Académique Documents
Professionnel Documents
Culture Documents
GRADO
2ª PARTE | PLAN DE TRABAJO Y ORIENTACIONES PARA SU DESARROLLO
En las siguientes líneas se ofrece un Plan de Trabajo para preparar la asignatura. Como es obvio, el alumno
en uso de su autonomía, puede organizar el estudio de esta materia de muchas otras formas, de manera
que el plan que aquí se presenta es optativo, es decir es solo una posibilidad que puede seguirse o no
Es importante tener en cuenta que una buena parte del éxito en la preparación de la asignatura
radica en una adecuada gestión del tiempo, más difícil en la enseñanza a distancia que en la enseñanza
presencial. También que esta asignatura requiere como requisito previo imprescindible, tener unos
conocimientos mínimos de Teoría Económica, Cálculo Matricial y Estadística.
CRONOGRAMA
Incluimos a continuación un cuadro en el que se detalla cómo puede distribuirse el tiempo de estudio entre
los distintos temas que componen el programa.
Ejercicios
Ejercicios
Ejercicios
Ejercicios
Ejercicios
Manejo del programa Gretl Uso de las principales utilidades del programa 1 semana
Las semanas adicionales pueden aprovecharse para llevar a cabo un repaso general de la
asignatura.
2.1 Introducción
En este apartado incluimos algunos consejos sobre la forma de preparar la asignatura. Dado que la
procedencia de los estudiantes es muy diversa, en esta guía consideramos que el nivel mayoritario es el de
los alumnos que han cursado un bachiller de ciencias sociales o similares y dos cursos previos de Grado,
donde se suponen suficientemente adquiridos los conocimientos de Teoría Económica, Estadística y Cálculo
matricial necesarios para afrontar con éxito la asignatura.
Econometría y Predicción
Matilla, M., Pérez, P. y Sanz, B.,
McGrawHill, Madrid, 2013
En el libro se proponen asimismo ejercicios de distinta naturaleza para afianzar los conocimientos
adquiridos. Saber resolver estos ejercicios, es prueba de que se ha alcanzado un nivel al menos suficiente
para superar la asignatura. En el curso virtual o por el medio alternativo que se considere más oportuno, se
ofrecerán las soluciones de ejercicios tipo previamente seleccionados.
Una parte fundamental de la econometría son los datos, imprescindibles en cualquier análisis
aplicado. Este es un aspecto en donde se ha avanzado mucho en las últimas décadas y afortunadamente
hoy es posible acceder vía internet a amplias y completas bases de datos económicos y financieros. En
España destacan en este sentido, las páginas del Instituto Nacional de Estadística (www.ine.es) y la del
Banco de España (www.bde.es), donde es posible encontrar múltiples series de datos referidos a la
economía española. Para datos europeos, puede emplearse la web de Eurostat,
(epp.eurostat.ec.europa.eu).
Por último cabe señalar que la práctica de la econometría exige hoy en día el empleo de algún
programa informático específico. Aunque la variedad en este sentido es notable (SPSS, Stata, Eviews,
PCGive, etc), aquí se sugiere el empleo de un programa libre que cubre con creces las necesidades de un
curso de esta naturaleza. Nos referimos a Gretl que puede ser libremente descargado desde la dirección
http://gretl.sourceforge.net/win32/index_es.html. En esta misma Guía dedicamos una sección a explicar las
utilidades más básicas de dicho programa.
El manejo del mismo no será en ningún caso objeto de examen pero, por muchas razones, conviene
que el alumno no olvide este aspecto de su formación.
Econometría
Gujarati D.N. y Porter D.C.
Análisis Econométrico
Greene, W. H.
Ed. Prentice Hall. Tercera Edición
Más teórico y con un mayor grado de dificultad, responde no tanto a un texto de introducción, como a
un manual de consulta para quienes ya tienen conocimientos previos de econometría. Los temas 6,
7, 8, 9, 11, 12 y 13, contienen en lo esencial (y más), el programa de Introducción a la Econometría.
