ECONOMETRÍA II

Daniel Vargas1
Facultad de Ingeniería Económica, Estadística y Ciencias Sociales
Universidad Nacional de Ingeniería

27 de agosto de 2019

1. Supuestos del Modelo de Regresion Lineal (MLG)

1. E(µ) = 0:
El efecto individual si existe, pero en promedio el total no existe.

2. Homocedasticidad:
La varianza del error se mantiene constante

var(µ) = θ2

3. No autocorrelación:
Lor errores no deben estar correlacionados porque es una distribución aleatoria.

cov(µi , µj ) = 0; ∀i 6= j

4. Exogeneidad:
No debe haber relación entre la parte determinística y estocástica del modelo.

cov(x, u) = 0

5. Modelo lineal en parámetros:

y = β0 + β1 x1 + β2 x2 + ... + βk xk + µ

6. Estabilidad Estructural:
El efecto marginal de β̂ es estable en el tiempo.
7. No Multicolinealidad:
Las variables explicativas son linealmente independientes, si están correlacionadas bastaría
trabjar con una.

cov(xi , xj ) = 0

8. Causalidad unidireccional:

x→y

9. Los valores de x son fijos o determinísticos

10. Modelo Estocástico (µ):
No podríamos hacer Econometría, sino hubiese incertidumbre.
11. Número de observaciones debe ser mayor al número de parámetros.

12. Modelo correctamente especificado

1
1.1. La esperanza del error es cero o perturbación cero
Esto quiere decir qeu la media condicional del termino error para cualquier variable explicativa X
dad es cero.
Entonces este supuesto nos garantiza que las variables no incluidas al modelo ,no influyan sobre
esta. Es decir los valores negativos del error se compensan con los positivos lo cual es anual algun
efecto, y las variables no incluidas qeu afectan al modelo son incluidas en el intercepto.

1.2. Homocedasticidad
Esto implica que los errores tiene igual dispercion, donde cada uno de los errores proviene de una
distrubucon de probabilidad.
La varianza de cada una de estas distribuciones de los diferentes errores para cada observacion es
la misma.Por ellos la varianza no cambia para las diferentes observaciones.

1.3. No autocorrelación

Implica que dado dos observaciones no existe autocorrelación serial entre sus errores, es decir no
hay correlacion entre miembros de series de observaciones ordenadas en el tiempo.
Por ejemplos:
como las expectativas adaptativas, donde se realiza un pronostico de la inflación pasada.

e
Pb+1 = Pbe + v(Pb − Pbe )

Esta ecuación implica que la expectativa de la inflación de mañana es una combinación lineal de
la expectativa para el período actual y el error de predicción registrado en este periodo.
En este sentido, y en la medida en que los errores cometidos en el periodo actual se trasmiten al
próximo a través del mecanismo de la formula dada.
Pero si consideramos uno de expectativas racionales por que entienden el modelo empleado;para
que planteen las expectatuvas de inflación futuras , se basarian en las politicas economicas
futuras que se empleen.
Estos dos ultimimos supuestos empleados se puden resumir de la siguiente forma:

 
V ar(µ1 ) Cov(µn , µ1 ) ... Cov(µn , µ1 )
0  Cov(µ2 , µ1 ) V ar(µ2 ) ... ... 
E(µµ ) = V ar(µ) =   = σ 2 In
 ... ... ... ... 
Cov(µn , µ1 ) Cov(µ2 , µ1 ) ... V ar(µn )

donde se conoce como el supuesto que los errores del modelo son esféricos.

2
1.4. Exogeneidad
Hace referencia a que los errores con las variables no tiene correlación.Ya qeu la regrecion la
descompone en dos partes:
- deterministeica o explicativa
- aleatoria o no explicativa
El no haber relacon entre estas dos separaciones, habria dos subespacios que son orogonales entre
si, por ello se supone que esas dos partes son separadas y adetivas de la varaible a explicar.

