Académique Documents
Professionnel Documents
Culture Documents
Tema 1
Getafe, Madrid
UC3M
Introduccin
Pasos en el trabajo emprico
Datos economicos
El modelo econometrico
Ejemplos
Nuestro gran objetivo: Causalidad
Y = 0 + 1 X + u
E (u ) = 0.
No arma nada sobre la relacin entre x e y .
Slo afecta a la distribucin marginal de u.
Es simplemente una normalizacin: el efecto medio de los otros
factores se renormaliza a cero.
E (u jx ) = E (u ) = 0.
Para todos los posibles valores de x, la media de u siempre es la
misma, 0.
Que dice este supuesto sobre habilidad en la ecuacin de Mincer?
Ejemplo fertilizante
E (y jx ) = 0 + 1 X
Esta expresin proporciona el valor de la funcin de regresin
poblacional, que en este caso es lineal.
Tambin se puede escribir
y = E (y jx ) + u = 0 + 1 X + u,
donde E (y jx ) = 0 + 1 es la parte explicada por x y u es la parte
no explicada por x.
wage = 0 + 1 educ + u
Pero es ms razonable suponer que es el porcentaje de incremento el
que es constante.
Un modelo que consigue esto, aproximadamente, es:
Y = 0 + 1 X1 + 2 X2 + . . . + k Xk + u.
k + 1 parmetros.
0 es el trmino constante.
j mide el efecto sobre y de un cambio en xj , manteniendo otros
factores constantes (parmetros de pendiente).
u : otros factores que afectan y y no son x1 , x2 , . . . , xk .
E (u jx1 , x2 , . . . , xk ) = 0.
El valor esperado de u debe ser igual para todas las combinaciones de
x1 , x2 , . . . , xk .
Tambin implica que se han especicado correctamente todas las
relaciones funcionales entre las x 0 s y la y .
Este supuesto garantiza que MCO est insesgado, y si se omite una
variable de x1 , x2 , . . . , xk ocasionar un sesgo.
Y =c 0 + c
1 X1 + c2 X2 + . . . + c Xk
k
MCO elige los valores de c0 , c
1 , c c que minimizan la suma de
2 , . . . , k
cuadrados de los residuos.
Dadas n observaciones f(xi 1 , xi 2 , ..., xik , yi ), i = 1, . . . , ng se eligen
c
1 , c c para hacer
2 , . . . , k
n
i =1 i( y ( c
0 + c
1 Xi 1 + c c Xik ))2
2 Xi 2 + . . . + k
CPO:
i =1 n (yi (c
0 + c
1 Xi 1 + c c Xik )) = 0
2 Xi 2 + . . . + k
i =1 n xi 1 (yi (c
0 + c
1 Xi 1 + c c Xik )) = 0
2 Xi 2 + . . . + k
..
.
i =1 n xik (yi (c
0 + c
1 Xi 1 + c c Xik )) = 0
2 Xi 2 + . . . + k
E (u ) = 0, E (xj u ) = 0, j = 1, . . . k,
que se obtienen a partir del supuesto E (u jx1 , x2 , . . . , xk ) = 0
yb = c
0 + c
1 x1 + c c xk
2 x2 + . . . + k
c
: estimador MCO del trmino constante.
0
c
1 , c c : estimadores MCO de las pendientes.
1 , . . . , k
Interpretacin ceteris paribus
Julio Cceres Delpiano (UC3M) Econometria I 10/07 33 / 68
Mecnica e interpretacin de MCO. Interpretacin de
Mantener Otros Factores Constantes
ybi = c
0 + c
1 xi 1 + c c xik
2 xi 2 + . . . + k
Residuo para la observacin i :
ubi = yi ybi = yi c
0 c
1 xi 1 c
2 xi 2 ... c xik
k
u = 0
[ n (xj u ) = 0,
COV j = 1, . . . , k
Caso k = 2 :
ni=1 ri 1 yi
1 = ni=1 ri21
donde ri 1 son los residuos MCO de una regresin simple de x1 sobre
x2 , con la misma muestra.
ni=1 (yi y )2
ni=1 (yi y )2
SSE SSR
R2 = SST =1 SST
R 2 = 2y y
Y = 0 + 1 X1 + 2 X2 + . . . + k Xk + u
donde 0 , 1 , . . . , k son parmetros desconocidos y u es una
perturbacin o error aleatorio.