Todos los capítulos correspondientes al programa de esta asignatura están englobados en la Parte I del manual donde
se desarrollan los fundamentos del modelo de regresión, que puede considerarse el instrumento esencial sobre el que
se basa la econometría. En los siete capítulos que componen el temario, se estudia en detalle este modelo. En
consecuencia su comprensión general y adecuado manejo puede considerarse el objetivo básico de este cuatrimestre
cuyo logro es imprescindible, no solo para superar esta asignatura, sino para poder abordar después con garantías de
éxito, la Econometría del segundo cuatrimestre.
En general, para el estudio de toda la asignatura se sugiere ir siguiendo el orden en el que se presenta cada capítulo,
teniendo en cuenta que la disciplina es de naturaleza acumulativa y que será difícil progresar en el estudio de los
sucesivos temas, sin haber comprendido y asimilado los contenidos precedentes. La excepción es el tema 3 que no es
imprescindible para poder seguir con aprovechamiento el resto de los capítulos y puede, si así lo desea el alumno,
estudiarse en un momento posterior.
El primer capítulo es introductorio. Sirve para presentar la materia acotando el campo que puede considerarse propio.
Se discute el concepto de modelo econométrico, el ente esencial sobre el que desarrollaremos nuestro análisis.
También se analiza la espinosa cuestión de la causalidad o la posibilidad de llevar a cabo pronósticos fundados a partir
de un modelo econométrico. Finalmente se analizan los distintos tipos de datos que es posible emplear en
econometría, aunque algunos de ellos no se utilizarán en este cuatrimestre.
Conocimientos previos
Contextualización
Aunque la teoría económica postula diversas relaciones entre variables, éstas son básicamente de naturaleza
cualitativa. Así la teoría de la demanda señala que ésta depende inversamente del precio y directamente de la renta,
La necesidad de cuantificar las relaciones económicas fue haciéndose patente cada vez con mayor intensidad hasta
que en la tercera década del siglo pasado, se concretó en el nacimiento de una nueva disciplina, la Econometría que,
mediante la fusión de Teoría Económica, Matemática y Estadística, tuvo por objetivo inicial la cuantificación de las
relaciones económicas.
Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,
En este tema se introduce el modelo de regresión, es decir aquel en el que se trata de dar cuenta de la variación de
una variable, denominada endógena –explicada o dependiente- en función de la variación de otras, llamadas variables
exógenas –explicativas o independientes. El foco de atención de este capítulo está puesto en la estimación y el
análisis de algunos de los estadísticos más relevantes. Las demostraciones se encuentran en el Apéndice Técnico al
final del capítulo. Este apéndice forma parte del programa a todos los efectos.
Aunque el modelo debe resultar familiar a todos aquellos que hayan cursado Estadística, en Econometría
presenta algunas peculiaridades que conviene tener bien presentes.
Conocimientos previos
Teoría económica
Estadística descriptiva
Manejo de sumatorios
Cálculo diferencial
Álgebra matricial
Contextualización
La herramienta básica de la Econometría es el análisis de regresión. El modelo de regresión simple se emplea para
analizar la relación entre dos variables, y es el modelo más sencillo que cabe imaginar. A pesar de su sencillez, en
numerosas ocasiones es un modelo apropiado desde el punto de vista empírico y, siguiendo la lógica organizar el
estudio de lo más simple a lo más complejo, es necesariamente el punto de partida de cualquier curso de Introducción
a la Econometría.
La regresión múltiple no es más que una generalización en la que consideramos más de una variable explicativa. Al
añadir más variables explicativas podremos explicar un mayor porcentaje de variación de la variable endógena,
creando así mejores modelos.
Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,
Este capítulo, de naturaleza más técnica y nivel más avanzado, está dedicado a analizar dos tipos de cuestiones
diferentes. En la primera sección se estudia con cierto detalle el concepto de esperanza condicionada (varianza
condicionada) y su relación con la espinosa cuestión de la causalidad en economía. El resto del tema se dedica al
análisis de diversos aspectos algebraicos del modelo de regresión que resultan de sumo interés en la manipulación de
dicho modelo. También se ofrece una breve presentación del método de los momentos.
