Vous êtes sur la page 1sur 6

UNIVERSIDAD NACIONAL "SAN LUIS GONZAGA" DE ICA

FACULTAD DE CIENCIAS ECONMICAS Y NEGOCIOS INTERNACIONALES


Escuela Acadmico Profesional de Economa

CURSO : ECONOMETRA I
CAPITULO IV : AMPLIACIN DEL MODELO LINEAL SIMPLE
TEMA : EL MODELO POTENCIAL
PROFESOR : Jorge Luis Hernndez Napa
FECHA: Julio 2017

4.1. DEFINICION:

Es el modelo economtrico que contiene solo y nicamente dos variables: una endgena Yt
(primer miembro), y una predeterminada Xt (segundo miembro), que tiene como potencia un
parmetro (b). Es un modelo uniecuacional, porque contiene una sola ecuacin, que repre-
senta un solo sector de la actividad econmica (consumidores, inversionistas, importadores,
exportadores, gobierno, sector monetario, sector trabajo, etc.).

Grficamente el modelo tiene forma no lineal: la variable endgena (Yt), depende o est en
relacin no lineal con la variable predeterminada (Xt) -exgena o endgena con retardo-, y
una perturbacin aleatoria no observable ( t). El modelo se puede linealizar, aplicando
logaritmo neperiano al modelo. A este ltimo modelo suele denominarse doble logartmico.

4.2. ESPECIFICACION MATEMTICA DEL MODELO:

1) FORMA NO LINEAL

Modelo Poblacional : Yt = a Xt b t (comportamiento de la poblacin)


Modelo Muestral : Yt = Xt e t (comportamiento de una muestra)
Modelo Estimado : t = Xt (para obtener la lnea estimada t)

2) FORMA LINEAL (aplicando logaritmos)


Modelo Poblacional : Ln Yt = Ln a + b Ln Xt + Ln t (comportamiento de poblacin)
Modelo Muestral : Ln Yt = Ln + Ln Xt + Ln e t (comportamiento de muestra)
Modelo Estimado : Ln t = Ln + Ln Xt (para obtener lnea estimadt)

Donde:
Yt = variable endgena a, b = parm. Poblac;, = parm. muestrales
Xt = variable predeterminada t = variable aleatoria poblacional
t = variable estimada e t = error muestral
Ln = logaritmo neperiano t = tiempo (histrico pasado)

4.3. ESPECIFICACIN DE HIPTESIS DEL MODELO

A. HIPTESIS RELATIVAS A LAS PERTURBACIONES


1. Toda perturbacin aleatoria tiene media cero
E ( t ) = 0 ; t = 1, 2, 3, ......, n
2. Todas las perturbaciones aleatorias tienen las mismas variancias (2 ) ; o sea tienen
variancia finita y constante
Var ( t ) = E ( t 2) = 2
2
Es conocido como el postulado o hiptesis de Homocedasticidad, su abandono implica
reemplazarlo, por la hiptesis de Heterocedasticidad (cuando la variancia es finita y
variable). Se detecta y se corrige.
3. La variable aleatoria no est autocorrelacionada, implica la independencia de los
valores sucesivos de (u t); el abandono de este supuesto da lugar a la introduccin de la
hiptesis de Autocorrelacin.
Cov ( t j ) = E ( t j ) = 0 ; t j
4. La variable aleatoria u t es independiente de todas las variables exgenas, .
E ( t X t ) = E ( t ) E (X t ) = 0
E ( j X j ) = E ( j ) E (X j ) = 0
Si la variable aleatoria, no es independiente de las variables exgenas, entonces los
EMC, son sesgados y no consistentes: Es decir el sesgo no se corrige, con el aumento
del tamao de la muestra
5. La variable aleatoria u t , se distribuye normalmente con media cero y variancia u2, es
decir.
1 t2
t ~ N ( 0, 2 ) ( t ) = ------___- e 2 2
2
Que es la frmula, de la funcin de densidad de una u t en el muestreo. A partir de esta
formula se pueden obtener estimadores de Mxima Verosimilitud.