Esta expresin se la conoce como el modelo verdadero (para la
poblacin) y es importante para interpretar los parmetros.
yi = 0 + 1 xi 1 + 2 xi 2 + . . . + k xik + ui , i = 1, . . . , n
Esta expresin es importante para deducir las propiedades de los
EMCO de 0 , 1 , . . . , k .
E (u jx1 , x2 , . . . , xk ) = 0.
Cuando no se cumple?
Incorrecta Especicacin.
Omitir factores que estan correlacionados con x1 , x2 , . . . , xk
Otros problemas son los errores de medida, y la simultaneidad (y se
determina conjuntamente con alguna variable explicativa.).
Si RLM.3 es cierta, se dice que tenemos variables explicativas
exgenas, y en caso contrario endgenas.
E ( j ) = j j = 0, . . . , k
y = 0 + 1 x1
(x1i x1 )x 2i
E ( 1 ) = 1 + 2 (x1i 2 .
x1 )
O en forma similar E ( 1 ) = 1 + 2 1 .
donde x2 = 0 + 1 x1
Suponemos que el objeto de inters es 1 , el efecto parcial de x1
sobre y .
De esta forma podemos denir el sesgo de como 1
Sesgo( 1 )=E ( 1 ) 1 = 2 1
E (y jx ) = 0 + 1 x1 + 2 x2 + . . . + 2 xk
Var (y jx ) = 2
2
V ( j ) = SST j (1 R j2 )
j = 0, . . . , k con
SSTj = (xji xj )2
Qu elementos afectan el error standard de nuestros estimadores de
MCO?
Julio Cceres Delpiano (UC3M) Econometria I 10/07 49 / 68
Varianza de los estimadores MCO. Varianzas en modelos
mal especicados
Hay un tradeo entre sesgo y varianza a la hora de decidir si incluir
una variable o no en una regresin.
Modelo verdadero, con supuestos Gauss-Markov,
y = 0 + 1 x1 + 2 x2 + u
y = 0 + 1 x1 + 2 x2
1 , en regresin simple,
y = 0 + 1 x1
Julio Cceres Delpiano (UC3M) Econometria I 10/07 50 / 68
Varianza de los estimadores MCO. Varianzas en modelos
mal especicados
2 = 1
n k 1 ni=1 ui2 = 1
n k 1 SSR
E (2 ) = 2
p
= 2
Desviacin estndar de j :
sd ( j ) = [SST j (1 R j )](1/2 )
Error estndar de j :
se ( j ) = [SST j (1 R j )](1/2 )
y jx Normal(0 + 1 x1 + . . . + k xk , 2 )
Justicacin de la normalidad: como u es el resultado de la suma de
muchos factores inobservables que afectan a y, se puede invocar el
Teorema Central del Lmite.
j N ( j , V ( j )), donde
2
V ( j ) = SST j (1 R j2 )
j j
y por tanto sd ( j )
N (0, 1)
j j
se ( j )
tn k 1
H0 : j = 0
Signicado: como j mide el efecto parcial de xj sobre (el valor
esperado de) y, despus de controlar por todas las otras variables
independientes, H0 signica que, una vez que se ha tenido en cuenta
x1 , . . . , xj 1 , xj +1 , . . . , xk , xj no tiene efecto sobre el valor esperado
de y .
j
t = se ( j )
j
( j cse ( j ), j + cse ( j ))
Signicado: si se obtienen sucesivas muestras aleatorias y se computa
el intervalo de conanza para cada una de ellas, entonces el valor
poblacional j (desconocido) estar contenido en el intervalo de
conanza para un 95% de las muestras.
Ejemplo
Estadstico de la F :