Conocimientos previos
Contextualización
La esperanza condicional juega un papel muy importante en la moderna econometría dado que, aunque no se señale
explícitamente, el objetivo del trabajo aplicado consiste fundamentalmente en estimar y/o contrastar hipótesis sobre la
La mayoría de las veces nuestro interés se centra en la esperanza condicional que permita inferir causalidad de una (o
más) variable(s) explicativa(s), es decir buscamos el efecto de una variable z sobre el valor esperado de y,
manteniendo fijos los valores del resto de las variables incluidas en x que consideraremos variables de control. En el
supuesto de que podamos obtener una muestra aleatoria de datos de las variables en cuestión, E(yz, x), manteniendo
x fijo, puede ser fácilmente estimado.
Bajo las condiciones del supuesto 1, podemos construir para cualquier par de variables aleatorias una ecuación lineal
como la presentada en el texto que tiene las propiedades recogidas en el teorema 8.
En este capítulo se presenta asimismo un método de estimación alternativo a MCO. El método de los momentos (MM)
consiste en utilizar los análogos muestrales de los momentos poblacionales para obtener los estimadores de los
parámetros. En general con los supuestos bajo los que está construido el modelo, los estimadores MM y MCO son
idénticos.
Finalmente entre los resultados más importantes de la última sección está la obtención de dos matrices de proyección
P y M que son de bastante utilidad en la manipulación del modelo de regresión.
Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,
Una vez estimado, dos de las principales utilidades del modelo de regresión son el contraste de hipótesis (simples y
compuestas) y la elaboración de pronósticos. A estas dos cuestiones se dedica este capítulo que puede considerarse
el complemento natural del tema 2, donde la atención se puso en la estimación. También aquí hemos considerado más
apropiado recoger las principales demostraciones en un apéndice al final del capítulo.
Conocimientos previos
Contextualización
La estimación de la FRP es importante en primer lugar, porque nos proporciona estimaciones de los parámetros de
interés (propensiones marginales, elasticidades, semielasticidades, etc.). Pero otra importante utilidad del modelo,
consiste en contrastar hipótesis en relación con los valores de los parámetros poblacionales. La inferencia estadística
con el modelo de regresión permite saber si una variable o un conjunto de variables son o no estadísticamente
significativas, o si es posible rechazar o no, que un determinado parámetro poblacional tome un valor concreto. La
gama de hipótesis a contrastar es muy amplia y este capítulo proporciona los conocimientos necesarios para poder
hacerlo.
Análogamente el modelo estimado puede emplearse para realizar predicciones que pueden asimismo ser muy
variadas (dentro o fuera de la muestra, condicionales o incondicionales, etc.). En la práctica todos estos pronósticos
han de venir acompañados de alguna medida del error, cuyo cálculo también se analiza en este tema.
Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,
Conocer los supuestos básicos sobre los que se construye el modelo de regresión
Comprender las propiedades estadísticas de los estimadores MCO
Conocer los fundamentos teóricos de los principales contrastes de hipótesis
Manejar con soltura la práctica de la contrastación de hipótesis y construcción de intervalos de confianza
Manejar con competencia el programa Gretl para llevar a cabo todas las operaciones anteriores
El modelo clásico de regresión está construido (entre otros) bajo los supuestos de homoscedasticidad y no
autocorrelación de los errores. Sin embargo es muy frecuente que en la práctica se incumplan dichos supuestos. En
este capítulo se estudian las consecuencias del incumplimiento de estos supuestos y la forma de solventarlos.
Conocimientos previos
Contextualización
El Teorema de Gauss Markov demuestra que bajo los supuestos utilizados para construir el modelo de regresión, los
estimadores MCO son ELIO. Sin embargo hay muchas razones para esperar que se violen los supuestos de varianza
constante (homoscedasticidad) y no autocorrelación. En estas condiciones los estimadores MCO habituales dejan de
ser eficientes y la inferencia, tal como se ha desarrollado en el capítulo anterior, deja de ser válida.
A lo largo de este tema se estudian en primer lugar los procedimientos (contrastes) adecuados para verificar si los
supuestos mencionados se cumplen y, en el caso de que resulten violados, la forma adecuada de proceder para
resolver los problemas planteados.
Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,
Saber las principales razones por las que las hipótesis de homoscedasticidad y no autocorrelación pueden
incumplirse.
Conocer las consecuencias del incumplimiento de dichos supuestos
Manejar con soltura los principales procedimientos utilizados para comprobar el cumplimiento de los
supuestos de varianza constante y no autocorrelación
Reconocer el empleo de estimadores robustos o el estimador MCG como procedimientos adecuados para
resolver los problemas planteados por el incumplimiento de estas dos hipótesis y saber utilizarlos en la
práctica
Manejar el programa Gretl (u otro) en supuestos de esta naturaleza.