B. HIPTESIS RELATIVAS A LAS VARIABLES


6. La variable predeterminada X no es aleatoria; o sea es una variable fija en el muestreo
7. La variable endgena Yt , es evidentemente una variable aleatoria, cuyos parmetros
(en virtud de la Ho. 1, 2, y 6) son:
Media: E (Y t) = E ( a + b X t + t ) = a + b X t + E ( t )
E (Y t) = a + b X t

Variancia: Y2 = E [ Y t E (Y t) ] 2
Y2 = E [a + b X t + t a b X t ] 2
Y2 = E [ t 2 ]
Y2 = 2
8. La variables X t ^ Y t , se obtienen sin errores de observacin, o sea no hay errores de
medida, el abandono de esta hiptesis, crea el problema de Errores en las Variables.
X t ^ Y t = son sin errores de observacin
9. La matriz de coeficientes de variables endgenas X, tiene rango K, donde K < N
R [X] = K < N k = Rango de matriz X ; N = nmero de var. endgenas
Garantiza (XX) 1 . El abandono de esta hiptesis, genera un problema en la
econometra, denominado Multicolienalidad.

C. HIPTESIS RELATIVAS A LOS PARAMETROS


10. Los parmetros estructurales son constantes, para todas las unidades de la muestra.
Sobre ellos no se emite a priori ninguna restriccin.

4.4. PLANTEAMIENTO DEL MODELO - RESUMEN

Ln Yt = Ln + Ln Xt + Ln t
(SLn S)
[ tLn] [ t
____ Donde:
^2 2
R , R , R 2
Ln t SS^ t , t = D.Std. ^ t Student
S2, S SLnYt F = Prueba de Fisher- Snedecor
3
(Ln et)2 AIC Dw = Prueba de Durbin- Watson
log likelihood () SC SC = Schwarz criterion
Dw F AIC = Akaike information criterion
4.5. SOLUCIN DEL MODELO

Para solucionar el modelo potencial, se parte del modelo muestral, y se aplica el Mtodo de
los Mnimos Cuadrados:

Log et )2 = min., y las condiciones de mnimo

Partimos del modelo muestral:


Ln Yt = Ln + Ln Xt + Ln e t
Ln e t = Ln Yt Ln Ln Xt
(Ln e t )2 = ( Ln Yt Ln Ln Xt )2

Condiciones de mnimo:
a. Primera derivada se igualen a cero
b. Segunda derivada sea positiva

Aplicando la primera condicin:


Ln (Ln e t )2 ] = 0
(Ln e t )2 ] = 0

Derivando:
Ln (Ln e t )2 ] = 2 Ln Yt Ln Ln Xt) (-1) = 0
(Ln e t )2 ] = 2 Ln Yt Ln Ln Xt) (- LnX t ) = 0

Igualando a cero:
Ln Yt Ln Ln Xt) (-1) = 0
Ln Yt Ln Ln Xt) (- LnX t ) = 0

obtenindose:
a. Las ecuaciones normales:
LnYt = N Ln + Ln X t (1)
Ln X t LnYt = Ln Ln X t + Ln X t )2 (2)

b. Los parmetros:
A partir de las ecuaciones normales hallamos los parmetros Ln ^ :

LnYt (LnX t)2 LnX t Ln Xt LnYt


Ln = ---------------------------------------------------------
N (LnX t ) 2 ( LnX t ) 2

N Ln X t Ln Yt Ln X t Ln Yt
= -------------------------------------------------
N LnX t ) 2 ( LnX t ) 2

c. La Media de los parmetros:

Despus de demostrar la linealidad


Ln = ( 1/N Wt Ln Xt ) Ln Yt
4
= Wt Ln Yt

Donde Wt , tiene las siguientes propiedades:


Wt = 0; Wt Ln X t = 1; Wt2 = 1 / LnX t Ln )2 ; Wt2 = 1 / x t2

Se muestra la media o insesgabilidad


E ( Ln ) = Ln a
E( ) = b

d. La Varianza y desviacin standard de los parmetros: SLn ^ S


De la definicin:
V ( Ln ) = SLn2 = E ( Ln Lna
V ( ) = S = E ( b )2

Se obtienen la variancia y desviacin estndar de los parmetros.

