ejemplo de dos lneas de regresin muestral para
el gasto en consumo semanal de un hogar versus el ingreso.
31
4.3. Supuestos del modelo de regresin

Los supuestos del modelo junto con los mtodos de estimacin caracterizan los
resultados obtenidos de la regresin (coeficientes, pruebas de hiptesis, intervalos
de confianza, prediccin, etc.). En particular, los supuestos ms importantes del
modelo recaen sobre el trmino del error. Teniendo en cuenta que la funcin de
regresin poblacional puede expresarse tambin de la forma Yi = 1 + 2 X i+ ui , el
modelo de regresin lineal cuenta con los siguientes supuestos:
Supuesto 1: El modelo de regresin es lineal en los parmetros:
Yi = 1 + 2 X i + ui
Supuesto 2: Los valores de X son fijos en muestreos repetitivos. Tcnicamente
esto consiste en que X se supone no estocstica.
Supuesto 3: El valor medio de la perturbacin ui es igual a cero.
E[ui / X i ] = 0
32
Por lo tanto los factores que no estn incluidos en el modelo y que por
consiguiente, estn incorporados en ui , no afectan sistemticamente el valor de la
media de Y.
Supuesto 4: Homoscedasticidad o varianza constante de ui . Dado el valor de X ,
la varianza de ui es constante para todas las observaciones. Esto es, las
varianzas condicionales de ui son idnticas.
Var[u i / X i ] = E[u i E[u i ] / X i ] 2

Var[u i / X i ] = E[u i2 / X i ]
Var[u i / X i ] = 2
La anterior ecuacin, establece que la varianza de ui para cada X i , es algn

nmero positivo constante igual a 2 . Ntese que el supuesto 4 implica que las
varianzas condicionales de
Yi
tambin son homoscedsticas. Esto es:
Var[Yi / X i ] = 2 .
En contraste, si la varianza condicional de la poblacin Y varia con X , esta

situacin se conoce como Heteroscedasticidad, lo cual puede escribirse como:
Var[u i / X i ] = i2
Obsrvese el subndice sobre 2 en esta expresin indica que la varianza de la

poblacin Y ahora no es constante.
Supuesto 5: No auto correlacin entre las perturbaciones. Dados dos valores
cualquiera de X , por ejemplo X i y X j (i j ) , la correlacin entre ui y u j para
todo i j es cero.
33
Cov (u i , u j / X i , X j ) = E[u i E[u i ] / X i ][u j E[u j ] / X j ]

Cov (u i , u j / X i , X j ) = E[u i / X i ][u j / X j ]
Cov (u i , u j / X i , X j ) = 0
donde i y j son dos observaciones diferentes. Este es tambin llamado supuesto

de no correlacin serial. Supngase que en la funcin de regresin poblacional
Yt = 1 + 2 X t + ut , ut y ut 1 estn correlacionados positivamente. Entonces Yt
depende no solamente de X t sino tambin de ut 1 , puesto que ut 1 determina en
cierta medida a u t .
Supuesto 6: La covarianza entre ui y X i es cero, o E[ui , X i ] = 0 .
Cov[u i , X i ] = E[u i E[u i ]][ X i E[ X i ]]
Cov[u i , X i ] = E[u i ( X i E[ X i ])]
Cov[u i , X i ] = E[u i X i ] E[ X i ]E[u i ]
Cov[u i , X i ] = E[u i X i ],
E[u i ] = 0
E[ X i ] _ no _ estocastica
E[u i ] = 0
Cov[u i , X i ] = 0
Supuesto7: El nmero de observaciones n debe ser mayor que el nmero de
parmetros por estimar.
Supuesto 8: Variabilidad en los valores de X . Se requiere que no todos los
valores de X en una muestra dada sean iguales. As la Var[ X ] es un nmero finito
positivo.
Supuesto 9: El modelo de regresin esta correctamente especificado. La omisin
de variables importantes del modelo o la escogencia de una forma funcional
equivocada afectan la validez de la interpretacin de la regresin estimada.
Supuesto 10: No hay correlacin lineal perfecta entre variables explicativas.
34
Cuando el modelo de regresin cumple con los anteriores supuestos se le conoce

como modelo de regresin clsico y tiene las siguientes propiedades: los
estimadores son MELI (mejores estimadores lineales insesgados). Si se agrega el
supuesto de normalidad de los errores, los estimadores son MEI (mejores
estimadores insesgados) y por lo tanto seguirn distribucin normal. Con ello, los
intervalos de confianza, las predicciones y las pruebas de hiptesis tienen validez
estadstica.
4.4. Mtodo de estimacin de mnimos cuadrados ordinarios

El objetivo principal de la etapa de estimacin es encontrar los valores de los
parmetros muestrales. El mtodo de estimacin ms popular recibe el nombre de
mnimos cuadrados ordinarios (MCO). El criterio de este mtodo consiste en
proporcionar estimadores de los parmetros que minimicen la suma de los
cuadrados de los errores. Operativamente el proceso es construir una funcin
objetivo en trminos de la suma de los cuadrados de los errores y mediante
optimizacin (condiciones de primer orden - C.P.O., y condiciones de segundo
orden - C.S.O.) obtener las frmulas de clculo de los estimadores.
Debido a que la funcin de regresin poblacional no se puede observar
directamente, los estimadores de mnimos cuadrados ordinarios se obtienen a
partir de la funcin de regresin muestral (FRM). La FRM es:
Yi = 1 + 2 X i + e i
Yi = Yi + e i
La suma del cuadrado de los errores puede expresarse como sigue:
! e i2 = ! (Y i Yi ) = ! (Y i 1 2 X i )
35
De acuerdo con el principio de mnimos cuadrados ordinarios:

min
! e i2 = min ! (Y i 1 2 X i )
Derivando la anterior expresin con respecto a 1 y 2 e igualando a cero,
respectivamente, y resolviendo las ecuaciones normales, se encuentran los

estimadores de los parmetros de la regresin:
2 =
n ! X i Yi (! X i )(! Yi )
n ! X i (! X i )
Cov ( X , Y )
Var ( X )
1 = Y 2 X
4.5. Varianzas y errores estndar de los estimadores
As como existen medidas de dispersin para las variables tambin las hay para
los estimadores, por lo tanto, es necesario siempre presentar una medida de
precisin de los estimadores de los parmetros del modelo. Esta medida es el
error estndar e indica la confiabilidad de las estimaciones (si son pequeas dejan
ver que los parmetros muestrales van a ser muy parecidos a los poblacionales).
La principal utilidad de los errores estndar de los estimadores es la construccin
de intervalos de confianza y la prueba de hiptesis. A continuacin se presenta la
forma de calcular la varianza y error estndar de cada estimador del modelo de
regresin lineal simple:
( )
Var 1 =
*
X i2
!
(
+
se 1 =
2
+, n ! ( X i X ) ()
! X i2 2
2
n ! (X i X )
( )
Var 2 =
( )
( )
se 2 =
! (X i X )
36
! (X i X )
4.6. Intervalos de confianza

En estadstica es comn efectuar inferencias basadas en estimaciones puntuales
y en intervalos. Estas ltimas son menos riesgosas debido a que se encuentran
dentro de un rango con cierto margen de confiabilidad. En particular, pueden
construirse intervalos de confianza para los parmetros del modelo de regresin
as como para las predicciones.
Un intervalo de confianza para el parmetro 2 puede presentarse como sigue:
( )]
( )
Pr 2 t 2 se 2 2 2 + t 2 se 2 = 1
( )
donde es el nivel de significancia estadstica y se 2 es el error estndar de 2 .
100(1 ) es el nivel porcentual de confianza del intervalo. Una versin abreviada

de esta expresin es: 2 t
Pr 1 t
( )
se 2 . De la misma forma para 1 :
( )
se 1 1 1 + t
( )
( )]
se 1 = 1
1 t 2 se 1
Si por ejemplo es 0.05, la interpretacin del intervalo de confianza para 2 es:

dado un nivel de confianza del 95% (en 95 de cada 100 casos) en el largo plazo,
( )
( )] contendr el verdadero valor de
el intervalo 2 t 2 se 2 , 2 + t 2 se 2
2.
4.7. Pruebas de hiptesis

En todo modelo de regresin se deben probar hiptesis para evaluar la validez
estadstica de los resultados. Entre la variedad de pruebas de hiptesis que se
pueden efectuar, las pruebas de dependencia y relevancia son las ms
importantes.
37
Prueba
de
relevancia:
la
prueba
de
relevancia
consiste
en
evaluar
estadsticamente qu tan significativo es un parmetro del modelo, de esta

manera puede identificarse si la variable independiente ( X ) aporta informacin
importante al modelo de regresin.
Siguiendo la estructura presentada en el
captulo 2, para cada estimador i , i= 1, 2:
Paso 1:
Planteamiento de la hiptesis.
Ho:
i = 0
Ha:
i 0
Paso 2:
Nivel de significancia ( ) :
Paso 3:
El estadstico de prueba. Para la prueba de relevancia en el modelo de

regresin, el estadstico de prueba se define como:
tC =
Paso 4:
i
~. t
se ( i )
2, n 2
Regiones de decisin: La siguiente grfica muestra la regiones de

rechazo y aceptacin de la hiptesis nula.
38
Paso 5:
Criterio de decisin y conclusin del investigador: Si t C > t
2, n 2
se
rechaza la hiptesis nula. Si la prueba de hiptesis es realizada para
1 y se rechaza Ho se concluye que el intercepto del modelo es

significativo al nivel . Si la prueba se efecta para 2 y se rechaza
Ho se concluye que X i es estadsticamente relevante al nivel de
significancia. Por otro lado, cuando no sea posible rechazar la
hiptesis nula, se puede decir que no existe evidencia estadstica
para afirmar que X i sea relevante al nivel de significancia.
Prueba de dependencia: esta prueba se lleva a cabo para evaluar si en un modelo
de regresin las variables independientes explican estadsticamente en su
conjunto la variable dependiente. Se desea que en un modelo de regresin exista
una alta dependencia ocasionada por las variables explicativas. Esta prueba de
hiptesis como cualquier otra debe seguir una estructura similar a la presentada
en el captulo 2. La hiptesis nula de esta prueba hace referencia a la no
existencia de dependencia en el modelo (para el caso de regresin simple como
solo hay una variable independiente se desea probar si 2 = 0 ). La hiptesis
alternativa argumenta lo contrario, sealando que al menos uno de los coeficientes
que acompaan las variables independientes es distinto de cero (en regresin
simple esto es equivalente a 2 0 ).
El estadstico de prueba para el caso de un modelo de regresin lineal simple es
2
FC = (t n 2 ) ~. F1, n 2 , donde FC es el estadstico calculado, que sigue una
distribucin F con un grado de libertad en el numerador y n-2 grados de libertad en

el denominador; y t es el estadstico t calculado en la prueba de relevancia para
2 . Finalmente, la hiptesis nula es rechazada cuando FC > F1, n 2 .
39
4.8. Prediccin
Una aplicacin del modelo de regresin es la prediccin o el pronstico de la
variable dependiente, de acuerdo con valores dados de las variables
independientes. Hay dos tipos de predicciones: la prediccin media y la prediccin
individual. A continuacin se presentan estos dos casos:
Prediccin media: es la prediccin del valor medio condicional de Y,
correspondiente a un determinado valor de X, denotado como X0, el cual
representa un punto sobre la lnea de regresin poblacional.
Si se desea predecir E (Y / X 0 ) , la estimacin puntual de la prediccin media es
2
(
X0 X ) *
2 1
(.
Y0 = 1 + 2 X 0 y la varianza de Y0 : Var Y0 = + +
2
+, n ! (X i X ) ()
( )
Prediccin individual: es la prediccin de un valor individual de Y, correspondiente

a un determinado valor de X. Si se desea predecir Y0 / X 0 , de igual forma que en
la prediccin media, la estimacin puntual es Y0 = 1 + 2 X 0 , sin embargo la
manera de calcular la varianza de Y0 es:
- 1
(X 0 X )2 *(
Var (Y0 ) = 2 +1 + +
2
+, n ! (X i X ) ()
4.9. El Coeficiente de Determinacin