Este capítulo puede considerarse una simple extensión de los anteriores para tener en cuenta el efecto de un tipo
especial de variables de naturaleza cualitativa. Todos los resultados teóricos analizados hasta ahora, siguen pues
siendo válidos.
Conocimientos previos
Teoría económica
Estadística descriptiva, probabilidad e inferencia estadística
Manejo de sumatorios
Cálculo diferencial
Álgebra matricial
Contextualización
La estimación del modelo de regresión exige disponer de datos numéricos de todas las variables incluidas en el
modelo. Sin embargo hay muchas variables que pueden influir sobre la endógena pero no ser propiamente
cuantitativas. Piénsese por ejemplo en el sexo, el color de la piel, el ser o no inmigrante, etc. La naturaleza cualitativa
de este tipo de variables impediría en principio su incorporación dentro del modelo, lo que podría conducir a un modelo
mal especificado.
En este capítulo se estudia la forma de introducir dichas variables en la ecuación a estimar así como la correcta
interpretación de los resultados obtenidos.
Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,
Distinguir entre variables cuantitativas de cualitativas y, dentro de estas últimas, variables dicotómicas de
policotómicas
Reconocer la importancia de las variables cualitativas en el análisis de regresión
Especificar y estimar modelos que incluyan variables cualitativas e interpretar correctamente sus resultados.
Llevar a cabo ejercicios de inferencia y predicción con modelos que incluyan este tipo de variables.
El análisis de regresión parte del supuesto de que el modelo está correctamente especificado pero, al igual que
sucedía con las hipótesis de varianza constante y no autocorrelación, puede que este supuesto no se cumpla.
Estudiaremos en este capítulo cuáles son los principales errores de especificación, cómo detectarlos y cuáles son sus
consecuencias
Conocimientos previos
Teoría económica
Estadística descriptiva, probabilidad e inferencia estadística
Manejo de sumatorios
Cálculo diferencial
Álgebra matricial
Análisis de regresión simple y múltiple
Este capítulo se ocupa de los problemas planteados por una especificación inadecuada. En principio este problema es
potencialmente más grave que el derivado del incumplimiento de los supuestos de homoscedasticidad y no
autocorrelación, dado que estos no causan sesgo y es relativamente sencillo recurrir a procedimientos que palían o
evitan los inconvenientes derivados de la violación de aquellos supuestos.
Nos ocupamos aquí de los casos más habituales que dan lugar a problemas de especificación: omisión de variables,
elección inadecuada de la forma funcional y errores de medida y del tratamiento de estos problemas.
Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,
Las actividades recomendadas se deben desarrollar siguiendo las indicaciones del cronograma incluido en
el plan de trabajo del primer apartado de la guía.
Tras el estudio de cada uno de los temas se aconseja tratar de resolver los ejercicios que figuran al
final del mismo. El objetivo de estas actividades es comprobar si se han entendido los conceptos y métodos
de resolución de ejercicios estudiados en cada unidad. Si estos ejercicios pueden resolverse sin mayores
dificultades, significa que se está en condiciones de superar (con buena nota) la Prueba Presencial.
El Equipo Docente colgará soluciones de ejercicios tipo así como ficheros con los datos de algunos
ejemplos del manual.
La evaluación continua constará, además del examen presencial, de una prueba tipo test. Su realización
será oportunamente anunciada en el curso virtual. Normalmente tendrá lugar cuando el cuatrimestre esté
prácticamente vencido con objeto de dar tiempo a que el alumno pueda haber trabajado suficientemente el
programa. La prueba consistirá en contestar a 10 preguntas tipo test en las que se penalizarán los fallos. Los
aciertos sumarán 1 punto mientras que los fallos restarán 1/3.
Finalmente es recomendable que los alumnos se familiaricen con el manejo del programa
econométrico Gretl, que deberán descargarse desde la dirección indicada en el cronograma. El alumno debe
ser capaz de introducir datos, leerlos en otros formatos (soportados por el programa), así como llevar a cabo
las operaciones básicas estudiadas en el programa: representaciones gráficas, regresiones simples y
múltiples, contrastes de hipótesis, predicción por intervalos, etc.
