APUNTES

ECONOMETRA

Unin de Estudiantes de Ciencias Econmicas | AECUC3M

Unin de Estudiantes de Ciencias Econmicas

Tema 1 Modelizacin y Datos Economtricos

Concepto de Modelo Economtrico

Concepto de La Econometra se basa en el desarrollo de mtodos estadsticos destinados a estimar las
Econometra relaciones econmicas.
La Econometra se centra en los problemas inherentes a la recopilacin y al anlisis de datos
econmicos no experimentales.
La Econometra es una rama de la Estadstica basada en el planteamiento de modelos que
relacionen variables econmicas.
Uno de los objetivos principales de la Econometra es realizar anlisis causal, que permite
determinar los efectos de ciertas pol
ticas; y caracterizar y cuantificar la relacin de
comportamiento entre variables econmicas.
Componentes Las variables:
del modelo 1. Variables observacionales: Son aquellas que se pueden medir.
economtrico a) Variable Dependiente: Es aquella que tratamos de explicar.
b) Variable Independiente: Es aquella que explica o causa a la variable dependiente.
Dicho de otra forma, la variable dependiente estarcausada por las variables
independientes.

y x
Variable dependiente Variable independiente
Variable explicada Variable explicativa
Variable respuesta Variable de control
Variable predicha Variable predictor
Regresando Regresor

2. Variables no observacionales: Son aquellas que no se pueden medir por estar contenidas
en el trmino de error.
Los Parmetros: Si estn contenidos en la ecuacin del modelo, se llamarn parmetros
estructurales.
Los Datos:
1. Datos de Seccin Cruzada o Corte Transversal:
a) Definicin: Son conjuntos de observaciones de una o ms variables medidas en
distintas unidades econmicas.
b) Ejemplo: Salario de un grupo de trabajadores de una empresa; Ventas de un
conjunto de empresas en 2009, etc.
2. Datos de Serie Temporal:
a) Definicin: Son conjuntos de observaciones de una o ms variables medidas a lo
largo del tiempo en perodos regulares.
b) Ejemplos: El IPC mensual, el crecimiento del PIB trimestral,etc.
3. Datos de Panel:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

a) Definicin: Son conjunto de observaciones de una co ms variables medidas en

distintas unidades econmicas, en dos perodos distintos de tiempo, entre los que
se produce un cambio estructural.
b) Ejemplo: Medimos el precio de un conjunto de viviendas antes y despus de
construir un verdadero prximo.
Propiedades de las Esperanzas, Covarianzas ,Varianzas, Sumatorios y L mites Probabil sticos
Propiedades de
las Esperanzas



Propiedades de
las Varianzas

Propiedades de
las
Covarianzas

Propiedades de La suma del producto de una constante por una variable, es igual a k veces la sumatoria de la
los Sumatorios variable.

El sumatorio hasta N de una constante, es igual a N veces la constante.

El sumatorio de una suma es igual a la suma de las sumatorias de cada trmino.

El sumatorio de un producto no es igual al producto de las sumatorias de cada trmino.

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

El sumatorio de los cuadrados de los valores de una variable no es igual a la sumatoria de la

variable elevado al cuadrado.

Aplicacin de las propiedades de los Sumatorios:

1. Clculo de la Varianza de X:

2. Clculo de la Covarianza entre X e Y:

Propiedades de El lmite probabilstico de un constante es igual al constante.

Lmites
Probabilsticos
El lmite probabilstico del producto de un constante por una variable es igual al constante por el
lmite probabil
tico de la variable.

El lmite probabilstico de una suma o resta de dos variables es igual a la suma o resta de lmites
probabilsticos de las dos variables.

El lmite probabilstico de un producto entre dos variables es igual al producto de los lmites
probabilsticos de las dos variables.

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

El lmite probabilstico de un cociente entre dos variables es igual al cociente de los lmites
probabilsticos de las dos variables.

Concepto de Esperanza Condicionada y Causalidad CETERIS PARIBUS

Introduccin El objetivo de los modelos economtricos es predecir Y en funcin de X.
Dando por hecho que entr ambas variables existe una relacin de causalidad, es decir, que Y est
causada por X puede demostrarse que la mejor prediccin de Y en funcin de X es la Esperanza
de Y condicionada a X, E(Y/X), o Esperanza Condicional. Tambin se le conoce como Funcin
de Regresin Poblacional.
Efecto Causal El objetivo de los economistas es inferir si una variable tiene un efecto causal sobre otras
variables.
Para obtener este efecto causal, debemos aislar el efecto de las otras variables influyentes en el
salario.
Esto es lo que se conoce como causalidad CETERIS PARIBUS, es decir, mantenemos constantes
el resto de variables influyentes en Y.
Propiedades de
las Esperanzas Suponemos que Z=g(X)
Condicionadas
Suponemos que Z=a+bX+cY

Ley de Esperanzas Iteradas:

Descomposicin de la Varianza Marginal:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Tema 2 Modelo de Regresin Lineal Simple

Concepto y Tipos de Prediccin

Concepto El objetivo del Modelo de Regresin Lineal Simple es predecir la variable dependiente Y,
utilizando la informacin de la variable independiente X.
El concepto de prediccin consiste en elaborar una prediccin c(X), al ser una funcin de x.
Evidentemente cometeremos un error de prediccin (u), que serla diferencia entre el valor real
de Y y nuestra prediccin c(X):

Como el error de prediccin (u) puede ser positivo, negativo o nulo, para asegurarnos de que
siempre obtengamos magnitudes positivas, definimos el Error Cuadrtico Medio de la Prediccin
ECM (u):

Nuestro objetivo es encontrar la prediccin c(X) que haga que el ECM (u) sea mnimo.
Tipos de Mejor Prediccin Constante:
Prediccin a) Supuesto: No conocemos la informacin de la variable X y la funcin c(X)=c

b) Minimizando esta funcin, obtenemos la mejor prediccin constante de la variable Y.

c) Predictor: La media poblacional es el mejor predictor constante de la variable Y.