Es importante mencionar que cuando un modelo de regresin es construido con el
objeto de predecir, al investigador le interesa encontrar una medida de la bondad
de ajuste de los resultados del modelo. Una medida muy comn de esta bondad
de ajuste es el coeficiente de determinacin o R 2 , la cual proporciona informacin
40
respecto a que tan bien la lnea de regresin muestral se ajusta a los datos. Para
el caso de un modelo de regresin lineal simple se denota como r 2 y se calcula:
r 2 = (r ) , donde r es el coeficiente de correlacin lineal entre las variables Y y

2
X . Debido a que el r 2 bajo los supuestos de modelo de regresin clsico se
encuentra entre 0 y 1, la manera de interpretarlo es en porcentaje,

argumentndose que dicho valor refleja la magnitud porcentual de la variacin de
la variable Y explicada por la variable X.
4.10. Modelos de regresin simple no lineal en las variables
En algunos casos el investigador requiere estimar otro tipo de modelos en los que
las variables independientes no sean lineales, como por ejemplo variables
transformadas en trminos logartmicos, cuadrticos, raz cuadrada, cbicos, etc.
Las razones para estimar estos nuevos modelos pueden ser: mejorar los
resultados en trminos de bondad de ajuste, obtener elasticidades directamente
de la regresin, o en algunos casos porque la teora econmica lo sugiere. Un
ejemplo del modelo no lineal es el conocido como Cobb-Douglas, cuya forma
funcional es la siguiente:
Y i = AX i
e ui
Para estimar el modelo se efecta una linealizacin del modelo original

transformndolo en logaritmos. De esta manera:
Log Yi = LogA + 2 Log X i+ u i
Puede notarse que las variables dependiente e independiente se encuentran
transformadas en logaritmos y el trmino Log A es el intercepto de la regresin.
As, con el deseo de obtener los coeficientes de la regresin puede efectuarse la
siguiente sustitucin:
41
Sea YT = Log Yi , 1 = Log A y XTi = Log X i , luego el modelo a estimar toma la

forma: YTi = 1 + 2 XTi + u i , y los coeficientes del modelo transformado pueden
ser obtenidos por el mtodo de mnimos cuadrados ordinarios usando las
ecuaciones para los estimadores 1 y 2 presentadas en el numeral 4.4.
Tericamente un modelo Cobb-Douglas es una funcin con elasticidad constante
a lo largo de todo su dominio, siendo diferente de una funcin lineal, donde la
elasticidad depende especialmente de la observacin X i . En este sentido, el
modelo Cobb-Douglas permite obtener directamente las elasticidades: el
coeficiente 2 representa la elasticidad de Y respecto a X, y se interpreta como el
aumento (cuando el valor de la elasticidad es mayor que cero) o disminucin
(cuando el valor de la elasticidad es menor que cero) porcentual en la variable Y,
ocasionada por el incremento en un 1% de la variable X.
4.11. Ejercicios de Computador
Continuando con el ejemplo de datos hipotticos de demanda presentado en los
captulos anteriores, las siguientes salidas de computador muestran los resultados
del modelo de regresin lineal simple de demanda y el modelo no lineal en las
variables (doblemente logartmico) con las respectivas matrices de varianza
covarianza de los coeficientes:
42
MODELO DE REGRESION LINEAL SIMPLE
Dependent Variable: DX
Method: Least Squares
Date: 10/03/06 Time: 16:38
Sample: 1 13
Included observations: 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PX
71.41791
-5.042910
3.130854
0.454825
22.81100
-11.08759
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.917870
0.910404
5.058427
281.4646
-38.43407
2.267643
Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
40.38462
16.89940
6.220627
6.307542
122.9346
0.000000
Los resultados del modelo lineal muestran que la variable precio cuenta con el
signo esperado y es relevante al 1%, 5% y 10% de significancia. El valor del R2 es
0.918, es decir, el 92% de la variacin de la demanda del bien X esta explicada
por la variable precio. Adicionalmente se observa la existencia de dependencia
conjunta en el modelo al 1%, 5% y 10% de significancia (Fc=122.935). El
coeficiente de la variable PX es interpretado como un efecto marginal, por lo tanto,
un incremento en una unidad del precio de X disminuye en promedio su demanda
en 5.04 unidades, manteniendo todos los dems factores constantes.
MATRIZ DE VARIANZA COVARIANZA DE LOS COEFICIENTES

DEL MODELO DE REGRESIN SIMPLE
COEFICIENTE
C
PX
C
9.802248
-1.273019
43
PX
-1.273019
0.206866
MODELO DE REGRESION SIMPLE NO LINEAL EN LAS VARIABLES

(DOBLEMENTE LOGARITMICO)
Dependent Variable: LOG(DX)

Date: 10/03/06 Time: 16:48
Sample: 1 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
LOG(PX)
4.799536
-0.722024
0.208899
0.118417
22.97538
-6.097307
0.0000
0.0001
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.771676
0.750919
0.249094
0.682526
0.708676
2.124425
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
3.597486
0.499106
0.198665
0.285581
37.17715
0.000078
Los resultados del modelo doblemente logartmico indican que la variable

logaritmo del precio es significativa (al 1%, 5% y 10%) y exhibe el signo terico. El
R2 es 0.772, por lo tanto, el 77% de la variacin del logaritmo de la demanda del
bien X es explicada por el logaritmo de su precio. Adicionalmente existe
dependencia conjunta en el modelo (1%, 5% y 10% de significancia). El
coeficiente de la variable LOG(PX) es interpretado como una elasticidad, por lo
tanto, un incremento en un 1% del precio de X disminuye en promedio su
demanda en 0.72%, manteniendo todos los dems factores constantes.
MATRIZ DE VARIANZA COVARIANZA DE LOS COEFICIENTES

DEL MODELO NO LINEAL EN LAS VARIABLES
COEFICIENTE
C
LOG(PX)
C
0.043639
-0.023345
44
LOG(PX)
-0.023345
0.014023
5. REGRESION MULTIPLE LINEAL Y NO LINEAL

5.1. Expresin del modelo en forma matricial
En regresin mltiple se supone que las variaciones de Yi que se pretenden
explicar son debidas a K variables independientes, es decir X1, X2, .., XK y
como en la realidad no pueden presentarse relaciones determinsticas por
completo se considera la inclusin del trmino de perturbacin .
Resulta conveniente analizar el modelo clsico de regresin lineal usando el
enfoque matricial. Supngase un modelo lineal de la forma:
Y = 1 + 2 x2 + 3 x3 + " + k xk +
Si se tienen n observaciones independientes y1 , y2 ,! , yn de Y, podemos escribir
y i como:
yi = 1 + 2 xi 2 + 3 xi 3 + " + k xi k + i
Donde x i j es el valor de la j-sima variable independiente para la i-sima

observacin, i = 1,2,3, ! , n . Ahora defnanse las siguientes matrices, con x1 = 1 :
- y1 *
+ (
y
Y = + 2(
+ #(
+ (
, yn )
- x11
+
x
, X = + 21
+ #
+
+, xn1
x12 " x1k *

(
x22 " x2 k (
(
#
(
xn 2 " xnk ()
- 1 *
+ (
, ! = + 2(
+ # (
+ (
,k )
-1 *
+ (
" = + 2(
+ #(
+ (
, n )
Por lo tanto las n ecuaciones que representan y i como funcin de las x i j , los y
i se pueden escribir simultneamente y de forma compacta como:

Y = X" + !
45
5.2. Supuestos del modelo

Los supuestos del modelo son los siguientes:
1.
Y = X" + !
2.
X es de tamao n x k con rango k.
3.
E (! X) = 0 .
4.
E (!!' ) = 2 I . Cov( i j ) = 0 , i j .
5.
X es no estocstica.
6.
(" X )
(Linealidad en los parmetros).
E (Y / X) = X"
~. N (0, 2 I)
5.3. Mtodo de estimacin de mnimos cuadrados ordinarios
Se desea obtener un estimador " de un vector de parmetros desconocido " que

minimiza la suma del cuadrado de los errores S, donde:
S = ! 2 = " ' " = ( Y X ! ) ' ( Y X !)
Al minimizar S con respecto a " se encuentra el estimador de mnimos cuadrados

ordinarios de regresin mltiple:
! MCO = (X ' X )
(X ' Y )
5.4. Matriz de varianzas y covarianzas de los estimadores

La matriz de varianza-covarianza de los estimadores es relevante en la
determinacin de los errores estndar de los coeficientes y en la ejecucin de
pruebas de hiptesis. Para obtener la matriz de varianza-covarianza de los
estimadores es necesario calcular previamente la suma de cuadrados de los
errores y la varianza del modelo:
46
1. Suma
de
cuadrados
de
los
errores.
Puede
ser
calculada
as:
SCE = Y' Y "' X' Y .
2. Varianza del modelo. Dado que en la mayora de los casos la varianza es

desconocida, se utiliza la informacin de la muestra para obtener un
estimador de la misma: 2 = (Y' Y "' X' Y) (n k ) = SCE (n k ) .

Usando la informacin anterior, la matriz de varianza covarianza de los
coeficientes se puede calcular con la siguiente frmula:
Matriz
var cov . = 2 ( X' X ) 1
5.5. Pruebas de hiptesis

Para efectuar pruebas de hiptesis es necesario obtener el error estndar de cada
uno de los estimadores. Esta medida de dispersin corresponde a la raz cuadrada
de cada uno de los elementos de la diagonal principal de la matriz de varianza
covarianza. A continuacin se presentan los aspectos ms importantes para
efectuar las pruebas de relevancia y dependencia en un modelo de regresin
mltiple:
Pruebas de relevancia: En estas pruebas se utilizan los t estadsticos calculados
de los estimadores con su respectivo p-valor. A continuacin se presenta la forma
de obtenerlos:
1. t estadsticos. Los valores de t son calculados efectuando el cociente
entre el coeficiente estimado y el error estndar respectivo.
2. p-valores. Arroja la probabilidad exacta de obtener un valor de t mayor que
el valor absoluto de t obtenido para cada coeficiente. Tambin es conocido
como el nivel mnimo de significancia para rechazar la hiptesis nula. Para
47
obtener dicha probabilidad es necesario el valor del estadstico t calculado,

el nmero de grados de libertad (n k ) y el nmero de colas de la prueba
(en este caso dos colas dado que es una prueba de significancia individual).
Prueba de dependencia: Como se mencion en el captulo anterior el estadstico
utilizado para realizar la prueba es el F.
1. F estadstico. Mide la dependencia conjunta en el modelo respecto a las
variables explicativas. Puede ser obtenido en la forma matricial de la
siguiente manera: F = ("' X' Y nY 2 )(n k ) [(Y' Y "' X' Y)(k 1)] .
2. p valor. Arroja el nivel mnimo de significancia para rechazar la hiptesis
nula. En el procedimiento se requiere el valor obtenido de F, los grados de
libertad del numerador (k 1) y grados de libertad del denominador (n k ) .
5.6. Coeficiente de determinacin ajustado (R 2 )
El trmino ajustado se refiere a que es corregido por los correspondientes grados
de libertad. El R 2 mide la bondad de ajuste del modelo de regresin (porcentaje
de explicacin de la variable dependiente por las variables independientes), as
como lo hace el R 2 convencional, sin embargo el R 2 tiene la particularidad de
que permite comparar modelos de regresin mltiple en los que se incluyen
variables adicionales. No obstante, se debe considerar que la comparacin tiene
validez cuando en cada modelo la variable dependiente y el tamao de la muestra
sean iguales. La forma de calcular el R 2 se presenta a continuacin:
R 2 = 1 1 R2
48
) nn k1
5.7. Intervalos de confianza.