Con objeto de facilitar esta tarea, se incluye en este documento una Guía Rápida del programa.
Este documento no es un Manual de Instrucciones, ni siquiera una Guía Rápida sino solo una somera
(brevísima) introducción a las principales utilidades del Programa. No obstante consideramos que puede ser
útil para empezar a manejar Gretl. Tras su lectura, el alumno debería ser capaz de llevar a cabo sin dificultad
las operaciones más elementales: introducir o importar datos, hacer representaciones gráficas de las
variables, calcular regresiones simples o múltiples y llevar a cabo los contrastes de hipótesis más habituales.
Se describen brevemente las funciones más elementales del programa (los epígrafes 1, 2 y 3 son
traducción prácticamente literal del manual en inglés). Dentro de la pestaña Ayuda, el único documento en
español es la Guía de Instrucciones de Gretl a la que puede accederse directamente pulsando F1. La Guía
del usuario [Ayuda/Guía del Usuario], donde se describe detalladamente el funcionamiento del programa,
está en inglés.
Tras descargar e instalar el programa, éste se arranca haciendo doble clic en el icono de acceso directo. En
la parte superior de la pantalla se ve la barra principal de menús, cuyo aspecto es el siguiente,
- Abrir datos: permite abrir datos tanto en formato Gretl como en muchos otros
- Añadir datos: añade datos al archivo de trabajo
- Guardar datos: salva los datos actuales
- Guardar datos como: Salva datos con otro formato
- Exportar datos: copia datos en formato CSV, GNU R o GNU Octave
- Enviar a: permite enviar el conjunto actual de datos como fichero adjunto en un correo electrónico
- Nuevo conjunto de datos: permite crear un fichero en blanco para ir introduciendo datos desde el
teclado.
- Cerrar conjunto de datos: Cierra el archivo de datos (no suele ser necesario aunque a veces es
útil)
- Directorio de trabajo
En Herramientas tenemos,
- Tablas estadísticas: para buscar los valores críticos en las distribuciones más usadas en
econometría (Normal, t- Student, F de Snedecor, Chi cuadrada o Durbin-Watson)
- Buscador de valores p: busca los valores p para las principales distribuciones de probabilidad
- Gráfico de distribuciones: dibuja las distribuciones de probabilidad más conocidas. Desplazando el
ratón por la curva, se puede ver la abcisa y su probabilidad
- Calculadora de estadísticos de contraste: calcula test estadísticos y valores p de algunas de las
hipótesis más habituales (diferencia de medias, etc)
- Test no paramétricos
- Semilla para números aleatorios: Establece la semilla para un generador de números aleatorios
(por defecto se establece con base en la hora a la que el programa se ha iniciado).
- Historial de instrucciones: Abre una ventana con un registro de los comandos ejecutados hasta el
momento.
- Consola de Gretl: Abre la consola que no es más que una ventana en la que escribir y ejecutar
comandos
- Iniciar Gnu-R: Arranca R (si está instalado)
- Ordenar variables: Reorganiza la lista de variables en la ventana principal (puede ser por orden
alfabético o por el número ID).
- Conjunto de pruebas NIST: Comprueba la precisión numérica de Gretl comparándola con los
resultados de referencia para la regresión lineal puestos a disposición de los interesados por el
National Institute of Standards and Technology (USA).
- Preferencias: Establece las rutas de acceso de varios ficheros de Gretl
- Seleccionar todo: para seleccionar todas las variables del fichero de trabajo
- Mostrar valores: Abre una ventana con los valores de la variable seleccionada
- Editar valores: Abre una hoja con los valores de una variable y permite editarlos
- Añadir observaciones: da acceso a una caja de diálogo donde se puede elegir el número de
valores a añadir al final del conjunto de datos. Para usar en la predicción.
- Eliminar observaciones extra: Solo estará activado si automáticamente han sido añadidas
observaciones extra en la predicción; borra esas observaciones extra.
- Leer información: muestra un resumen de la información del fichero en uso
- Vista de Iconos: Abre una ventana que muestra el contenido de la sesión actual como un conjunto
de iconos
- Gráficos: Da diversas opciones para graficar las variables
- Gráficos múltiples: Permite construir hasta seis pequeños gráficos que pueden ser de dispersión o
series temporales. Se muestran juntos en una ventana
- Estadísticos principales: Muestra un resumen completo de las características estadísticas de las
variables seleccionadas.