Mejor Prediccin Lineal:

a) Supuesto: Conocemos la variable X para predecir la variable Y, y la funcin c(X) es de tipo
lineal, de tal manera que .

b) Minimizando este error cuadrtico medio, obtenemos la mejor prediccin lineal, y la

llamamos Proyeccin Lineal de Y/X o Predictor Lineal ptimo de Y/X.

La Mejor Prediccin:
a) Supuesto: Conocemos la variable X antes de hacer la prediccin de la variable Y. En este caso,
la funcin c(X) puede ser lineal o no lineal, pero en general es desconocida.

b) Minimizando esta funcin, obtenemos la mejor prediccin de la variable Y, que serla

Esperanza de Y condicionada a X, E(Y/X), o Funcin de Esperanza Condicional.
c) Si E(Y/X) es Lineal, entonces coincidircon la proyeccin lineal:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

d) Si E(Y/X) no es lineal, entonces no coincidircon la proyeccin lineal.

Supuestos del Modelo de Regresin Lineal Simple

Linealidad en
los Parmetros Esto quiere decir, que el modelo serlineal si los parmetros ( son lineales.
del Modelo Por lo tanto, un modelo puede no ser lineal en variables, pero slo es en permetros, se
considerarque cumple este supuesto.
Suponemos que , donde es el trmino de error o peturbacin, y es una variable
aleatoria que recoge el efecto de las variables explicativas no incluidas en el modelo.
Implicaciones del Supuesto:
1. Se cumple que .
2. La , Incorrelacin entre X y , tambin se puede decir que X es exgeno.
3. La funcin de Esperanza condicional serlineal, es decir,
Homocedastici Supone que la Varianza Condicionada del Error es Constante e igual a .
dad
Implicaciones del Supuesto:
1.
2.
Estimacin del Modelo: Mnimos Cuadrados Ordinarios
Principio de Las expresiones que se cumplen en trminos muestrales tambin se cumplirn en trminos
Analog a poblacionales (y viceversa).

POBLACIONAL MUESTRAL

Condiciones de Las condiciones de primer orden para las estimaciones MCO es una expresin que viene del
Primer Orden clculo de optimizacin.
para las La expresin Mnimos Cuadrados Ordinarios viene del hecho de que estos valores estimados
Estimaciones minimizan la suma de los cuadrados de los residuos.
MCO Minimizar la Suma de los Cuadrados de los Residuos:
Dado que , por lo que
Nuestro objetivo es minimizar la suma de los residuos al cuadrado, es decir:

Una condicin necesaria para que y sean soluciones del problema de minimizacin es

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

que las dedivadas parciales de la funcin sea igual a 0.

Por lo tanto observamos que para que sea un estimador ptimo, la condicin es que
, y para que sea un estimador ptimo, la condicin es que .
Y estas dos condiciones son las dos implicaciones de uno de los supuestos del MRLS:
y .
Propiedades La suma, y por lo tanto, la media muestral de los residuos MCO es nula:
Algebraicas de
los
Estimadores
MCO Esta propiedad deriva directamente de la condicin de primer orden de los MCO.
La Covarianza muestral entre los regresores y los residuos MCO es nula:

El punto siempre estsobre la recta de regresin MCO, es decir

Aplicando las propiedades anteriores, observamos que , y dado que , por lo

tanto, .
Estimacin de Distincin entre los errores y los residuos:
la varianza del Los errores nunca son observables, y aparecen en la ecuacin que contiene los parmetros
error poblacionales:

Los residuos se calculan a partir de los datos, y aparecen en la ecuacin estimada:

Estimacin de la varianza del error:

Luego, un estimador de ser

a:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Sin embargo, este estimador tiene un sesgo, porque no considera las restricciones que los residuos
MCO deben satisfacer. Estas restricciones vienen dadas por las dos condiciones de primer orden
del estimador MCO: y .
Un estimador insesgado de sera:

Propiedades de los Estimadores MCO

Teorema de De entre todos los estimadores, los estimadores MCO son lineales, insesgados y tienen varianza
Gauss-Markov mnima, es decir, que son ptimos.
Linealidad Significa que y son en realidad, funciones lineales de Y.

Insesgadez Decimos que un estimador es insesgado o centrado cuando su esperanza es igual al parmetro que
estimamos.

Varianza Puede demostrarse que y de MCO tienen mnima varianza, y por tanto, sern los
mnima estimadores ms eficientes.

Consistencia Los estimadores y son estimadores consistentes si a medida que se incrementa el tamao
muestral, su valor se aproxima al verdadero parmetro poblacional. En trminos economtricos,
la consistencia equivale a convergencia en probabilidad.

Interpretacin de los coeficientes

Introduccin Al plantear cualquier modelo de regresin, nuestro objetivo es interpretar el efecto de x sobre y.
Para que los parmetros de un modelo puedan interpretarse, el modelo tiene que ser lineal en
parmetros.
Como vimos, la condicin para que el modelo sea lineal era el cumplimiento del .
Esto viene a significar que, si ,entonces los parmetros no tendrn interpretacin.
Concepto de Variacin Absoluta, Variacin Relativa y Variacin Porcentual:
Ejemplo: Supongamos que el salario de un individuo (x) al mes son 2000, y su salario se
incrementa hasta 2500. Vamos a calcular la variacin absoluta, relativa y porcentual del salario:
Variacin Absoluta:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Variacin Relativa:

Variacin Porcentual:

Concepto de Elasticidad: Cuando las 2 variables estn expresados en funcin de Ln.

Elasticidad y
Semielasticida Semielasticidad: Cuando slo 1 de las variables se ve afectado por Ln.
d
Modelo Lineal
Interpretacin de :

Ante un incremento de 1 unidad en X, le corresponde en promedio una variacin de unidades

en Y.
Elasticidad de Y con respecto a X:

En este modelo, la elasticidad no es constante, puesto que depende de los valores de X e Y.