Un intervalo de confianza para el parmetro k , k = 1,2, ! , K , tiene la forma:
( )
( )]
Pr k t 2 se k k k + t 2 se k = 1
( )
k t 2 se k
( )
donde es el nivel de significancia estadstica y se k es el error estndar de k .
( )
( )
El se k se obtiene mediante la frmula: se k =
( X ' X )kk1 . Puede notarse, que
este intervalo de confianza corresponde a una expresin matemtica similar a la

presentada en el caso de regresin simple.
5.8. Modelos de regresin mltiple no lineal en las variables
En este numeral, se extender el caso de la funcin tipo Cobb-Douglas
desarrollado en el numeral 4.10 al caso de regresin mltiple no lineal en las
variables. Considrense ms variables independientes Xs que pueden explicar la
variable Y, por lo tanto, el modelo Cobb-Douglas toma la forma:
Yi = AX i 2 2 X i 3 3 ! X ik k e ui
Luego transformando el modelo en logaritmos:
Log Yi = Log A + 2 Log X i 2+ 3 Log X i 3+ " + k Log X ik+ u i
Sea YT = Log Yi , 1 = Log A , XTi 2 = Log X i 2 ,..., XTik = Log X ik , entonces el modelo
a estimar es:
YTi = 1 + 2 XTi 2 + 3 XTi 3 + " + k XTik + u i
49
Bajo el esquema matricial los coeficientes del modelo transformado pueden ser
obtenidos a travs del mtodo de mnimos cuadrados ordinarios usando la frmula
de clculo presentada en el numeral 5.3. El coeficiente k , k = 2,3, ! , K
representa la elasticidad de Y respecto a Xk y tiene la misma interpretacin que en
el caso del modelo de regresin simple doblemente logartmico del captulo
anterior. Por lo tanto, se tendrn k 1 elasticidades en regresin mltiple al
estimarse una funcin tipo Cobb-Douglas. Por otro lado, cabe destacar que
ejercicios de estimacin diferentes al modelo Cobb-Douglas no permiten obtener
directamente elasticidades constantes. Por ello es necesario tener en cuenta la
forma que toman las variables en el modelo transformado antes de efectuar
interpretaciones de los coeficientes.
5.9. Ejercicios de Computador.

Ejemplo 1.
Usando la misma base de datos hipotticos de demanda de captulos anteriores a
continuacin se presentan los resultados de las estimaciones del modelo de
regresin mltiple lineal y no lineal en las variables, las matrices de varianza
covarianza de los coeficientes, as como la comparacin entre los valores
observados y predichos de la demanda y sus residuos:
50
REGRESIN LINEAL MLTIPLE

Date: 10/04/06 Time: 10:31
Sample: 1 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PX
PW
PZ
I
72.73351
-4.588739
-0.386460
0.471929
-0.409388
10.83288
1.778623
1.214240
0.688867
0.201019
6.714142
-2.579939
-0.318273
0.685080
-2.036558
0.0002
0.0326
0.7584
0.5127
0.0761
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.947105
0.920657
4.760208
181.2767
-35.57419
1.436480
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
40.38462
16.89940
6.242183
6.459471
35.81046
0.000037
Los resultados del modelo lineal muestran que la variable precio cuenta con el
signo esperado y es relevante al 5% y 10% de significancia. El valor del R2 es
0.947, es decir, el 95% de la variacin de la demanda del bien X esta explicada
por las variables independientes. Adicionalmente se observa la existencia de
dependencia conjunta en el modelo al 1%, 5% y 10% de significancia (Fc=35.810).
El coeficiente de la variable PX es interpretado como un efecto marginal, por lo
tanto, un incremento en una unidad del precio de X disminuye en promedio su
demanda en 4.59 unidades, manteniendo todos los dems factores constantes.
Vale la pena aclarar que la variable ingreso an cuando es relevante al 10% de
significancia, el signo de su coeficiente no es consistente con la teora economa
relacionada con un bien normal.
51
MATRIZ DE VARIANZAS Y COVARIANZAS DE LOS ESTIMADORES DEL MODELO DE

REGRESIN LINEAL MULTIPLE
COEFICIENTE
C
PX
PW
PZ
I
C
117.3513
-11.56233
1.349073
-6.616478
-0.600013
PX
-11.56233
3.163501
-1.826424
0.777287
-0.022642
PW
1.349073
-1.826424
1.474379
-0.192430
0.052888
PZ
-6.616478
0.777287
-0.192430
0.474538
-0.014848
I
-0.600013
-0.022642
0.052888
-0.014848
0.040409
VALORES OBSERVADOS Y ESTIMADOS DE LA DEMANDA Y LOS RESIDUOS A PARTIR DEL

MODELO DE REGRESIN LINEAL MLTIPLE
obs
1
2
3
4
5
6
7
8
9
10
11
12
13
Actual
37.0000
38.0000
18.0000
50.0000
22.0000
55.0000
42.0000
29.0000
63.0000
13.0000
60.0000
62.0000
36.0000
Fitted
37.8104
43.2972
22.0098
49.7111
27.3714
59.4627
34.4728
27.1267
62.7036
10.3593
56.3697
59.7074
34.5979
Residual
-0.81044
-5.29718
-4.00977
0.28890
-5.37143
-4.46267
7.52721
1.87326
0.29637
2.64072
3.63029
2.29265
1.40211
52
Residual Plot
| . *|
. |
| *.
|
. |
| .* |
. |
| .
*
. |
| *.
|
. |
| *
|
. |
| .
|
. *
| .
| * . |
| .
*
. |
| .
| * . |
| .
| *. |
| .
| * . |
| .
|* . |
MODELO DE REGRESION MULTIPLE NO LINEAL EN LAS VARIABLES

Dependent Variable: LOG(DX)
Date: 10/04/06 Time: 10:39
Sample: 1 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
LOG(PX)
LOG(PW)
LOG(PZ)
LOG(I)
3.042978
0.115482
-0.336166
0.671764
-0.103431
1.646616
0.301528
0.436617
0.400484
0.084847
1.848020
0.382991
-0.769933
1.677382
-1.219025
0.1018
0.7117
0.4635
0.1320
0.2576
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.902417
0.853626
0.190953
0.291703
6.234096
1.510399
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
3.597486
0.499106
-0.189861
0.027427
18.49542
0.000418
Los resultados del modelo doblemente logaritmo no son satisfactorios, dado que
ninguna de las variables incorporadas como regresores son significativas.
Asimismo, las variable LOG(PX) y LOG(I) no presentan los signos esperados,
limitando la validez terica del modelo.
MATRIZ DE VARIANZAS Y COVARIANZAS DE LOS ESTIMADORES DEL MODELO
DOBLEMMENTE LOGARTMICO
COEFICIENTE
C
LOG(PX)
LOG(PW)
LOG(PZ)
LOG(I)
C
2.711343
-0.229656
-0.565544
-0.638982
-0.061003
LOG(PX)
-0.229656
0.090919
-0.022785
0.064962
0.001807
LOG(PW)
-0.565544
-0.022785
0.190634
0.121451
0.014976
53
LOG(PZ)
-0.638982
0.064962
0.121451
0.160387
0.008270
LOG(I)
-0.061003
0.001807
0.014976
0.008270
0.007199
VALORES OBSERVADOS Y ESTIMADOS DEL LOGARITMO DE LA DEMANDA

Y LOS RESIDUOS A PARTIR DEL MODELO DE REGRESIN
DOBLEMENTE LOGARTMICO
obs
1
2
3
4
5
6
7
8
9
10
11
12
13
Actual
3.61092
3.63759
2.89037
3.91202
3.09104
4.00733
3.73767
3.36730
4.14313
2.56495
4.09434
4.12713
3.58352
Fitted
3.50939
3.80097
3.07102
3.91411
3.11501
4.10808
3.59355
3.32110
4.38551
2.69990
3.84781
4.00914
3.39174
Residual
0.10153
-0.16339
-0.18064
-0.00209
-0.02396
-0.10075
0.14412
0.04619
-0.24237
-0.13495
0.24653
0.11799
0.19178
Residual Plot
| .
| * . |
| .*
|
. |
| .*
|
. |
| .
*
. |
| .
*|
. |
| . * |
. |
| .
|
*. |
| .
|*
. |
|*.
|
. |
| . * |
. |
| .
|
. *
| .
| * . |
| .
|
* |
Ejemplo 2.
Ahora considere la siguiente informacin de una firma sobre los costos de
produccin y la cantidad producida de un bien para estimar una funcin de costos
cbica:
TABLA No. 3. COSTOS SEGN EL NIVEL DE PRODUCCIN
Obs.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
Q
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
54
CT
5
14
23
28
33
36
41
45
48
50
55
61
66
72
77
86
97
110
127
147
169
Donde:
CT:
Q:
Costo total de produccin

Nivel de producto
ESTADISTICAS DESCRIPTIVAS
Mean
Median
Maximum
Minimum
Std. Dev.
Observations
Q
10
10
20
0
6.204837
21
Q2
136.6667
100
400
0
128.5365
21
Q3
2100
1000
8000
0
2488.431
21
CT
66.19048
55
169
5
43.49899
21
MODELO DE REGRESION MULTIPLE NO LINEAL EN

LAS VARIABLES (FUNCIN CUBICA)
Dependent Variable: CT
Date: 27/09/06 Time: 21:48
Sample: 1 21
Variable Coefficient
C
4.586862
Q
10.450570
Q2
-0.974658
Q3
0.043001
R-squared
0.999236
Adjusted R-squared
0.999101
S.E. of regression
1.304364
Sum squared resid
28.92322
Log likelihood
-33.15899
Durbin-Watson stat
0.882959
Std. Error t-Statistic

0.962089 4.767605
0.427013 24.473660
0.050336 -19.363000
0.001653 26.020450
Mean dependent var
S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.000200
0.000000
0.000000
0.000000
66.19048
43.49899
3.538952
3.737908
7408,618
0
MATRIZ DE VARIANZAS Y COVARIANZAS DE LOS ESTIMADORES

COEFICIENTE
Q
Q2
Q3
C
0.925616
-0.336905
0.032823
-0.000934
Q
-0.336905
0.182340
-0.020705
0.000640
55
Q2
0.032823
-0.020705
0.002534
-0.000082
Q3
-0.000934
0.000640
-0.000082
0.000003
6. INCUMPLIMIENTO DE LOS SUPUESTOS DEL MODELO