- Matriz de correlación: Muestra los coeficientes de correlación de las variables seleccionadas.
- Tabulación cruzada: Muestra la tabulación cruzada de las variables seleccionadas. Funciona solo si
al menos dos variables en el conjunto de datos son discretas.
- Componentes principales: Análisis de componentes principales de las variables seleccionadas.
- Distancias de Mahalanobis: Calcula las distancias de de Mahalanobis de cada observación desde
el centroide del conjunto de variables seleccionadas.
- Correlograma cruzado: Computa el correlograma de dos variables y muestra su gráfico.
El menú Añadir ofrece la posibilidad de llevar a cabo diversas transformaciones estándar (logaritmos,
retardos, cuadrados, etc.) de las variables. También da la opción de añadir variables aleatorias y, para series
temporales, de añadir variables dummy estacionales.
Menú Variable. En este menú la mayoría de los ítems operan sobre una única variable cada vez. La variable
activa se selecciona en la ventana de datos. La mayoría de las opciones son auto-explicativas. Observar
que es posible renombrar variables y editar la etiqueta descriptiva. También es posible definir una nueva
variable mediante una fórmula (es decir, como función de algunas de las exsistentes). Para la sintaxis de las
formulas ver la Referencia de Comandos en la pestaña Ayuda. Un ejemplo:
Y = x1*x2
Menú Modelo. Para ver los detalles de los diversos estimadores que se ofrecen en ese menú, debe
consultarse la Referencia de Comandos y el capítulo 16 del Manual de instrucciones. En este curso de
Introducción, usaremos básicamente la primera opción Mínimos Cuadrados Ordinarios. Si se selecciona, se
accede a una ventana de especificación del modelo ya conocida (ver figs. 3 ó 5).
Finalmente a la derecha aparece la pestaña de Ayuda desde la que puede accederse al Manual de
Instrucciones, Referencia de Comandos, etc. (casi todos los documentos están en inglés. La excepción es
Guía de Instrucciones de Gretl.
2. Atajos
Algunas de las operaciones más corrientes, se agilizan accediendo directamente desde el teclado,
4. Ejemplos
Como hemos visto, hay diversas formas de introducir datos en el programa. Podemos introducir directamente
desde el teclado los datos mediante,
1. Abrir el programa
2. Seleccionar sucesivamente Archivo/ Nuevo Conjunto de Datos
3. Después de elegir el número de observaciones y la naturaleza de los datos (series temporales, datos de
sección cruzada, etc)
4. Definir el nombre de la primera variable y empezar a introducir valores
5. Una vez hemos acabado, para añadir otra variable seleccionamos, Añadir nueva Variable y repetimos el
proceso.
El programa lee datos en diversos formatos, entre ellos ASCII, Excel o Eviews. Para ello solo hay que
seleccionar,
Archivo/Abrir Datos/Importar
Por ejemplo, imaginemos que disponemos de los datos en Excel de la tabla 3.2 (pág. 79 del
Manual),
Observar que ha incorporado los nombres de las variables. Automáticamente genera también una
constante.
Una vez abierto el archivo de datos correspondiente, la forma más rápida de calcular una regresión es
pinchar con el ratón en el icono ˆ en la barra de herramientas,
Figura 2
Por ejemplo, el siguiente archivo contiene información con la que se pretende estimar una función de
producción (Y) siendo las variables explicativas el trabajo (X2) y el capital (X3),
La ventana de resultados contiene en la parte superior menús que permiten realizar numerosas
funciones.Todos estos menús son bastante intuitivos.
En el menú Contrastes es posible llevar a cabo una gran cantidad de contrastes de hipótesis
(algunos no se ven en el programa). Por ejemplo, es posible contrastar la hipótesis de que los residuos
siguen una distribución normal, tal como se postula en la teoría:
0.00025
0.0002
Densidad
0.00015
0.0001
5e-005
0
-4000 -2000 0 2000 4000
uhat1
Además del histograma, proporciona el valor del estadístico de Jarque-Bera (en la parte superior izquierda).