Modelo
Logar
tmico-Li Interpretacin de :
neal

Ante un incremento de 1 unidad en X, le corresponde en promedio una variacin de

puntos porcentuales en Y.
Elasticidad de Y con respecto a X:

En este modelo, la elasticidad no es constante, puesto que depende del valor de X.

Modelo
Lineal-Logar
t Interpretacin de :
mico

Ante un incremento de 1 punto porcentual en X, le corresponde en promedio una variacin de

unidades en Y.

Elasticidad de Y con respecto a X:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

En este modelo, la elasticidad no es constante, puesto que depende del valor de Y.

Modelo Doble
Logar
tmico Interpretacin de :

Ante un incremento de 1 punto porcentual en X, le corresponde en promedio una variacin de

puntos porcentuales en Y.

Elasticidad de Y con respecto a X:

En este modelo, la elasticidad es constante.

Unidades de Los estimadores MCO cambian en una forma totalmente previsible cuando se modifican las
Medida unidades de medida de las variables dependientes e independientes.
Si la variable dependiente (Y) se multiplica por la constante c, entonces los valores estimados
MCO del trmino constante y de la pendiente tambin se multiplican por c.

Si la variable independiente (X) se divide o se multiplica por una constante no nula, c , entonces
el coeficiente de la pendiente MCO se multiplica o se divide por c, respectivamente. El cambio
slo en las unidades de medida de la variable independiente no afecta al trmino constante.

Bondad de Ajuste
Suma de Suma de Cuadrados Total (SCT): SCT=SCM+SCE
Cuadrados

Suma de Cuadrados del Modelo (SCM):

Suma de Cuadrados de los residuos (SCE):

R-cuadrado Es una forma de medir la capacidad de la variable independiente o explicativa X de explicar la

variable dependiente.
R-cuadrado es la proporcin de la variacin explicada en comparacin con la variacin total.

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Se interpreta como la fraccin de la variacin muestral en Y que viene explicada por X.

100* es el porcentaje de la variacin muestral de Y que viene explicada por X.

tambin es igual al cuadrado del coeficiente de correlacin muestral entre y .

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Tema 3 Modelo de Regresin Mltiple

Modelo con k variables explicativas

Supuestos del Linealidad en los parmetros:
Modelo de
Regresin Esto quiere decir, que el modelo serlineal si los parmetros ( son lineales. Por
Mltiple lo tanto, un modelo puede no ser lineal en variables, pero slo es en permetros, se considerar
que cumple este supuesto.
:
Se trata de un supuesto fundamental del modelo y tiene las siguientes implicaciones:
4. Se cumple que .
5. La , Incorrelacin entre y .
6. La funcin de Esperanza condicional serlineal, es decir:

Homocedasticidad:
Supone que la Varianza Condicionada del Error es Constante e igual a .

Implicaciones del Supuesto:

3.
4.
No Colinealidad Perfecta:
Supone que no existe ninguna combinacin lineal exacta entre variables explicativas, porque si
existiese, el modelo presentar
a multicolinealidad o Colinealidad y no podrestimarse.
Es importante tener en cuenta que el supuesto spermite que las variables independientes estn
correlacionadas, lo que no pueden es estar perfectamente correlacionadas.
Ejemplos de combinaciones exactas de variables:

Modelo con
dos variables
explicativas

Un caso especialmente importante en este modelo es el caso de Incorrelacin entre y , es

decir, . Por lo tanto:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Estimacin del Modelo de Regresin Mltiple: MCO

Condicin de Dado que ,
Primer Orden por lo que
Nuestro objetivo es minimizar la suma de los residuos al cuadrado, es decir:

Una condicin necesaria para que y sean soluciones del problema de minimizacin es
que las dedivadas parciales de la funcin sea igual a 0.

Propiedades La media muestral de los residuos es cero.

Algebraicas de La Covarianza muestral entre cada variable independiente y los residuos MCO es cero, de lo que
los se desprende que la covarianza muestral entre los valores ajustados MCO y los residuos MCO es
Estimadores cero.
MCO El punto siempre estsobre la recta de regresin MCO.
Interpretacin de los Coeficientes en un Modelo de Regresin Mltiple
Interpretar la
ecuacin de la El parmetro del trmino constante es el valor predicho de y cuando = =0. Siempre se
regresin necesita el parmetro del trmino constante para obtener una prediccin de y a partir de la recta
MCO para 2 de regresin MCO.
variables Los valores estimados y tienen interpretaciones de efecto parcial o ceteris paribus.

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

independientes
Cuando se mantiene fijo, de forma que , entonces:

Cuando se mantiene fijo, de forma que , entonces:

Interpretar la
ecuacin de la Escrito en trminos de cambios:
regresin
MCO para El coeficiente de mide el cambio en por cada incremento en una unidad de ,
ms de 2 manteniendo fijas las restantes variables independientes.
variables
independientes La utilidad del anlisis de regresin mltiple reside en que nos proporciona una interpretacin
ceteris paribus aun cuando los datos no hayan sido recogidos de una forma ceteris paribus.
La utilidad del anlisis de regresin mltiple reside en que nos permite hacer en un medio no
experimental lo que los cient ficos hacen en el medio controlado de un laboratorio: mantener
fijos el resto de los factores.
Formas Cuando planteamos el modelo de regresin, el primer supuesto que realizamos es la linealidad en
Cuadrticas los parmetros. Sin embargo, las variables no tienen porquser lineales.
Puede ocurrir que al plantear un modelo de regresin para recoger el efecto de alguna variable
explicativa, no baste con incluirla en forma lineal, sino que tengamos que incluir un trmino
cuadrtico.