El cumplimiento de los supuestos del modelo clsico de regresin garantiza que
los k obtenidos a travs del mtodo de mnimos cuadrados ordinarios sean los
mejores estimadores linePales insesgados. Cuando tales supuestos son
violados, se empiezan a generar problemas en los resultados de la regresin,
haciendo que los parmetros obtenidos no cumplan con algunas de las
propiedades deseables de un estimador (eficiencia y consistencia). A continuacin
se
describen
de
manera
general
los
conceptos
de
multicolinealidad,
heteroscedaticidad autocorrelacin, y no normalidad, la forma de detectar tales

problemas en el modelo estimado y las posibles soluciones a la violacin de los
supuestos de mnimos cuadrados ordinarios relacionados con estos conceptos.
6.1. Multicolinealidad
La multicolinealidad tiene que ver con la relacin lineal entre algn conjunto de
variables independientes en un modelo de regresin. Supngase el siguiente
modelo con cuatro variables independientes:
Cualquier relacin lineal entre las variables independientes de este modelo, por
ejemplo X2 con X3, o X2 con X5 y X4 puede generar problemas de
multicolinealidad. Por lo general, existen dos tipos de multicolinealidad:
1. Multicolinealidad Perfecta: Para entender el concepto de multicolinealidad
perfecta es necesario expresar las variables independientes del modelo en
trminos de una combinacin lineal cuya suma algebraica sea igual a cero.
Para el modelo presentado la combinacin lineal sera:
56
Los valores de pueden ser positivos o negativos y formar muchas

combinaciones. Cuando la suma algebraica para todas las observaciones
de la muestra de esta combinacin lineal es cero se dice que existe
multicolinealidad perfecta. De este caso se excepta que simultneamente
los valores de sean cero, pues esta es una solucin trivial de la ecuacin.
En otras palabras, la multicolinealidad perfecta se presenta cuando una
combinacin lineal de uno o ms vectores de variables explicativas generan
de manera perfecta uno o ms vectores idnticos a cualquiera de las
variables explicativas en la base de datos.
2. Multicolinealidad Alta: Esta se presenta cuando la colinealidad que existe
entre variables independientes es muy fuerte aunque no perfecta.
La multicolinealidad se presenta debido a la tendencia definida de ciertas variables
a lo largo de la muestra o a travs del tiempo. Tendencias o patrones de
comportamiento similares de las variables independientes en un modelo de
regresin sustentan la multicolinealidad. La multicolinealidad se puede presentar
en datos provenientes de series de tiempo. Por ejemplo, es comn encontrarla al
regresar variables que tienen que ver con la representacin de ciclos econmicos.
Por ello, antes de efectuar la regresin es til elaborar diagramas de dispersin
entre las variables independientes con el objetivo de analizar el comportamiento
tendencial de estas.
El
problema
de
multicolinealidad
es
un
problema
ocasionado
por
las
observaciones en los datos recopilados de la muestra. La presencia de

multicolinealidad afecta directamente la estimacin de los parmetros del modelo.
De acuerdo con el estimador por mnimos cuadrados ordinarios:
! = (X' X )1 (X' Y )
57
Si existe multicolinealidad perfecta entre las variables independientes de un

modelo de regresin, ( X' X )-1 no existe. Cuando esto ocurre no es posible estimar
! . En presencia de alta multicolinealidad se genera una ampliacin del error
estndar de ! , por lo que el valor de los estadsticos "t" para cada uno de los
parmetros
del
modelo
sern
mucho
menores
que
en
ausencia
de
multicolinealidad, aumentndose la probabilidad de cometer error de tipo II, es

decir, que acepte Ho no siendo verdadera. Por consiguiente, el modelo no tiene
validez para realizar pruebas de relevancia.
6.1.1. Deteccin de Multicolinealidad

La deteccin de multicolinealidad en un modelo puede hacerse por medio de la
visualizacin de contradicciones en los estadsticos que juzgan la bondad del
ajuste (R2), dependencia (Fc) y los estadsticos que permiten evaluar la relevancia
de las variables en el modelo (tc). Otro mtodo de deteccin es la estimacin de
X' X ; si el valor obtenido de X' X es muy cercano a cero, puede concluirse que
es muy probable la existencia de multicolinealidad alta.
No obstante, se encuentran otras pruebas mucho ms formales en trminos
estadsticos. Una de ellas es estimar coeficientes de correlacin entre pares de
variables independientes y formular pruebas de hiptesis sobre los coeficientes de
correlacin estimados para comprobar la significancia de la relacin lineal en
trminos estadsticos. Por ejemplo, una vez calculado el coeficiente de correlacin
lineal entre X2 y X3, puede proponerse la siguiente prueba de hiptesis cuya
formulacin es idntica a la presentada en el captulo 2:
Ho: X 2 , X 3 = 0 (No existe relacin lineal entre X2 y X3)
58
Ho: X 2 , X 3 0 (Si existe relacin lineal entre X2 y X3)

El estadstico de prueba es:
tC =
(r
X 2,X 3
n 2
1 (rX 2 , X 3 )
~. t
2, n2
Donde es el valor que se desea probar del coeficiente de correlacin lineal

poblacional. No obstante en la mayora de los casos este se asume cero con lo
cual solo se desea verificar si hay o no correlacin entre las variables explicativas.
Si tC > t
2, n2
a un nivel de significancia determinado, se rechaza Ho,
confirmando la existencia de relacin lineal entre X2 y X3, es decir el modelo de

regresin mostrar multicolinealidad.
El otro mtodo formal consiste en la estimacin de regresiones auxiliares que
ayudan a evaluar la relacin lineal existente entre un conjunto de variables
independientes. Para ello, se ejecuta una regresin entre las variables
independientes del modelo, por ejemplo X2 versus (X3, X4, X4, X5) y luego se
analizan los estadsticos resultantes de esta. Si hay relacin lineal entre estas
variables, el R2, el Fc y el tc que acompaa a cada variable independiente de la
regresin auxiliar sern altos. Las pruebas de hiptesis sobre relevancia y
dependencia estadstica en la regresin auxiliar determinan si existe o no
multicolinealidad. Es importante tener en cuenta que deben estimarse todas las
posibles regresiones auxiliares resultantes de las combinaciones entre las
variables independientes o regresores del modelo original. El mtodo de
regresiones auxiliares es el ms utilizado y recomendado por su sustentacin
estadstica
dado
que
permite
evaluar
la
multicolinealidad
ocasionada
simultneamente por la relacin lineal entre ms de dos variables independientes.
59
6.1.2. Correccin de Multicolinealidad

La correccin de multicolinealidad en un modelo puede ejecutarse mediante varios
mtodos:
1. Eliminacin de Variables: Esta tcnica propone la eliminacin de una de las
variables independientes relacionadas linealmente. El problema de aplicar
esta tcnica es que se pueden eliminar variables importantes que
tericamente explican la variable dependiente, presentndose posiblemente
sesgo de especificacin por omisin de variables.
2. Utilizacin de Informacin a priori: La informacin a priori comnmente
proviene de estudios anteriores que pueden brindar algn indicio sobre el
valor de algn parmetro correspondiente a una de las variables
independientes incluida en la ecuacin de regresin. Operativamente, el
valor a priori del parmetro es reemplazado en el modelo original. Luego se
proceder a estimar el modelo resultante.
3. Transformacin de Variables: Esta tcnica plantea una transformacin de
las variables del modelo original. El ms conocido es la transformacin en
primeras diferencias. Al trabajar con un modelo que incluye datos
organizados en series de tiempo se presenta la posibilidad de construir una
ecuacin de primeras diferencias, asumiendo que con un rezago de cada
una de las variables del modelo es posible eliminar la relacin lineal que
puede existir entre las variables independientes. El modelo original en el
periodo t:
60
Luego la ecuacin en diferencias es:
Donde !t* = t - t-1. Debe tenerse en cuenta que al estimar este nuevo
modelo, la interpretacin de los coeficientes estimados no es la misma que
en el modelo original, debido a que estos ahora representan cambios o
diferencias de las variables entre los periodos t y t-1.
4. Aumentar el tamao de la muestra: Este mtodo consiste en ampliar la
muestra o conjunto de datos utilizados para estimar el modelo. Esta es una
solucin plausible dado que el problema de multicolinealidad es ocasionado
fundamentalmente por las observaciones en la muestra. Cuando se
incrementa el nmero de observaciones se piensa que es ms difcil
reproducir el componente de colinealidad entre los regresores. Sin
embargo, en muchos casos no es posible adquirir ms informacin u
observaciones de las variables debido a restricciones fsicas, tcnicas y
econmicas.
Finalmente, se recomienda que el investigador una vez utilice alguno de estos
mtodos verifique si el problema de multicolinealidad fue corregido.
6.2. Heteroscedasticidad
El problema de heteroscedasticidad se presenta cuando es violado el supuesto de
varianza
constante
de
los
errores
de
la
funcin
de
regresin.
La
heteroscedasticidad tiene que ver con la relacin entre una o ms de las variables
independientes del modelo y el cuadrado de los errores estimados a partir de la
regresin. Este problema se manifiesta en un crecimiento o decrecimiento de la
varianza del modelo.
61
La presencia de heteroscedasticidad es muy comn en regresiones estimadas a

partir de datos de corte transversal. Por ejemplo, cuando se recolectan datos
provenientes de estratos, de regiones, por tamao de la familia o por tipo de
empresa. En general, puede presentarse en estudios que incluyen grupos con
comportamientos marcados a lo largo de toda la muestra; por ejemplo la variable
ingreso monetario del hogar segn el estrato, pues se puede pensar que la
varianza del ingreso monetario del grupo de alta riqueza es ms alta que la del
grupo de escasos recursos.
El problema de heteroscedasticidad repercute directamente sobre la estimacin de
los parmetros de la regresin. Los estimadores seguirn siendo insesgados y
consistentes pero no eficientes. La heteroscedasticidad causa la subestimacin o
sobre estimacin de la varianza del modelo de regresin, por lo tanto el valor del
error estndar de los parmetros, el valor de los estadsticos t y los intervalos de
confianza cambian con respecto a los resultados que deberan obtenerse en
ausencia
de
heteroscedasticidad.
En
este
sentido,
la
presencia
de
heteroscedasticidad en el modelo de regresin hace que las pruebas de hiptesis

no tengan validez estadstica o que las inferencias sean errneas.
6.2.1. Deteccin de la heteroscedasticidad

A continuacin se presentan los mtodos para detectar la existencia de
heteroscedaticidad:
1. Anlisis de residuales: Este mtodo permite evaluar grficamente si existe
heteroscedasticidad causada por una variable independiente en particular o
por todo el conjunto de variables independientes. Para el primer caso se
elabora un diagrama de dispersin entre Xt y et2 (cuadrado del trmino de
error) donde Xt es el regresor que el investigador supone genera la
heteroscedaticidad. En el segundo caso, se construye el diagrama de
62
dispersin entre Yt estimado y et2. Si estas grficas muestran alguna

tendencia especfica, puede afirmarse que existe heteroscedasticidad en el
modelo de regresin. No obstante esta metodologa es indicativa y no esta
basada en una prueba estadstica.
2. Anlisis de regresin: Es la utilizacin de una o ms regresiones auxiliares.
El procedimiento es similar al planteado para detectar multicolinealidad, con
la salvedad de que ahora la regresin no se estima entre las variables
independientes, sino entre el cuadrado del trmino de error y el conjunto de
regresores del modelo original. Dentro de este mtodo se encuentran las
pruebas de Park, White, Glejser, Breusch-Pagan-Godfrey, y Golfeld
Quandt. A continuacin se presenta el procedimiento general para efectuar
la prueba de White:
Si se tiene el siguiente modelo original:
Una vez estimado el modelo por el mtodo de mnimos cuadrados

ordinarios (MCO), el investigador debe calcular el cuadrado de los errores:
t2 = Yt Y
t
) , y luego estimar por MCO el siguiente modelo:

2
t2 = 0 + 1 X 1t + 2 X 2t + 3 X 1t 2 + 4 X 2t 2 + 5 X 1t X 2t + t
La prueba de hiptesis relacionada con el modelo anterior es:
Ho:
1 = 2 = 3 = 4 = 5 = 0
(No hay heteroscedasticidad)
Ha:
1 2 3 4 5 0
(Si hay heteroscedasticidad)
63
El estadstico de prueba es nR 2 ~. 5 . En este caso el nmero de grados de

2
libertad es cinco, que corresponde al nmero de variables explicativas en la

regresin de White. Asimismo, para modelos con ms variables explicativas
los grados de libertad sern equivalentes al nmero de regresores en el
modelo auxiliar. Si nR 2 > g .l
a un nivel de significancia , la hiptesis
nula es rechazada, por lo tanto, existe heteroscedasticidad en el modelo

original.
Es importante sealar que la prueba de White desarrollada se refiere
exclusivamente a la prueba de trminos cruzados debido a que incorpora
en la regresin auxiliar el trmino de interaccin de las variables
independientes del modelo original: 5 X 1t X 2t . Cuando este componente no
es agregado la prueba recibe el nombre de prueba de White sin trminos
cruzados. Este cambio tiene un efecto directo sobre los grados de libertad
de la prueba.
6.2.2. Correccin de heteroscedasticidad

Las medidas correctivas principalmente incluyen dos enfoques: cuando 2 es
conocida y cuando 2 es desconocida.
1. Cuando se conoce 2 . En este caso se utiliza el mtodo de mnimos
cuadrados ponderados (M.C.P) para realizar una transformacin de las
variables del modelo. Considere el modelo original el cual presenta
heteroscedasticidad y 2 es conocida:
Yt = 1 + 2 X t + t
64
Este mtodo supone la siguiente transformacin:

Yt = 1 + 2 X t + t
Donde 2 es la desviacin estndar del modelo. Se supone que esta

transformacin permite que el modelo quede libre de heteroscedasticidad.
No obstante, para asegurarse de esto puede efectuarse cualquiera de las
pruebas de deteccin presentadas anteriormente.
2. Cuando no se conoce 2 : Por lo regular es muy difcil tener conocimiento
previo de 2 . Para utilizar el mtodo de mnimos cuadrados ponderados
debe recurrirse a supuestos ad hoc, con cierto grado de razonabilidad sobre
2 para proceder a la transformacin de la regresin original, de tal

manera,
que
el
nuevo
modelo
cumpla
con
el
supuesto
de
homocedasticidad. Considrese el siguiente modelo:
El investigador presume que la varianza de los errores tiene la siguiente

forma:
( )=
EUt
X t2
Esta expresin es planteada cuando se cree que la varianza de los errores

es proporcional al cuadrado de la variable explicativa. Bajo este supuesto el
modelo transformado puede presentarse como sigue:
Donde vt =
Ut
. Puede verificarse que:
Xt
E (v t ) = E (U t X t ) = (1 X t ) E (U t ) = 0
65
y que el modelo transformado ahora es tericamente homocedstico:
( ) = E[(U
E vt
] (
) ( ) = (1 X )
X t ) = 1 X t2 E U t
2
2
t
X t2 = 2 .
El mtodo indica que las observaciones de la muestra deben dividirse por la

raz cuadrada de la estructura generadora de la heteroscedasticidad; lo cual
para este ejemplo es equivalente a dividir por X t . Luego el procedimiento
indica que el modelo transformado requiere estimarse por MCO. Esta es la
razn por la cual el mtodo se denomina mnimos cuadrados ponderados,
dado que se ponderan las observaciones originales por un factor. Es
conveniente verificar empricamente si luego de estimar el modelo
transformado el problema de heteroscedasticidad fue corregido.
6.3. Autocorrelacin
El problema de autocorrelacin se presenta en una regresin cuando los errores
de las diferentes observaciones estn relacionados en el tiempo. Esto indica que
el efecto de los errores en el tiempo no es instantneo sino por el contrario es
persistente en el tiempo. La autocorrelacin es ms comn en series ordenadas
en el tiempo que en informacin proveniente de encuestas en un tiempo fijo
(seccin cruzada). La autocorrelacin puede estar relacionada con los ciclos
econmicos; generalmente sta se presenta en un modelo con variables
macroeconmicas donde en el tiempo ocurre un evidente comportamiento
tendencial.
Otra causa de la autocorrelacin es la presencia de sesgo de especificacin en el
modelo; principalmente por omisin de variables importantes, las cuales pasan a
formar parte del error de la regresin. La autocorrelacin puede ser tambin
66
generada en casos donde se usa una forma funcional incorrecta del modelo, esto
hace que los datos se ajusten a una forma funcional que no es la ms adecuada.
Se argumenta, que la manipulacin de informacin puede llegar a generar tambin
autocorrelacin. Un caso tpico se presenta en la cuentas nacionales, donde
muchos datos son obtenidos a partir de otros, aplicando tcnicas de interpolacin
o extrapolacin. Por ejemplo, cuando se convierten datos diarios a semanales.
Finalmente, modelos especiales como los de rezagos distribuidos y los
autoregresivos pueden originar autocorrelacin.
Entre las consecuencias de la autocorrelacin se tiene la sobreestimacin o
subestimacin de los estadsticos t que juzgan la significancia de las variables
independientes en el modelo. Aunque los estimadores siguen siendo insesgados y
consistentes son ineficientes. En este sentido se afecta la validez estadstica de
las pruebas de hiptesis.
6.3.1. Deteccin de la autocorrelacin

Los mtodos ms comunes para detectar autocorrelacin son:
1. Anlisis de residuales: este mtodo plantea la construccin de diagramas
de dispersin para los errores en funcin de tiempo o en funcin de un
perodo inmediatamente anterior. El primer paso es estimar el modelo
original por MCO. Luego los errores estimados de la regresin son
graficados en un eje de coordenadas para identificar si existe alguna
tendencia de los mismos en el tiempo, o de estos con su primer rezago.
2. El estadstico de Durbin Watson (d): Esta prueba es vlida para aplicar en
errores que se modelan como un proceso autoregresivo de orden 1 "AR(1)"
como el mostrado a continuacin:
67
El estadstico "d" oscila entre 0 y 4. Si este se aproxima a 0, se dice que

existe autocorrelacin positiva (relacin directa entre los errores), por el
contrario si d se aproxima a 4, existe autocorrelacin negativa (relacin
inversa entre los errores). El Durbin-Watson (d) se estima de la siguiente
manera:
Donde es el coeficiente de autocorrelacin de orden 1, el cual puede

despejarse directamente d:
La hiptesis planteada es:
Ho:
Ha:
, 0 (hay autocorrelacin entre los errores)
t 1
= 0 (no existe autocorrelacin entre los errores)
t 1
El estadstico Durbin- Watson puede ser comparado con su respectivo

tabulado, teniendo en cuenta el nmero de observaciones contenidas en la
muestra y el nmero de regresores. Se debe tener en cuenta que d es
utilizado para identificar solo autocorrelacin de orden 1 y siempre y cuando
el modelo tenga intercepto. Adems no puede usarse en el caso de
modelos autorregresivos.
Prueba de Breusch-Godfrey. Esta es una prueba similar a la prueba de
White. Se diferencia de esta en que la variable dependiente de la regresin
68
auxiliar es el trmino de error t y los regresores sus respectivos rezagos

hasta el orden deseado por el investigador. Adicionalmente son incluidos
los regresores usados en el modelo original. La hiptesis nula corresponde
a que todos los coeficientes de autocorrelacin de orden (los coeficientes
que acompaan a los residuos rezagados en la regresin auxiliar) son
iguales a cero, mientras la hiptesis alterna es que al menos uno de ellos es
distinto de cero. El estadstico de prueba es (n s )R 2 ~. s , donde s es el
2
nmero de errores rezagados en la regresin auxiliar. Para probar

autocorrelacin de orden uno, que es la prctica ms comn, s ser igual a
uno. La hiptesis nula es rechazada cuando (n s )R 2 > s a un nivel de
2
significancia ; en este caso se concluye que hay autocorrelacin.
6.3.2. Correccin de la autocorrelacin

La correccin del problema de autocorrelacin incluye diferentes tcnicas que
persiguen principalmente la transformacin de las variables del modelo con el
objetivo de eliminar el patrn tendencial que siguen los errores. Se tienen dos
tipos de metodologas de correccin de la autocorrelacin:
1. Cuando se conoce el coeficiente de autocorrelacin: la transformacin
recomendada sugiere rezagar un perodo las variables del modelo y
estimar una ecuacin de primeras diferencias. Para esto el modelo original
debe ser transformado hasta tomar la forma:
Esta ecuacin es estimada y se propone cualquiera de las tcnicas de

deteccin
de
autocorrelacin
para
averiguar
si
el
problema
de
autocorrelacin fue corregido. Dicha ecuacin se conoce como ecuacin en

diferencias generalizada y consiste en un caso particular del mtodo de
mnimos cuadrados generalizados.
69
2. Cuando no se conoce el coeficiente de autocorrelacin: En la mayora de

los casos a nivel emprico el coeficiente de autocorrelacin no se conoce.
Debido a esto el coeficiente de autocorrelacin debe ser estimado
partiendo de la suposicin de un valor inicial del mismo.
Una de estos mtodos es el procedimiento Cochrane Occurt: este
consiste en la estimacin de modelos con sucesivas transformaciones. Es
un mtodo iterativo representado en un algoritmo que evala durante el
proceso la tendencia que sigue el estimado de regresiones sucesivas.
Cuando la diferencia de ! entre un modelo estimado actual y su antecesor
es 0.01 se afirma que el coeficiente ha convergido y por consiguiente la
tendencia de crecimiento de este se ha eliminado.
Por otro lado existe el mtodo de correccin a travs del Durbin Watson.
Mediante esta tcnica, aunque no se conoce
, este es posible estimarlo a
partir del estadstico d de la regresin del modelo original. Una vez

obtenido
el
valor
de
las
variables
son
transformadas
para
posteriormente estimar la siguiente ecuacin de primeras diferencias:
Despus de aplicar alguno de estos mtodos es necesario evaluar de

nuevo la presencia de autocorrelacin.
6.4. Error de especificacin

Uno de los supuestos del modelo clsico de regresin lineal es que el modelo se
encuentra bien especificado, es decir que su forma funcional y las variables que lo
componen representan la formulacin correcta. La teora econmica y algunas
70
medidas empricas son tiles para probar si un modelo cuenta con error de
especificacin.
Existen cuatro tipos de fuentes o razones que generan error de especificacin:
1. Omisin de una variable relevante en el modelo. Si una variable que afecta
de manera importante la variable dependiente del modelo es omitida, se
incurre en error de especificacin. Esta situacin hace que los estimadores
sean sesgados.
2. Inclusin de una variable irrelevante. En algunos casos los investigadores
en su proceso de exploracin con el deseo de encontrar un mejor modelo
que se ajuste a los datos, incorporan variables explicativas adicionales. Si
estas no afectan significativamente a la variable dependiente se comete
error de especificacin. No obstante, los efectos sobre los coeficientes
estimados son menos fuertes que en el caso de la omisin de una variable
relevante; los estimadores sern insesgados, pero se obtienen de manera
imprecisa. De esta manera, incluir variables irrelevantes afecta los errores
estndares de los coeficientes, haciendo que los intervalos de confianza
sean ms anchos.
Uso de una forma funcional inadecuada. Consiste en presentar un modelo

matemtico incorrecto o muy distante del comportamiento de los datos. Por
ejemplo, plantear un modelo lineal en las variables cuando los datos se
ajustan mejor en realidad a un modelo cuadrtico, recproco o a otra
especificacin funcional. Una medida emprica para verificar la existencia de
una forma funcional inadecuada es la prueba RESET de Ramsey.
3. Error de medicin. Cuando el valor de las observaciones que se tienen en
una muestra no es el real o verdadero, los datos cuentan con error de
71
medicin. Si el error se presenta en la variable dependiente como en la

independiente, los estimadores de mnimos cuadrados sern sesgados.
6.4.1. Detencin de la forma funcional inadecuada