NS2 Para obtener la desviacin estandar


2
S = -------------------------------------- ( S), se extrae raz cuadrada a S2
N (Ln X t ) 2 ( Ln X t ) 2

S 2 ( Ln X t ) 2 Para obtener la desviacin estandar


2
S Ln = -------------------------------------- (S), se extrae raiz cuadrada a S 2
N (Ln X t ) 2 ( Ln X t ) 2

e. Varianza y desviacin standard del modelo: S 2 ^ S

Se define S 2, como la relacin entre la variancia no explicada (V no E), y el grado de


libertad ( gl ):

V no E Log et )2 ( Ln Yt Ln Ln X t ) 2
2
S = --------- = -------------- = ---------------------------------------
gl N 2 N 2

Al numerador, se eleva al cuadrado, se aplica sumatoria, se agrupa por factor comn:

(Ln Yt)2 Ln Ln Yt Ln X t Ln Yt Para obtener la desviacin


2
S = ---------------------------------------------------------- standard (S), se extrae raiz
N2 cuadrada a S 2

f. Coeficiente de correlacin del modelo: R2 ^R

Se define R2 , como relacin entre variancia explicada (VE), y variancia total (VT):
VE (Ln t Ln ) 2 ( Ln + Ln X t Ln ) 2
R2 = ----- = ------------------------- = --------------------------------------
VT (Ln Yt Ln ) 2 ( Ln Yt Ln ) 2

1) Coeficiente de correlacin libre del intercepto:

Al numerador y denominador, se eleva al cuadrado, se aplica sumatoria, se agrupa por


factor comn:
5
Ln Ln Yt + Ln X t Ln Yt - 1/N ( Ln Yt ) 2
2
R = -------------------------------------------------------------------
Ln Yt )2 - 1/N ( Ln Yt ) 2

2) Coeficiente de correlacin sin corregir:


Ln Ln Yt + Ln X t Ln Yt
R*2 = ------------------------------------------
Ln Yt )2

3) Coeficiente de correlacin libre del intercepto y del grado de libertad


N1
= 1 --------- ( 1 R2 ) = 1
2

NK

4) Relacin que debe cumplirse:

R*2 > R2 > 2

g. Relaciones a cumplirse en la solucin de los modelos:

Variancia total = Variancia explicada + Variancia no explicada

( LnYt - Ln ) 2 = (Ln t - Ln ) 2 + (Ln et )2

h. Tabulacin para solucionar el Modelo Potencial:

Pasos a seguir:
1) Se apertura columnas: para las observaciones, numero de aos.
2) Se apertura columnas: para la variable endgena y pre-determinada, se suman.
3) Se eleva al cuadrado las dos variables y se suman.
4) Se multiplican ambas variables, y se suman
5) Se obtienen el valor estimado Ln t . y se suman
6) Se obtienen las desviaciones Ln e t, la suma es igual a cero.
7) Se elevan al cuadrado las desviaciones (Ln e t)2 , y se suman.

TABULACION DEL MODELO POTENCIAL

(1) (2) (3) (4) (5) (6) (7) (8) (9)


(10)
OBS AOS Yt Xt Ln Yt Ln X t (Ln Yt )2 (Ln X t)2 LnX t LnYt Ln t

1 1,950
2 1,951
3 1,952
. .
. .
. .
. .
. .
. .
N 2,015

Yt Xt LnYt LnX t Ln Yt )2 Ln Xt )2 LnX t LnYt ) Ln t


Sumatorias
(=) (=)
6

(11) (12) (13) (14) (15) (16)


2
OBS AOS Lne t (Lnet )2 Ln Yt - Ln Yt Ln X t - Ln Yt (Ln Yt - Ln Yt) (Ln X t - Ln Yt)2

1 1,950
2 1,951
3 1,952
. .
. .
. .
. .
. .
. .
N 2,015

Ln et = Ln e t )2 (Ln Yt - Ln Yt ) (Ln X t - Ln Yt) (Ln Yt - Ln Yt)2 (Ln X t - Ln Yt)2


Sumas =0 =0
0 VnoE VT VE

Ica, Julio del 2017