Cuando la variable contiene un trmino cuadrtico, la interpretacin se realiza a partir de la

primera derivada del modelo:

Sustituyendo las derivadas por los incrementos:

Interpretacin del efecto de la variable independiente

Ante un incremento de 1 unidad en , le corresponde una variacin en promedio de
unidades en Y, manteniendo el restos de variables independientes fijos.
Por tanto, este efecto no es constante, y dependerdel valor que tome .
Trminos de Puede ocurrir que al plantear un modelo de regresin, el efecto de una variable explicativa
Interaccin dependa de otras variables explicativas del modelo. Cuando esto ocurre, es necesario introducir
trminos de interaccin.

Para obtener en este caso el efecto parcial ceteris paribus de , habrque plantear la siguiente
derivada:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Sustituyendo las derivadas por los incrementos:

Interpretacin del efecto de la variable independiente

Ante un incremento de 1 unidad en , le corresponde una variacin en promedio de
unidades en Y, manteniendo el restos de variables independientes fijos.
Por tanto, este efecto no es constante, y dependerdel valor que tome .
Propiedades de los Estimadores de MCO: Teorema de Gauss-Markow
Teorema de De entre todos los estimadores, los estimadores MCO son lineales, insesgados y tienen varianza
Gauss-Markov mnima, es decir, que son ptimos.
Linealidad Significa que se pueden expresar mediante una combinacin lineal de Y.
Insesgadez Si se cumple el supuesto , entonces los estimadores MCO sern
insesgados:

Varianza Se puede demostrar que los estimadores MCO tienen la menor varianza de entre todos los
Mnima estimadores lineales e insesgados.

Donde es la varianza muestral total de ,y es el R-cuadrado de la

regresin de sobre el resto de las variables independientes.
Consistencia Los estimadores son estimadores consistentes si a medida que se incrementa el
tamao muestral, su valor se aproxima al verdadero parmetro poblacional. En trminos
economtricos, la consistencia equivale a convergencia en probabilidad.

Inferencia en los Modelos de Regresin

Contraste de
Hiptesis de un Hiptesis nula:
nico
parmetro Interpretacin:
poblacional Contrastar que no tiene ningn efecto sobre el valor esperado de Y.
Estadstico de Contraste:

1. Como siempre es positivo, tiene el mismo signo que .

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

2. La estimacin puntual nunca serexactamente igual a 0, sea o no cierta la hiptesis nula.

La cuestin es saber a qudistancia est de 0.
3. Estamos contrastando hiptesis sobre los parmetros poblacionales. No estamos
contrastando hiptesis sobre las estimaciones obtenidas de una muestra particular.
4. En Econometra, todas las muestras son Asintticas (n>30), y estos estad
sticos convergen a
una distribucin normal:
Contraste frente a alternativas unilaterales:

1. Bajo la hiptesis alternativa , el valor esperado de es positivo.

2. Regla de Rechazo: , siendo c el valor cr

tico.

3. Para grados de libertad mayores que 120, se pueden usar los valores crticos de la normal
tipificada.

1. Bajo la hiptesis alternativa , el valor esperado de es negativo.

2. Regla de Rechazo: , siendo c el valor cr

tico.

Contraste frente a alternativas bilaterales:

1. Bajo esta alternativa, tiene un efecto ceteris paribus en Y, sin especificar si el efecto es
positivo o negativo.

2. Regla de Rechazo: , siendo c el valor cr

tico.

Interpretacin del Resultado de Contraste:

1. Si se rechaza , decimos que es estadsticamente significativo.
2. Si no se rechaza , decimos que es estad sticamente no significativo.
Contraste de otras hiptesis sobre :

Clculo de p-valores:
El p-valor es el nivel de significatividad ms pequeo al que se rechazara la hiptesis nula.

Intervalo de Confianza:

Contraste de Hiptesis nula:

Hiptesis
acerca de una

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

nica Hiptesis Alternativa:

combinacin
lineal de los
parmetros Estad
stico de Contraste:

Clculo de :

Otra forma de clculo:

Sustituir en la regresin original y estimamos:

Contraste de Nocin bsica:

Restricciones 1. El contraste de Restricciones Lineales Mltiples se utiliza para contrastar si un conjunto de
Lineales variables independientes no ejerce un efecto parcial sobre la variable dependiente.
Mltiples 2. Modelo No Restringido: Aquel modelo inicial que contiene todas las variables explicativas.
3. Modelo Restringido: Aquel modelo resultado de haber sustituido las hiptesis nulas en el
modelo inicial.
Contraste de Restricciones de Exclusin:

Modelo no restringido:

Hiptesis nulas y alternativas:

Modelo restingido:

Estad
stico de Contraste:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Como no puede ser menor que , el estadstico F es siempre positivo.

En Econometra, todas las muestras son Asintticas (n>30), y estos estad sticos convergen a una
distribucin chi-cuadrado :

Notacin:
q= nmero de restricciones de exclusin de .
k= nmero de variables explicativas del modelo no restringido.

Interpretacin del Resultado de Contraste:

1. Si se rechaza , decimos que son estadsticamente significativa de forma
conjunta al nivel de significatividad adecuado.
2. Si no se rechaza , entonces las variables son conjuntamente no significativas.
Relacin entre los estadsticos t y F:
Se puede demostrar que el estadstico F para contrastar la exclusin de una nica variable es igual
al cuadrado del estad stico t correspondiente.

O bien,

La forma R-cuadrado del estadstico F:

1. Una razn para utilizar la forma de R-cuadrado se halla en que el R-cuadrado estsiempre
entre 0 y 1, mientras que las SCE pueden ser muy grandes dependiendo de las unidades de
medida de Y.
2. Forma R-cuadrado del estadstico F:

En Econometra, todas las muestras son Asintticas (n>30), y estos estad

sticos convergen a una
distribucin chi-cuadrado :

3. Como , esto demuestra de nuevo que el estadstico F siempre serpositivo.

4. Es importante no elevar al cuadrado el R-cuadrado antes de introducirlo en la frmula, puesto
que la elevacin al cuadrado ya se ha realizado.

El Estadstico F para la significatividad conjunta de una regresin:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Modelo no restringido:

Hiptesis nulas y alternativas:

Modelo restingido:

Estad
stico de Contraste:

En este caso, R-cuadrado de es igual a 0.