A continuacin se desarrolla el mtodo de deteccin de una forma funcional
inadecuada del modelo mediante la prueba RESET de Ramsey. El caso ms
simple de la prueba es el siguiente:
Considere el modelo Yi = 1 + 2 X i + i , al cual se le desea probar si la forma
funcional propuesta es o no inadecuada. Para realizar prueba de Ramsey se
estima el modelo original y se predice la variable dependiente Yi . Luego se efecta
una regresin auxiliar en la que al modelo original se adicionan los trminos Yi
cuadrticos o de orden superior, dependiendo de la posible relacin que exista
entre i y Yi . Una grfica entre i y Yi puede ser til para identificar los regresores
a incluirse. Un ejemplo de la regresin auxiliar es:
2
3
Yi = 1 + 2 X i + 3Yi + 4Yi + v i
Posteriormente se utiliza el siguiente estadstico de prueba:
(R
R 2o ) j
F=
(1 R 2 aux ) (n g )
2
aux
~. f j , n g
donde R 2 aux es el coeficiente de determinacin de la regresin auxiliar , R 2 o es el

coeficiente de determinacin del modelo original, j y g son el nmero de trminos
Yi y parmetros incluidos en la regresin auxiliar, respectivamente. La hiptesis

nula de prueba es que el modelo original esta bien especificado, mientras la
72
hiptesis alterna afirma lo contrario. Si F > f j , n g aun nivel de significancia se

concluye que el modelo original esta inadecuadamente especificado.
6.4.2. Correccin de la forma funcional inadecuada

Se pueden mencionar dos mecanismos para encontrar la forma funcional
adecuada de un modelo de regresin: el enfoque terico y el enfoque emprico. El
primero hace alusin a revisar nuevamente la teora econmica y a consultar la
literatura reciente relacionada con el rea de estudio. De este anlisis la forma
estructural como las variables independientes pueden relacionarse con la variable
independiente puede ser ajustada. El segundo consiste en realizar estimaciones
del modelo bajo distintas formas funcionales sin desligarse de los fundamentos de
la teora econmica hasta aceptar la hiptesis de que el modelo este bien
especificado.
6.5. No Normalidad de los errores

Uno de los supuestos claves en el modelo de regresin que permite desarrollar
pruebas hiptesis basadas en los estadsticos F y T, es la normalidad de los
errores. Si los residuos del modelo no siguen distribucin normal se restringe la
validez estadstica de las pruebas.
6.5.1. Detencin de la no normalidad de los errores

En este documento se citan de manera general dos formas de detectar si los
residuos del modelo de regresin siguen o no distribucin normal:
1. El Histograma de los residuos. Consiste en la construccin de un
histograma para los errores estimados del modelo y observar si su
polgono suavizado de frecuencias se parece en forma aproximada una
distribucin normal.
73
2. Prueba de Normalidad Jarque Bera. Es una prueba para muestras

grandes, basada en los residuos de mnimos cuadrados ordinarios.
Requiere calcular la asimetra y curtosis de los residuos.
Ho: los errores siguen distribucin normal
H1: los errores no siguen distribucin normal
El estadstico de prueba es:
- A 2 ( K 3) 2 *
+
JB = n +
( ~.
6
24
,
)
22 gl
Ho es rechazada si JB > JB > 2, 2 gl a un nivel de significancia. A se

denomina asimetra y K curtsis. Estas son medidas descriptivas de una
variable aleatoria que hacen referencia al sesgo de la distribucin y el
apuntamiento de la distribucin, respectivamente. Si una variable tiene A= 0
y K = 3, entonces sta sigue distribucin normal. La frmula de clculo de
estas medidas es la siguiente:
E(X )
A=
[Var ( X )]
3
2
y K=
E ( X )4
[Var ( X )]2
En este caso X corresponde a los errores del modelo de mnimos

cuadrados ordinarios.
6.5.2. Correccin de la no normalidad de los errores

Para corregir la no normalidad de los errores generalmente se usan dos
estrategias: aumentar el tamao de la muestra y buscar una forma funcional
adecuada. La primera se basa en el teorema central de lmite, y la segunda en que
una forma funcional adecuada puede mejorar la distribucin de los errores.
74
6.6. Ejercicios de computador.

Considere el mismo modelo de demanda presentado en el ejemplo 5.9. Se desea
efectuar la prueba de multicolinealidad, heteroscedasticiad, autocorrelacin, forma
funcional inadecuada y normalidad de los errores. El modelo original es:
MODELO DE DEMANDA LINEAL
Date: 10/04/06 Time: 10:31
Sample: 1 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PX
PW
PZ
I
72.73351
-4.588739
-0.386460
0.471929
-0.409388
10.83288
1.778623
1.214240
0.688867
0.201019
6.714142
-2.579939
-0.318273
0.685080
-2.036558
0.0002
0.0326
0.7584
0.5127
0.0761
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.947105
0.920657
4.760208
181.2767
-35.57419
1.436480
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
40.38462
16.89940
6.242183
6.459471
35.81046
0.000037
A. Prueba de Multicolinealidad
A continuacin se presentan la matriz de correlaciones y cuatro regresiones
auxiliares con el objeto de identificar la posible existencia de asociacin lineal
simultnea entre las variables independientes PX, PZ, PW e I:
75
MATRIZ DE CORRELACION
VARIABLE
PX
PZ
PW
I
PX
1.000000
-0.886170
0.950308
-0.530011
PZ
-0.886170
1.000000
-0.811397
0.493410
PW
0.950308
-0.811397
1.000000
-0.556062
I
-0.530011
0.493410
-0.556062
1.000000
REGRESIN DE PX EN FUNCIN DE PZ, PW, I
Dependent Variable: PX
Date: 10/05/06 Time: 09:48
Sample: 1 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PZ
PW
I
3.654915
-0.245705
0.577343
0.007157
1.624021
0.099796
0.121443
0.037598
2.250535
-2.462068
4.754039
0.190365
0.0510
0.0360
0.0010
0.8532
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.942092
0.922789
0.892115
7.162817
-14.57190
1.511932
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
76
6.153846
3.210560
2.857216
3.031046
48.80600
0.000007
REGRESIN DE I EN FUNCIN DE PW, PX Y PZ

Dependent Variable: I
Date: 10/05/06 Time: 09:51
Sample: 1 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PW
PX
PZ
14.84857
-1.308833
0.560323
0.367451
17.26790
1.965637
2.943420
1.135704
0.859894
-0.665857
0.190365
0.323545
0.4122
0.5222
0.8532
0.7537
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.317173
0.089564
7.893449
560.7588
-42.91442
2.341199
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
11.46154
8.272599
7.217603
7.391434
1.393498
0.306773
REGRESIN DE PW EN FUNCIN DE PX, PZ, I

Dependent Variable: PW
Date: 10/05/06 Time: 10:00
Sample: 1 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PX
PZ
I
-0.915011
1.238775
0.130516
-0.035872
2.958162
0.260573
0.184036
0.053873
-0.309317
4.754039
0.709189
-0.665857
0.7641
0.0010
0.4962
0.5222
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.911829
0.882439
1.306773
15.36890
-19.53428
1.807371
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
77
7.230769
3.811252
3.620658
3.794489
31.02476
0.000045
REGRESIN DE PZ EN FUNCIN DE PX, PW, I

Dependent Variable: PZ
Date: 10/05/06 Time: 10:01
Sample: 1 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PX
PW
I
13.94298
-1.637987
0.405510
0.031290
2.424163
0.665289
0.571794
0.096710
5.751669
-2.462068
0.709189
0.323545
0.0003
0.0360
0.4962
0.7537
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.797402
0.729869
2.303399
47.75081
-26.90300
1.468360
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
7.153846
4.431820
4.754308
4.928139
11.80764
0.001791
Se puede observar en la matriz de correlacin que los coeficientes de asociacin

lineal de las variables son bastante altos. En cuanto a las cuatro regresiones
auxiliares, la primera seala la existencia de una fuerte relacin lineal de PZ y PW
con PX al 5% de significancia; mientras la segunda no evidencia relacin lineal
simultnea entre PX, PZ y PW con I. La tercera y la cuarta regresin exhiben
asociacin lineal de PX con PW al 1% de significancia, y de PX con PZ al 5 % de
significancia,
respectivamente.
Estas
2
salidas
economtricas
presentan
dependencia conjunta y un alto R , excepto en la regresin del ingreso.
Lo
anterior induce a afirmar la presencia de multicolinealidad en el modelo de

demanda. Esta es generada por la estrecha dependencia lineal entre las variables
explicativas de los precios PZ, PW y PX.
78
B. Prueba de Heteroscedasticidad
Con el objeto de verificar si los errores del modelo tienen varianza constante se
desarrolla la prueba de Heteroscedasticidad de White (sin trminos cruzados):
PRUEBA DE WHITE
White Heteroskedasticity Test:
F-statistic
Obs*R-squared
0.714607
7.648476
Probability
Probability
0.682884
0.468539
Test Equation:
Dependent Variable: RESID^2
Date: 10/05/06 Time: 09:43
Sample: 1 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PX
PX^2
PZ
PZ^2
PW
PW^2
I
I^2
-35.46343
-8.022919
1.668258
12.89670
-0.473441
6.476469
-0.834719
-5.747052
0.175578
183.3230
26.87381
2.339704
20.37802
0.701913
18.61942
1.273948
4.094526
0.151639
-0.193448
-0.298540
0.713021
0.632873
-0.674500
0.347834
-0.655222
-1.403594
1.157870
0.8560
0.7802
0.5152
0.5612
0.5370
0.7455
0.5481
0.2331
0.3113
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.588344
-0.234967
18.21512
1327.162
-48.51422
1.980651
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
13.94436
16.39096
8.848341
9.239460
0.714607
0.682884
El nR2 de la prueba no es significativo al 1%, 5% y 10%. En este sentido, no se
79
puede rechazar la hiptesis nula de homoscedasticidad, es decir el modelo original

no presenta heteroscedasticidad.
C. Prueba de Autocorrelacin
La prueba de correlacin serial Breusch-Godfrey arroja los siguientes resultados:
PRUEBA BREUSCH-GODFREY
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
Obs*R-squared
0.641758
1.091746
Probability
Probability
0.449407
0.296085
Test Equation:
Dependent Variable: RESID
Date: 10/05/06 Time: 09:26
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PX
PZ
PW
I
RESID(-1)
0.348096
0.196375
0.037411
-0.171777
-0.047910
0.305911
11.09241
1.836272
0.706375
1.260744
0.214196
0.381864
0.031381
0.106942
0.052962
-0.136250
-0.223672
0.801098
0.9758
0.9178
0.9592
0.8955
0.8294
0.4494
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.083980
-0.570319
4.870508
166.0530
-35.00402
1.837887
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
-1.01E-14
3.886694
6.308311
6.569057
0.128352
0.980963
El estadstico de prueba cuyo valor es 1,0 y el primer rezago de los residuos no

son siginificativos al 1%, 5% y 10%. Por lo tanto no hay evidencia estadstica para
afirmar que existe autocorrelacin de orden uno.
80
D. Prueba sobre forma funcional inadecuada