En este caso la hipótesis de normalidad no puede ser rechazada.
30000
28000
26000
24000
Y
22000
20000
18000
16000
1958 1960 1962 1964 1966 1968 1970 1972
Finalmente la opción Análisis permite llevar a cabo entre otras las siguientes funciones,
- Mostrar valores de la variable observada, estimada y residuos (una tabla con esos valores)
- Predicción: es posible llevar a cabo una predicción, pero debe disponerse de observaciones extramuestrales.
- Intervalos de confianza del 95% para los coeficientes
- Análisis de la varianza
Ilustramos la predicción. Si elegimos esta opción, nos saldrá un mensaje advirtiendo de que hemos estimado
el modelo sobre toda la muestra y por tanto no hay datos adicionales para llevar a cabo ninguna predicción.
Podemos sin embargo añadir esos datos adicionales en el menú Datos,
35000
34000
33000
32000
31000
30000
29000
28000
27000
1966 1967 1968 1969 1970 1971 1972 1973
4.- GLOSARIO
Autocorrelación: se dice que hay autocorrelación cuando existe correlación entre los errores
del modelo en diferentes momentos de tiempo
Intervalo de confianza: regla para construir un intervalo aleatorio con la propiedad de que
un determinado porcentaje de todos los datos, dado por el nivel de confianza, proporciona un
intervalo que contiene el valor poblacional.
Bondad del ajuste: Mide lo “bien” o “mal” que se ajusta la línea (plano) de regresión
estimada a los datos observados.
Datos de series de tiempo: Datos de una o más variables recogidos a lo largo del tiempo
Estadístico de prueba: regla utilizada para contrastar una determinada hipótesis que, a
partir de una muestra dada, proporcionará un valor específico.
Estimador: forma de combinar los datos de una muestra (independiente de ésta) para
obtener un valor numérico de un parámetro poblacional.
Estimador MCO: Estimador obtenido a partir del criterio de minimizar la suma cuadrática de
las discrepancias.
Estimador por el método de los momentos: Estimador obtenido igualando los momentos
muestrales a los poblacionales.
Estimador por intervalos: regla para obtener un intervalo para un parámetro poblacional.
Hipótesis nula: Hipótesis que suponemos cierta y contra la que buscamos evidencia en la
muestra de datos disponible.
Modelo de regresión lineal simple: Modelo que relaciona de forma lineal una variable
dependiente (endógena) con una única variable independiente (exógena) y un término de
error.
Modelo de regresión lineal múltiple: Modelo que relaciona de forma lineal una variable
dependiente (endógena) con más de una variable independiente y un término de error.
Modelo econométrico: Modelo formado por una (o varias) ecuaciones que relacionan una
variable dependiente con una o varias independientes y una perturbación aleatoria. Los
parámetros del modelo determinan el efecto de cada una de las variables explicativas sobre
la explicada, ceteris paribus.
Nivel de confianza: porcentaje de muestras en las que queremos que nuestro intervalo de
confianza contenga al valor poblacional.
Perturbación (aleatoria): Variable ómnibus del modelo de regresión incluida para recoger
tanto la influencia de posibles variables omitidas como errores de medida entre otros.
Suma de cuadrados explicada (SEC): Variación total muestral de los valores ajustados en
un modelo de regresión.
Suma de cuadrados de los residuos (SCR): Suma de todos los residuos de un modelo de
regresión cada uno de ellos elevado al cuadrado
Teorema Central del Límite (TCL): Resultado según el cual la suma de variables aleatorias
independientes divididas por su desviación típica, tiene a una distribución normal tipificada a
medida que aumenta el tamaño de la muestra.
Tendencia temporal: Movimiento sistemático a largo plazo que es función del tiempo.
Término de error: Variable que se introduce en una ecuación de regresión para recoger,
entre otros, el efecto de factores no observados o errores de medida.
Valor p (p-value): Nivel de significatividad mínimo al que puede rechazarse la hipótesis nula.
Variable instrumental: Variable que sin aparecer en la ecuación de regresión, se utiliza para
sustituir a una variable explicativa.
Varianza: Principal medida de dispersión de una variable aleatoria obtenida como la suma
cuadrática de las desviaciones de cada valor de la variable con respecto a su media, dividida
por los grados de libertad.