Contraste de Restricciones Lineales Generales:

Modelo no restringido:

Hiptesis nulas y alternativas:

Modelo restingido:

Estad
stico de Contraste:

En este caso, el modelo restringido es un modelo con un trmino constante, pero con una variable
dependiente diferente de la del modelo no restingido. Por lo tanto, no podemos utilizar la forma
R-cuadrado del estad stico F.
Como Regla General, debera usarse la forma SCE del estadstico F si la regresin restringida
presenta una variable dependiente distinta a la de la regresin no restringida.

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Tema 4 Variables Binarias

Variables Binarias
Introduccin En la investigacin economtrica suelen aparecer fenmenos de discriminacin por razn de
sexo, raza, nivel de estudios, lugar de residencia, etc, que no pueden analizarse utilizando
nicamente variables cuantitativas.
Para analizar estos fenmenos discriminatorios, necesitaremos introducir informacin cualitativa
en los modelos.
Concepto Las variables cualitativas se introducen en los modelos mediante variables binarias, ficticias o
dummies.
Se trata de variables que toman nicamente dos valores:
1. Valor 1: Cuando el individuo o el elemento analizado cumpla una determinada
caracterstica.
2. Valor 0: Cuando el elemento o individuo analizado no cumple la citada caracterstica.
Siempre se cumplirque podamos definir tantas variables ficticias como niveles o categoras que
tenga la variable cualitativa.
Siempre se cumplirque la suma de las variables binarias de una variable cualitativa es igual a 1.
Mtodo de Si el modelo tiene trmino constante ( ), tendremos que eliminar una variable binaria por cada
Introduccin variable cualitativa, porque de lo contrario aparecera un problema de multicolinealidad perfecta,
de las y el modelo no podra estimarse.
Variables Si el modelo no tiene trmino constante, podemos introducir todas las variables binarias.
Binarias en el El objetivo de las variables binarias es comparar regresiones de distintos colectivos y para ello, se
Modelo pueden introduir las variables binarias de dos formas:
1. En forma aditiva: Cuando queramos analizar las posibles diferencias en los trminos
constantes de las regresiones de los distintos colectivos.
2. En forma de interaccin: Cuando queramos analizar posibles diferencias en las
pendientes de las regresiones de los distintos colectivos.
Modelos Bsicos que utilizan Variables Binarias
Modelo 1 Para explicar la variable dependiente Y (Salario), utilizamos nicamente la variable cualitativa
(Sexo) con variables binarias nicamente en forma aditiva.
En primer lugar, tendremos que definir las variables binarias correspondientes a las 2 categor as
del sexo:

A continuacin podremos plantear dos modelos alternativas:

1. Modelo con Trmino Constante:
En este caso, deberamos eliminar una variable binaria para evitar la multicolinealidad,
por ejemplo, :

En estos modelos, es especialmente importante la interpretacin de coeficientes, ascomo

los contrastes de discriminacin, que sirven para verificar si existen diferencias entre los

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

distintos colectivos.
Tomando las esperanzas condicionadas de la ecuacin anterior, vamos a obtener las
ecuaciones salariables de mujeres y hombres:
Salario Medio de Mujer:

Salario Medio de Hombre:

Restando las esperanzas condicionadas, obtenemos:

Interpretacin de Coeficientes:
: Salario Medio de los Hombres.
: La diferencia salarial media entre mujeres y hombres.
Contraste:
Para contrastar si existe discriminacin salarial entre mujeres y hombres:

2. Modelo sin Trmino Constante:

Al no incluir el trmino constante, podremos introducir las dos variables binarias, y la
educacin del modelo ser a:

Tomando esperanzas condicionadas en la ecuacin anterior, obtenemos:

Salario Medio Mujer:

Salario Medio Hombre:

Interpretacin de los Coeficientes:

y seran respectivamente los salarios medios de mujeres y hombres.
Contraste:
Para contrastar si existen diferencias salariales entre mujeres y hombres, habra que
plantear:

Conclusin:
1. Comparando el modelo con trmino constante y el modelo sin trmino constante,
deducimos que en los modelos con trmino constante, el coeficiente de la variable binaria
mide los EFECTOS DIFERENCIALES, mientras que en los modelos sin trmino
constante, los coeficientes de las variables binarias miden EFECTOS ABSOLUTOS.
Modelo 2 Para explicar la variable dependiente Y (Salario), utilizamos la variable cuantitativa aos de
estudio ( ) y la variable cualitativa sexo, con variables binarias nicamente en forma aditiva.
En primer lugar, definimos las dos variables binarias correspondientes al sexo:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Vamos a centrarnos en el modelo con trmino constante y para plantearlo, eliminamos una de las
variables binarias, por ejemplo, .
La ecuacin del modelo sera la siguiente:

Tomando esperanzas condicionadas en la ecuacin anterior, obtenemos las ecuaciones salariales

de mujeres y hombres:
1. Salario Medio de Mujeres:

2. Salario Medio de Hombres:

3. Restando las esperanzas condicionadas:

Interpretacin de los Coeficientes:

1. : Salario medio de los hombres sin estudios ( ).
2. : Pendiente de los dos colectivos, y decimos que a un incremento de un ao en los
estudios, le corresponde, en promedio, una variacin de unidades monetarias en los
salarios de mujeres y hombres.
3. : Diferencia salarial media entre mujeres y hombres a igualdad de aos de estudios, o
manteniendo en ceteris paribus.
Contraste:
Para verificar si existen diferencias salariales entre mujeres y hombres:

Modelo 3 Para explicar la variable dependiente Y (Salario), utilizamos la variable cuantitativa aos de
estudio ( ) y la variable cualitativa sexo, con variables binarias nicamente en forma aditiva.
En primer lugar, definimos las dos variables binarias correspondientes al sexo:

Vamos a centrarnos en el modelo con trmino constante y para plantearlo, eliminamos una de las
variables binarias, por ejemplo, .
La ecuacin del modelo sera la siguiente:

Al incluir la variable binaria en forma aditiva y de interaccin con , este modelo permite
analizar diferencias en el trmino constante y la pendiente de las regresiones de mujeres y
hombres.
Tomando esperanzas condicionadas en la ecuacin anterior, obtenemos las ecuaciones salariales
de mujeres y hombres.
1. Salario Medio de Mujeres:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

2. Salario Medio de Hombres:

3. Restando las esperanzas condicionadas:

Interpretacin de los Coeficientes:

1. : Salario medio de los hombres sin estudios ( ).
2. : A un incremento de un ao en los estudios, le corresponde, en promedio, una
variacin de unidades monetarias en el salario de los hombres.
3. : La diferencia salarial media entre mujeres y hombres a igualdad de aos de estudio.
4. : La diferencia salarial media entre mujeres y hombres cuando ambos incrementan un
ao en sus estudios.
Adems, en los modelos con trminos de interaccin que incluyen variables binarias, pueden
pedir el EFECTO PARCIAL de la variable explicativa que acompaa a la variable binaria. Por
ejemplo, para hallar el efecto parcial del rendimiento de la educacin ( ):

Lgicamente, este efecto no es constante.

Podramos contrastar si el efecto parcial de la educacin depende del sexo, planteando lo
siguiente:

Tambin se puede plantear otros contrastes como los siguientes:

1. Para contrastar si existen diferencias en el trmino constante de las regresiones de
mujeres y hombres, planteamos:

2. Para contrastar si existen diferencias en la pendiente de las regresiones de mujeres y

hombres:

3. Para contrastar si existen diferencias salariales entre mujeres y hombres:

Observaciones Adems de estos 3 modelos bsicos, se pueden plantear modelos ms complejos que incluyan 2 o
ms variables cualitativas e incluso podrn aparecer trminos de interaccin entre 2 variables
binarias.
En cualquier caso, siempre tendremos en cuenta que si el modelo tiene trmino constante,
tendremos que eliminar una variable binaria por cada variable cualitativa para evitar la
multicolinealidad.
Una vez planteado el modelo, calcularemos las diferencias entre colectivos tomando esperanzas
condicionadas en el modelo poblacional.

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Modelo de Diferencias en Diferencias

Modelo de Hasta ahora, todos los modelos planteados se estimaban apartir de datos de seccin cruzada, que
Diferencias en eran conjuntos de observaciones de una o ms variables medidas en distintas unidades
Diferencias econmicas en un instante de tiempo. Por ejemplo, la renta de un conjunto de individuos en 2009.
Se denominan datos de seccin cruzada fusionadas o datos de panel, a conjuntos de
observaciones de una o ms variables medidas en distintas unidades econmicas en dos perodos
distintos de tiempo entre los que ha habido algn cambio estructural pol tico, econmico o social.
Por ejemplo, el precio de un conjunto de viviendas en 2005 y en 2010 entre los que ha habido un
cambio estructural, una crisis econmica.
Para analizar los efectos de este cambio estructural, se plantea el modelo de diferencias en
diferencias.
Aplicacin Nuestro objetivo es evaluar la repercusin de una elevacin del tope mximo en el subsidio de
desempleo sobre la duracin.
Definicin de las Variables:
: Duracin del desempleo en semanas (medida en logaritmos).

Escribimos el modelo en trminos poblacionales:

La ecuacin anterior es un modelo de diferencias en diferencias, y tiene como objetivo, analizar

cmo y a quin afectarel cambio de pol ticia econmica, que en este caso, es la elevacin del
tope mximo del subsidio por baja laboral. A priori, esta medida slo debera afectar a los
individuos de rentas altas, que perciben el mayor subsidio y no debera afectar a los de rentas
bajas.
Comenzamos interpretando los coeficientes de la ecuacin anterior:
1. : La duracin de la baja laboral en logatirmos para los individuos de renta no alta antes
del cambio.
2. : La diferencia en la duracin de la baja entre antes y despus del cambio para los
individuos de rentas no altas.
3. : La diferencia en la duracin de la baja laboral entre los individuos de renta alta y no
alta antes del cambio.
4. : Mide el efecto causal del cambio de pol tica, es decir, la diferencia en la duracin de
la baja laboral de los individuos de rentas altas despus del cambio.

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Tema 5 Errores de Especificacin

Omisin de Variables Relevantes (Subespecificacin del Modelo)

Concepto Consisite en eliminar del modelo alguna variable explicativa significativa.
La exclusin de una variable relevante o de subespecificacin del modelo.
Omisin de Consideremos el siguiente modelo correctamente especificado, que cumple todos los supuestos:
Variables
Relevantes Sin embargo, por falta de informacin, decidimos omitir la variable , que es relevante
(significativa) porque . Por eso, planteamos el siguiente modelo mal especificado:

Vamos a demostrar que la omisin de la variable relevante hace que en el modelo segundo la
.
Teniendo en cuenta que el error:

Tomando esperanzas condicionadas:

El incumplimiento del supuesto provoca que los estimadores de MCO del modelo
segundo sean SESGADOS e INCONSISTENTES.
Sesgo por Para obtener el sesgo, necesitamos una expresin que relacione los parmetros de los dos
Omisin de modelos anteriores.
Variable Para ello, partimos de la expresin de y en ella, sustituimos la variable Y por el verdadero
modelo:

no es igual a por regla general: es un estimador sesgado de .

tiene una interpretacin simple: Es simplemente el coeficiente de
la pendiente de la regresin de sobre .