Para verificar si la forma funcional del modelo original de demanda es adecuada
se presenta a continuacin la grfica del residuo (RESID) y la variable demanda
estimados (DXF), y la prueba RESET de Ramsey:
GRFICA DEL RESIDUO Y LA DEMANDA ESTIMADOS
81
PRUEBA RESET DE RAMSEY

Ramsey RESET Test:
F-statistic
Log likelihood ratio
0.240234
0.438664
Probability
Probability
0.639025
0.507768
Test Equation:
Date: 10/05/06 Time: 09:42
Sample: 1 13
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
PX
PZ
PW
I
FITTED^2
52.50613
-2.010581
-0.058048
-1.026028
-0.245060
0.005793
42.81102
5.582463
1.301350
1.825321
0.396301
0.011819
1.226463
-0.360160
-0.044606
-0.562108
-0.618368
0.490137
0.2597
0.7293
0.9657
0.5916
0.5559
0.6390
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
0.948860
0.912331
5.003739
175.2618
-35.35486
1.543094
Mean dependent var

S.D. dependent var
Schwarz criterion
F-statistic
Prob(F-statistic)
40.38462
16.89940
6.362286
6.623031
25.97566
0.000221
La grfica no muestra un comportamiento tendencial entre el error y la variable

dependiente estimada de la demanda, con lo cual el aporte de sta ltima sobre el
componente no explicado en el modelo de demanda sera casi nulo. Este anlisis
es robustecido por la prueba de Ramsey, pues al 1%, 5% y 10 % de significancia
(Fc = 0,6390) no puede afirmarse que el modelo de demanda cuenta con una
forma funcional inadecuada, es decir se acepta la hiptesis de una buena
especificacin.
82
D. Prueba de Normalidad
Para probar si los residuos del modelo de demanda siguen distribucin normal a
se realiza el histograma de los errores y la prueba Jarque Bera. Los resultados de
estos procedimientos son los siguientes:
Aunque el histograma de frecuencias de los errores no dilucida una muy clara

similitud con la distribucin normal, exhibe una alta concentracin de
observaciones cercana a cero, y frecuencias comparativamente bajas hacia los
extremos. El valor de prueba Jarque Bera no es significativo al 1%, 5% y 10%,
indicando que no se puede rechazar la hiptesis nula. Por lo tanto se puede
afirmar que estadsticamente los errores siguen distribucin normal.
7. INTRODUCCIN A VARIABLES CUALITATIVAS
7.1. Regresin con variables independientes cualitativas
En algunos casos ciertas caractersticas tomadas de una poblacin y recopiladas
a travs de una muestra no corresponden a variables cuantitativas. Por ejemplo, si
se encuesta un conjunto de personas, puede ser importante preguntar informacin
respecto a su sexo, la raza, la regin de origen, estado civil, el estrato econmico,
etc. Estas variables son denominadas variables cualitativas y su tratamiento o
83
anlisis en los modelos economtricos tiene una connotacin diferente a las

variables cuantitativas.
Por medio de asignaciones numricas especficas, de escala ordinal o cardinal, las
variables cualitativas pueden ser registradas en un modelo economtrico. Un
ejemplo de escala cardinal es la variable gnero, donde el investigador puede
asignar a esta variable una serie de observaciones numricas como se describe a
continuacin:
GENERO
11
= 0
/0
Si es hom bre
Si es mujer
En este sentido, a todas las observaciones correspondientes al sexo femenino le

ser asignado el nmero cero y a las de sexo masculino el nmero 1. Esta nueva
variable recibe el nombre de variable dummy, debido particularmente a que solo
podr tomar dos valores, el uno o el cero.
Por otro lado, un ejemplo de una variable que puede ser representada en escala
ordinal es el estrato econmico. El nombre de ordinal se refiere a que en la
estructura de registro el orden tiene gran relevancia. El investigador puede
conformar la variable de la siguiente manera:
11
22
2
223
ESTRATO = 0
24
25
2
2/6
Si
Si
Si
Si
el
el
el
el
hogar pertenece
hogar pertenece
hogar pertenece
hogar pertenece
Si el hogar
Si el hogar
al
al
al
al
estrato
estrato
estrato
estrato
1
2
3
4
pertenece al estrato 5
pertenece al estrato 6
Cuando la variable se construye de esta manera recibe el nombre de variable

categrica ordenada.
Considrese el siguiente modelo de regresin lineal para un conjunto de hogares:
84
TRABAJOt = 1 + 2 SALARIOt + 3 GENERO3 + 4 ESTRATOt + t

Donde:
TRABAJO:
Nmero de horas trabajadas al mes
SALARIO:
Ingreso laboral
GENERO:
Sexo del jefe de familia
ESTRATO: Nivel de estrato econmico del hogar.

Si el coeficiente 3 es positivo se interpreta como el nmero de horas de trabajo
mensual adicionales que ofrece el hogar cuando el jefe de familia es hombre
comparado cuando el jefe de familia es mujer, manteniendo los dems factores
constantes. Por otro lado, en cuanto al coeficiente de la variable estrato, cuando
4 es positivo, este manifiesta que hogares con un nivel de estrato ms alto

ofrecen al mercado laboral ms horas de trabajo al mes.
Tambin existen variables categricas no ordenadas. Por ejemplo considere la
siguiente variable cualitativa que representa la regin a la que pertenecen un
conjunto de hogares:
11
22
22
Re gin = 03
24
2
/25
Oriental
Pacfica
Central
Atlntica
El resto
Sin embargo la combinacin de categoras de regin se puede convertir en un

sistema de variables dummy: D1=1 si pertenece a Oriental y D1=0 en otro caso,
D2=1 si pertenece a Pacfica y D2=0 en otro caso, etc. Se debe tener en cuenta
que el nmero de variables dummy de este sistema es igual al nmero de
categoras menos uno. Si se incluyen un nmero de variables dummy igual al
nmero de categoras se genera multicolinealidad perfecta en el modelo, por lo
que los estimadores no se pueden estimar.
85
Utilidad de las variables dummy:

1. Sirven para mostrar cambio en intercepto
2. Sirven para mostrar cambio en pendiente
3. Sirven para mostrar cambio en pendiente y en intercepto
De acuerdo con ello, las dummy pueden ser entonces utilizadas para mostrar la
existencia de cambio estructural. Por ejemplo para periodos de tiempo (D=1 para
datos tomados en o despus de 1970 y D=0 para datos antes de 1970).
Ejemplo de un modelo log lin con una variable dummy:

LnW = + 1 X + 2 D + u
Donde W es el salario, X es educacin y D es igual a 1 si el individuo es de raza
blanca.
Supngase que el valor estimado de 2 es 0.26 y es significativo. Tenga en
cuenta que la prueba de significancia de una variable dummy se efecta de la
misma forma como cualquier otra variable explicativa. El 2 estimado muestra
cuanto ms gana porcentualmente un individuo por ser blanco que otro de
diferente raza, suponiendo las dems variables constantes.
El salario esperado de un individuo blanco es: LnW blanco = K + 0.26 , donde K es
todo lo que permanece constante. Note que D = 1. El salario promedio de un
individuo de otra raza es: LnW otra raza = K . Observe que D = 0. La diferencia
entre LnW blanco y LnW otra raza es 0.26. Por lo tanto:
LnW blanco LnW otra raza = 0.26
86
W blanco
= e 0, 26
W otra raza
W blanco = 1.297 W otra raza
Lo anterior que quiere decir que el salario de una persona de raza blanca es
29.7% ms alto que el de otra raza. Cuando la variable dependiente del modelo
esta transformada en logaritmo este procedimiento resulta til, el cual se resume
en la siguiente frmula: Efecto = 100 e
1 , donde j es el coeficiente de la
variable dummy de inters.

En algunos casos el 2 del ejemplo se interpreta directamente multiplicando por
100 (como un modelo log-lin) sin necesidad de aplicar el antilogaritmo. As para el
ejemplo: 0.26*100=26%. Entonces el salario de una persona de raza blanca es
26% ms alto que el de otra raza. No obstante, el resultado obtenido por el primer
procedimiento es ms exacto.
Ejemplo de un modelo con dos variables dummy:

Y = 0 + 1 X + 1 D1 + 2 D2 + u
Donde Y es gasto en salud, X es el ingreso y D1 es igual a 1 si el individuo tiene
bachillerato y 0 en caso contrario, D2 es igual a 1 si el individuo tiene universidad y
0 en caso contrario.
E (Y X , D1 = 0, D2 = 0 ) = 0 + 1 X
E (Y X , D1 = 1, D2 = 0) = 0 + 1 X + 1
E (Y X , D1 = 0, D2 = 1) = + 1 X + 2
87
En este caso solo se generan cambios en intercepto, dado que 1 y 2 se agregan

a la constante 0 en su respectivo modelo.
Ejemplo de un modelo con interaccin de variables dummy:

Y = 0 + 1 X + 1 D1 + 2 D2 + 3 D1 D2 + u
Donde Y es gasto en medicamentos, X es el ingreso y D1 es igual a 1 si el
individuo es mujer y 0 en caso contrario, D2 es igual a 1 si el individuo tiene
bachillerato.
E (Y X , D1 = 0, D2 = 0) = 0 + 1 X
E (Y X , D1 = 1, D2 = 0) = 0 + 1 X + 1
E (Y X , D1 = 0, D2 = 1) = 0 + 1 X + 2
E (Y X , D1 = 1, D2 = 1) = 0 + 1 X + 1 + 2 + 3
De nuevo este esquema generan solo cambios en intercepto, dado que 1 , 2 y
2 se agregan a la constante 0 en su respectivo modelo.

Ejemplo de un modelo con variable dummy e interaccin de una dummy con una
variable continua:
Y = 0 + 1 X + 1 D + 2 DX + u
Donde Y es consumo, X es el PIB y D es igual a 1 si la observacin pertenece o
es mayor al ao 1993 y 0 en caso contrario.
E (Y X , D = 0 ) = 0 + 1 X
E (Y X , D = 1) = 0 + 1 X + 1 + 2 X
88
La ltima expresin puede escribirse como:
E (Y X , D = 1) = ( 0 + 1 ) + ( 1 + 2 )X
Esta ecuacin es til para mostrar si existe cambio estructural en intercepto y/o
pendiente, dependiendo de la significancia de los coeficientes 1 y 2 . Por ejemplo
si 1 = 2 = 0 el resultado sugiere la no ocurrencia de cambio en pendiente e
intercepto en la regresin.
7.2. Regresin con variable dependiente cualitativa
Existen otra clase de modelos en econometra llamados modelos de variable
dependiente cualitativa. Estos se dividen en dos clases: los modelos de
probabilidad y los modelos de eleccin discreta para ms de dos alternativas.
En los modelos de probabilidad, la variable dependiente solo puede tomar dos
valores cero o uno. Por ejemplo, si el jefe de familia tiene empleo o no, as la
variable ESTA EMPLEADO? toma el valor de uno si tiene trabajo o cero en
caso contrario. Existen tres formas generales de estimar este tipo de modelos: 1)
mnimos cuadrados ordinarios, el cual es conocido como el modelo de
probabilidad lineal, siendo el menos utilizado por no cumplir en la mayora de los
casos con los axiomas de la probabilidad; 2) el modelo logit, donde la funcin de
distribucin que siguen los errores es logstica; y 3) el modelo probit, cuando las
perturbaciones se asumen con distribucin normal.
Dentro de los modelos de eleccin discreta con ms de dos alternativas, se
encuentran: el modelo logit multinomial, el modelo probit multinomial y el modelo
nested logit. En cada uno de estos, la variable dependiente es categrica, pero a

diferencia de los anteriores modelos, esta puede tomar ms de dos valores u
organizarse en especie de ramas o brazos. Por ejemplo, a un investigador le
89
puede interesar el tipo de transporte que las personas utilizan para llegar a su
lugar de trabajo: bus, automvil, taxi, transmilenio, bicicleta, etc.; cada una de
estas alternativas es distinta.
La forma funcional de los modelos con variable dependiente cualitativa y su
interpretacin, resulta ser ms compleja que la de los modelos con variables
independientes cualitativas. Todos los modelos de este tipo, a excepcin del
modelo de probabilidad lineal no son lineales en los parmetros y se estiman por
el mtodo de mxima verosimilitud.
90
BIBLIOGRAFA
1. Canavos, G. (1991), Probabilidad y Estadstica. Aplicaciones y Mtodos.
McGraw Hill. Mxico.
2. Freund, J; Miller, I. y Miller M. (2000), Estadstica Matemtica con
Aplicaciones. Prentice Hall. Pearson Educacin. Sexta edicin. Mxico.
3. Greene, W. (1998), Anlisis Economtrico. Prentice Hall. Tercera Edicin.
4. Gujarati, D. (2003), Basic Econometrics, McGraw Hill. Fourth edition.
5. Hamilton, J. (1994), Times Series Analysis. Princeton: Princeton University
Press.
6. Judge, G.; Carter Hill, R.; Griffiths, W., Ltkepohl, H. and Lee, T. (1988),
Introduction to the Theory and Practice of Econometrics. John Wiley and
Sons. Second edition.
7. Novales, Alfonso . 1997. Econometra, McGraw Hill, Bogot.
8. Maddala, G.S. (1983), Limited-Dependent and Qualitative Variables in
Econometrics, Cambridge University Press.
9. Mason y Lind. 2001. Estadstica para Administracin y Economa. Editorial
Alfaomega.
10. Mendenhall, W.; Wackerly, D. y Scheaffer R. (1994), Estadstica
Matemtica con Aplicaciones. Grupo Editorial Iberoamrica S.A. Segunda
edicin.
11. William E. Griffiths, R. Carter Hill, George G. Judge (1993), Learning and
Practicing Econometrics. John Wiley & Sons, New York.
12. Wooldridge, Jeffrey M. (2002), Introductory Econometrics: a modern
approach, South-Western College Publishing. Second edition.
13. Wooldridge, Jeffrey M. (2002), Econometric Analysis of Cross Section and
Panel Data, MIT Press.
91
ANEXOS
92
ANEXO 1.
REGRESIN LINEAL MLTIPLE EN EL PAQUETE
ESTADSTICO EVIEWS 4.1
Ejemplo
De acuerdo con la siguiente base de datos:
TABLA No. 4. VARIABLES PARA LA ESTIMACIN DE LA DEMANDA LINEAL DEL BIEN X.
Obs.
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
DX
22
20
19
18
16
14
13
11
9
7
6
5
I
10
11
13
14
16
17
18
19
20
21
23
25
PW
8
9
12
13
15
17
19
21
23
24
25
27
Estime la funcin de demanda del bien X,

especificacin del modelo:
PX
3
5
6
8
9
10
11
13
15
17
18
20
PZ
9
9
8
7
6
5
4
3
2
2
1
1
teniendo en cuenta la siguiente
Dx = 0 + 1 I + 2 Pw + 3 Px + 4 Pz + U
Donde:
Dx:
I:
Pw:
Px:
Pz:
U:
Cantidad demandada del bien X.

Ingreso.
Precio del bien W.
Precio del bien X.
Precio del bien Z.
Trmino de error
93
Desarrollo
Este ejercicio ser desarrollado en el paquete estadstico Econometrics Views 4.1.
A continuacin se muestra todo el procedimiento para estimar el modelo de
demanda lineal siguiendo los supuestos del modelo clsico de regresin lineal
normal.
A. Importar la base de datos.
Este paquete estadstico puede importar datos en hoja electrnica guardados
con extensin wks, wk1 y Excel. Una vez se inicia la sesin en E-views se
debe generar un nuevo archivo de trabajo.
El programa requiere que se seleccione el tipo de frecuencia que

caracterizan los datos.
Debido a que los datos

presentan una frecuencia
anual se elige la opcin
Annual: indicando el periodo
inicial y final.
Posteriormente el procedimiento es importar los datos que se encuentran en

hoja electrnica (Excel).
94
Se selecciona el archivo a
importar; en este caso
corresponde a dem1.xls
del subdirectorio donde se
haya almacenado.
Las variables deben ser

incluidas en el orden que
se encuentran en la base
de datos separadas por
espacios
y
con
sus
nombres correspondientes.
Por ejemplo: Dx, I, Pw, Px
y Pz.
Cuando los datos son importados el programa muestra la siguiente ventana

con el respectivo nombre de las variables:
95
De esta manera la base de

datos ha sido importada
con todas sus variables.
Las observaciones pueden
ser vistas al seleccionar las
columnas
deseadas
y
pulsando el link show.
B. Estimacin del modelo

Usando el link quick y Estimate Equation es arrojada una ventana donde la
ecuacin del modelo debe ser incorporada.
En dicha ventana las variables pueden introducirse separadas por espacios

empezando por la variable dependiente y luego las independientes incluyendo
la constante cuando no se efecta regresin al origen.
En esta ventana tambin el modelo puede introducirse escribiendo la ecuacin
con los smbolos (= , * , + ) nombrando los coeficientes como C(1), C(2), ...,
C(n).
96
Aplicando O.K. de acuerdo con la primera modalidad de estimacin, el

resultado de es el siguiente:
97
APUNTES DE CLASE
APUNTES DE CLASE
EL CENTRO DE ESTUDIOS SOBRE DESARROLLO ECONMICO-CEDE- de la

Facultad de Economa de la Universidad de los Andes se fund en 1958, con el objetivo
de realizar investigaciones econmicas tanto tericas como empricas.
Actualmente, las reas de inters para el CEDE son: Macroeconoma y Sector Financiero, Evaluacin Socioeconmica de Proyectos, Economa Ambiental, Economa
Agrcola, Demografa, Educacin, Salud, Economa Laboral, Economa Regional y
Urbana, Economa Internacional, Economa Experimental, Finanzas Pblicas, Economa, Conflicto y Violencia, y Economa Institucional.
El CEDE tiene dentro de sus objetivos difundir los trabajos realizados por sus
investigadores en las reas mencionadas, as como otros trabajos de inters
acadmico y cientfico. Para el logro de tal propsito, se publica semestralmente la
revista Desarrollo y Sociedad, as como libros y la serie Documentos CEDE. Esta ltima
difunde entre la comunidad acadmica y la profesin los resultados de las principales
investigaciones desarrolladas en el CEDE. Por supuesto, las opiniones expresadas en
ellos son responsabilidad exclusiva de los autores.
CEDE
Centro de Estudios
Facultad de Economa
ISSN 1909-4442
! ""#!$! %%%$$%
$&
Carrera 1a No. 18A - 10 Bloque C

Apartado Areo: 4976 - Bogot
Conmutadores:
339 4949 - 339 4999
Extensin: 2400, 2049, 2474
Fax: 332 4492
E-mail: infcede@uniandes.edu.co
Bogot, Colombia

3
OCTUBRE
DE
2006
CEDE
UNIVERSIDAD DE LOS ANDES
CEDE
ISSN 1909-4442
Introduccin a la econometra
2006
Ramn Antonio Rosales lvarez - Jorge Alexander Bonilla Londoo
OCTUBRE DE
Apuntes de clase CEDE
CEDE
Centro de Estudios
Facultad de Economa
Universidad de los Andes

LibroRosales$Bonilla PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

LibroRosales$Bonilla PDF

Transféré par

Droits d'auteur :

Formats disponibles

APUNTES DE CLASE

EL CENTRO DE ESTUDIOS SOBRE DESARROLLO ECONMICO-CEDE- de la

Carrera 1a No. 18A - 10 Bloque C

Ramn Antonio Rosales lvarez

UNIVERSIDAD DE LOS ANDES

Ramn Antonio Rosales lvarez - Jorge Alexander Bonilla Londoo

Apuntes de clase CEDE

Ramn Antonio Rosales lvarez

Serie Apuntes de clase Cede

RAMN ANTONIO ROSALES LVAREZ **

Mtodos Cuantitativos de la Economa.

Los mtodos cuantitativos de la economa comprenden tres reas: a) Anlisis

La investigacin economtrica se inici con el anlisis estadstico de la Demanda

Dado que en la econometra se asocian la Teora Econmica, las Matemticas y la

El objetivo de la econometra es expresar la teora econmica en trminos

El anlisis economtrico involucra las siguientes etapas principales:

verificacin tiene un papel muy importante dado que examina si la expresin

Un modelo es una representacin simplificada de la realidad. Los investigadores y

Se denomina modelo econmico a cualquier conjunto de supuestos que describen

2. Que la representacin sea simplificada, y

donde Y = cantidad producida; Xi = cantidad del i-esimo insumo, i=1,2,,k.

importantes cuya interrelacin

adecuadamente en un modelo matemtico.

El modelo economtrico es el modelo econmico que contiene las especificaciones

donde 0 + 1 X 1 + 2 X 2 + " + k X k es la parte determinstica y es el termino de

investigador es consciente de que al no poder incluir todas las variables incurre

d) Forma funcional: un investigador puede postular que la relacin entre las

Elementos que componen el Modelo

miden el efecto de las fluctuaciones de estas variables sobre la variable dependiente.

Clasificacin de las Variables

Bajo la perspectiva econmica las ecuaciones se pueden clasificar de la siguiente

hacen a los modelos.

Ejemplos de ecuaciones de comportamiento son: la

demanda, la oferta, la inversin, el consumo, el ahorro, etc.

2. ORGANIZACIN DE DATOS Y ESTADSTICA DESCRIPTIVA

2.2. Divisiones de la Estadstica

2.3. Tipos de Variables

Poblacin: Es la coleccin completa de individuos, objetos o medidas que

cuidadosamente en cada estudio cientfico de acuerdo con el inters y

Muestra: Es un subconjunto de la poblacin; es decir, ella se compone de

Los conceptos anteriores pueden tratarse en el siguiente ejemplo: Suponga que se

luego, segn el inters del investigador presentarlos agrupados, en forma de clases

TABLA No. 1. MEDIDAS DE TENDENCIA CENTRAL Y DE DISPERSIN.

Datos sin agrupar

Donde fi es la frecuencia absoluta de la

Donde L es el lmite inferior de la clase

Datos sin agrupar

2.8 Ejercicios de computador

MEDIDAS DE TENDENCIA CENTRAL, DE DISPERSION Y NORMALIDAD

El coeficiente de correlacin no tiene unidades y puede tomar valores entre -1 y +1

1) . Su interpretacin depende del signo y la magnitud que tome. El signo

es determinado solamente por el numerador de la frmula de clculo; es decir por la

covarianza, la cual mide la asociacin lineal absoluta entre las variables; el

La ventaja principal del coeficiente de correlacin lineal es su fcil clculo e

1. r es de naturaleza simtrica. Esto indica que el coeficiente de correlacin

Nivel de significancia. Representa el nivel de error mximo tolerable

El estadstico de prueba. Es una medida estadstica calculada a partir

donde r es el coeficiente de correlacin lineal muestral, n es el tamao

Regiones de decisin. Dado que la hiptesis alterna seala el

Criterio de decisin y conclusin del investigador. Se debe comparar

). El criterio de decisin esta basado en: 1) si el t

calculado es mayor que el t de tablas positivo, cae en la regin de

los resultados de la prueba, y plantea las recomendaciones