Por lo tanto, podemos expresar de la siguiente manera:

El sesgo en es . Esto es lo que normalmente se denomina sesgo por

omisin de variable.
Resumen del sesgo en cuando se omite :

Sesgo Positivo Sesgo Negativo

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

(Sobreestimacin) (Infraestimacin)
Sesgo Negativo Sesgo Positivo
(Infraestimacin) (Sobreestimacin)

Si , decimos que tiene un sesgo al alza. Si , decimos que tiene un

sesgo a la baja.
De forma general, se puede calcular el sesgo mediante la siguiente fmula:

Conclusin La omisin de una variable relevante provoca SESGO e INCONSISTENCIA en el estimador de

MCO excepto en el caso de incorrelacin entre las variables omitidas y las variables incluidas.
V( ) siempre es ms pequea que V( ).
Inclusin de Variables Irrelevantes (Sobreespecificacin del Modelo)
Concepto Significa que una o ms de las variables independientes que se han incluido en el modelo no tiene
ningn efecto parcial sobre Y en la poblacin, es decir, que su coeficiente poblacional es nulo.
Inclusin de Supongamos que establecemos un modelo del tipo:
Variables
Irrelevantes Sin embargo, no tiene ningn efecto sobre Y cuando y han sido tenidos en cuenta, lo
que significa que . En trminos de Esperanzas Condicionadas,
.
Efectos En cuanto a la insesgadez de y , no tiene ningn efecto.
El aadir una variable irrelevante a una ecuacin normalmente produce un aumento de las
varianzas del resto de los estimadores MCO debido a la multicolinealidad.
Conclusin El incluir una o ms variables irrelevantes en un modelo de regresin mltiple, o el
sobreespecificar el modelo, no afecta a la insesgadez de los estimadores MCO.
Al producir un incremento en las varianzas de dichos estimadores, lo que se conoce como
Prdida de Eficiencia, como consecuencia de ello, la inferencia seguirsiendo vlida, pero
escasamente fiable.
Pese a ello, la inclusin de variables irrelevantes tiene efectos menos graves que la omisin de
variables relevantes.
Errores de Medida en las Variables
Concepto Cuando planteemos un modelo, puede ocurrir que la variable dependiente o alguna variable
independiente estn medidas con error.
Especialmente grave es el error de medida en las variables explicativas, ya que provoca el
SESGO y la INCONSISTENCIA de los estimadores de MCO.
Error de Supongamos el siguiente modelo:
Medida en la
Variable Este modelo no puede estimar, porque la variable dependiente no es observable, y en su lugar,
Dependiente observamos la variable Y, que cumple la siguiente ecuacin:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Nuestro objetivo es poder estimar el modelo, y para ello, despejamos en la ecuacin anterior
y lo sustituimos en la ecuacin primera:

Llamamos a , luego:

A continuacin, vamos a comprobar los efectos del error de medicin en Y y para ello, realizamos
dos supuestos adicionales:
1.
2. Supuesto clsico del Error de Medida en la Variable Dependiente: Suponemos que las
variables explicativas y estn incorrelacionadas con el error de medida v. Es
decir: y .
Efectos de Error de Medida en la Variable Dependiente:
1. Se puede demostrar que si estimamos por MCO,
obtendremos estimadores INSESGADOS y CONSISTENTES.
2. Aparentemente, el error de medida en la variable dependiente no tendra consecuencias
graves, pero no es as,porque el error del modelo ha aumentado, ha pasado de a .
Adems, la varianza de dicho error ha aumentado:

Este incremento en la varianza del error provoca un incremento en las varianzas de los
estimadores, lo que supone una Prdida de Eficiencia, y como consecuencia, la inferencia
sigue siendo vlida pero poco fiable.
3. Estos efectos son idnticos a los de la inclusin de variables irrelevantes.
Caso especial en el error de medida en la variable dependiente:
1. Supongamos que , entonces se incumple el supuesto clsico de error de
medida en la variable dependiente.
2. Lgicamente, v va a formar parte de u, por lo que .
3. Por lo tanto, la consecuencia serque
Error de Supongamos en el siguiente modelo:
Medida en la
Variable Como no es observable, el modelo no se puede estimar, y en su lugar, observamos X que
Independiente cumple la siguiente ecuacin:

Adems, antes de analizar los efectos de este error de medida, efectuamos los siguientes
supuestos:
1.
2. Supuesto Clsico del error de medida en la variable independiente: Suponemos que la
variable medida con error estincorrelacionada con el error de medida v:

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Para poder estimar la ecuacin, en primer lugar despejamos en la ecuacin segunda, y lo

sustituimos en la ecuacin primera:

Llamamos a , luego el modelo con todas las variables observables sera:

Si estimamor la ecuacin anterior por MCO, se produce un incremento en la varianza del error
que provoca que aumenten tambin las varianzas de los estimadores.
Sin embargo, el efecto realmente importante, es el SESGO e INCONSISTENCIA de los
estimadores de MCO.
Para demostrar este sesgo, partimos de la expresin de :

A continuacin, vamos a demostrar que el error de medida en X provoca que sea un

estimador inconsistente de , es decir, .

Sesgo Asinttico o Sesgo de Inconsistencia:

Conclusiones sobre el sesgo:

1. A la vista de la expresin obtenida, deducimos que si es positivo, el sesgo ser
negativo.
2. La magnitud del sesgo depende directamente de la varianza del error de medida, ,e
inversamente de la varianza de la variable medida con errores .
3. Existen dos casos especiales en los que el sesgo es nulo y es consistente:
a) Si tiene un error de medida nulo ( ), entonces y el sesgo ser
a
0.
b) Supongamos que todas las observaciones de estuviesen medidas con el

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

mismo error, es decir , en ese caso, , y el sesgo

tambin ser
a nulo.
Conclusin:
1. El error de medida en las variables explicativas provoca sesgo e inconsistencia en todos
los estimadores de MCO, excepto en los casos especiales.
2. La causa del sesgo es que la variable medida con error estcorrelacionada con el
error del modelo inicial ( ), es decir, C( , .
3. En trminos precisos, se dice que es una variable endgena.
4. El sesgo y la inconsistencia de los estimadores de MCO hace que la inferencia est
invalidada.

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Tema 6 Modelos con Variables Explicativas Endgenas

Estimacin de Variables Instrumentales

Estimacin de Antes de plantear este mtodo de estimacin debemos definir una variable instrumental e
Variables instrumento Z, que es una variable que cumple las dos siguientes condiciones:
Instrumentales 1. La variable instrumental Z debe estar incorrelada con el trmino de error del modelo ,
es decir, . Esta condicin no puede contrastarse, y slo puede razonarse de
manera terrica.
2. La variable instrumental Z debe estar correlacionada con la variable endgena X. Es
decir, . Esta segunda condicin de instrumento puede comprobarse
planteando una regresin de la variable endgena X frente a la variable instrumental Z.

Planteamos el contraste de identificacin:

Si , por lo que X y Z estarn correlacionadas y se cumplirla segnda condicin

de instrumento.
Una vez comprobadas las dos condiciones de instrumento, si se cumplen, entonces sera un
instrumento vlido o adecuado.
Para ello, introducimos en la C(Z,Y) el valor de la variable Y de la ecuacin:

Aplicando el principio de analoga, obtenemos la expresin del estimador de variables

instrumentales:

Se puede demostrar que es un estimador INSESGADO y CONSISTENTE de .

Insesgadez:

Consistencia:

Sin embargo, a pesar de ser un estimador insesgado y consistente, ocurre que:

Donde es el coeficiente de determinacin de la regresin de X sobre Z.

Conclusin:
1. El estimador de MCO es siempre ms eficiente (tiene menor varianza) que el estimador
de variable instrumental.
2. Cuanto mayor sea la relacin entre X y Z, menor varianza tendrel estimador de

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

variables instrumentales.
3. Bajo endogeneidad, utilizaremos el estimador de variables instrumentales.

Estimacin por Mnimos Cuadrados Bietpicos o en dos etapas (MC2E)

Estimacin por Hasta ahora, hemos analizado el problema de la endogeneidad nicamente en el Modelo de
Mnimos Regresin Simple. La solucin de la estimacin de Variables Instrumentales, que produca
Cuadrados estimadores de Variables Instrumentales, que produca estimadores insesgados y consistentes.
Bietpicos o en Sin embargo, el mtodo de Variables Instrumentales, es complejo de aplicar en el modelo de
dos etapas regresin mltiple, y en su lugar utilizamos la estimacin de mnimos cuadrados bietpicos.
Supongamos el siguiente modelo:

Donde es una variable endgena, es decir,

es una variable exgena, es decir,
Si estimamos esta ecuacin por MCO, obtendramos estimadores sesgados e inconsistentes,
debido a la endogeneidad de . Para obtener estimadores insesgados y consistentes de , y
, utilizamos la estimacin de Mnimos cuadrados bietpicos o en dos etapas.
Caso 1 Disponemos de una sola variable endgena externa .
Buscamos el mejor instrumento posible para la variable endgena , y dicho instrumento es una
combinacin lineal de todas las variables exgenas internas y externas al modelo.

1Etapa:
Estimamos por MCO la ecuacin:

El objetivo de esta etapa es determinar si existe relacin o no entre la variale endgena externa o
posible instrumento.
Entonces planteamos el contraste de identificacin:

En este contraste, debemos rechazar y decimos que se cumplirla condicin de

identificacin ( ). Entonces serun instrumento vlido.
2Etapa:
En la ecuacin , sustituimos la variable endgena , por los
valores ajustados .

Si estimamos la ecuacin anterior por MCO, obtenemos los estimadores de mnimos cuadrados

bietpicos, .

Se trata de estimadores consistentes y asintticamente normales, es decir, en muestras asintticas,

tienen distribucin normal.
Sin embargo, al igual que ocurra en Variables Instrumentales, los estimadores de Mnimos
cuadrados bietpicos, son menos eficientes (tienen mayor varianza que los de M nimos
Cuadrados Ordinarios).

Apuntes Realizados y Distribuidos por ZHOUJIE MA

Unin de Estudiantes de Ciencias Econmicas

Caso 2 Disponemos de ms de 1 instrumento, es decir, de ms de 1 variable exgena externa.

Suponemos que ten a 2 variables exgenas externas: y .
Buscamos el mejor instrumento posible para que es una combinacin lineal de todas las
variables exgenas internas ( ) y externas ( y ).

1Etapa:
Estimamos por MCO la ecuacin:

A continuacin planteamos el contraste de identificacin que sirve para determinar si los

instrumentos y estn o no correlacionados con la variable endgena .

Si , se cumplirla condicin de identificacin, y los instrumentos y

estn correlacionados con . Por lo tanto, son instrumentos vlidos.
2Etapa:
En En la ecuacin , sustituimos la variable endgena , por los
valores ajustados .

Si estimamos la ecuacin anterior por MCO, obtenemos los estimadores de M nimos Cuadrados
Bietpicos o en 2 etapas, que sern consistentes y asintticamente normales, siempre que los
instrumentos y sean vlidos.
Conclusin En general, si los instrumentos no son vlidos por incumplir alguna de las condiciones de
instrumento, los estimadores de Mnimos Cuadrados Bietpicos o en 2 etapas sern
INCONSISTENTES y peores que los de MCO, puesto que los estimadores de MCO tambin
son inconsistentes, sin embargo, tienen mnima varianza.
Contraste de Sobreidentificacin de SARGAN
Contraste de Planteamos una regresin de los residuos de Mnimos Cuadrados Bietpicos o en 2 etapas,
Sobreidentifica llamados frente a todas las variables exgenas internas y externas.
cin de
SARGAN Las hiptesis del contraste de Sargan son:

El estadstico de Contraste es:

Si todos los instrumentos estn incorrelacionados con el error, entonces seran instrumentos
vlidos.
Si algn instrumento estcorrelacionado con el error, entonces no ser a vlido.
Sin embargo, el contraste de Sargan no dice quinstrumento es no vlido.

Apuntes Realizados y Distribuidos por ZHOUJIE MA