1.5. Modelo lineal en parámetros

Cuando hace referencia a la linalidad es con respecto a los parametros, más no necesariamente en
con sus variables,
Por ejemplo:

Y = α + βX + µ
Y = β0 + β1 X + β2 X 2 + β3 X 3 + µ

La segunda ecuacion cumple con el supuesto a pesar de que las variables estan elevados a algún
exponente; tambien se puede linealizar con el logaritmo natural, ya qeu siempre sera esencial la
linalidad para el analisis de regresión.

1.6. Estabilidad Estructural:

Implica que los coeficientes del modelo de regresión lineal son constantes en el tiempo.
Igualmente, se supone que el modelo es idéntico para todas las observaciones de la muestra. De
hecho, este supuesto resulta esencial si se busca que el modelo realice predicciones confiables. Así,
si la estructura que modela la variable dependiente se mantiene inalterada a lo largo de todo el
intervalo muestral, podemos asumir que esta misma estructura se mantiene para periodos fuera
del intervalo de la muestra y utilizar la misma para predecir, este procedimiento es conocido
como extrapolación.
Por ejemplo:
- La estabilidad estructural es afectada por algun choque externo , tambien por los ciclo
economicos como en el caso del Perú donde las epocas donde se vende mas son ciclicas y eso
podria hacer que los parametros no tengan una tendencia que explique al modelo en el futuro.

1.7. No Multicolinealidad:

Esto hace referencia a que no puden expresarce una variable con otra de manera lineal exactaLo
que significa que una e esas variables no aporta al modelo.
por ejemplo:

Se observa que teine una relacion lineal ya que a la variable consumo no es necesaria ponerla
porque esta es explciada en su mayor parte por la variable de producción.

3
1.8. Causalidad Unidireccional:

La relacion causal que asumen es de la variable independiente hacia la dependiente; eso es por
que en un modelo econometrico hay que tener cuidado al especificar las variables
Por ello al investigar tenemos qeu dar un papel determinado a cada variable para que se cumpla
este supuesto de causalidad pero en una solo dirección.
Por ejemplo:

P.Q = M.V

En la ecuación anterior existe una relación causal que va de M hacia P, es decir, el nivel de
precios es explicado por la cantidad de dinero en la economía. Sin embargo, no se cumple lo
contrario, puesto . Bienpodriamos decir que el supuesto que el nivel de precios es una variable
aleatoria (endógena), mientras que M es fija o determinística (exógena);pero esta especificación
no tendría ningún sustento teórico.

1.9. Los valores de x son deterministicos o fijos:

Este supuesto implica que no se puede repetir el proceso de muestreo numerosas veces, los valores
observados de las variables exógenas no deben variar.

Cuando se trabaja con datos de series temporales, es común la aparición de valores retardados de
la variable explicada (Y) como variables explicativas, ya que a veces las variables económicas no
toman de inmediato el valor esperado por los agentes, y de ese modo incorporan cierta inercia.
De este modo, cuando los rezagos son incluidos en el modelo de regresión como variables
explicativas, se dice que son predeterminadas , que son realizaciones del proceso que gobierna el
comportamiento de la variable explicada.

1.10. Modelo Estocástico:

La razon qeu suceda eso es por la variable aleatoria en el modelo, y si en todo cosa todo fuera
deterministco ya no tendria sentido hacer predicciones.

por ejemplo:
-Errores de medición en la variable endógena (Y). Esto ocurre frecuentemente debido a que las
estimaciones de Y se realizan sobre la base de muestras finitas, además de que dicha variable
puede no ajustarse a la teoría económica que el investigador desea contrastar.
- Agregación de variables suele al tratar de expresar la reclacion entre las variables de una
manera para resumir un conjunto de observaciones individuales en un agregado economico.Por
ejemplo, el gasto agregado intenta resumir un conjunto de decisiones individuales de gasto.

1.11. Número de observaciones debe ser mayor al número de paráme-

tros:

Esto es para que pueda estar definidas las matrices y exista una solucion para el modelo ,esto
tambien influira en poder hallar los parametros.

1.12. Modelo correctamente especificado:

Hace referencia a que el investigador debe identificar cual es la relacion que existe de causalidad
entre la variable independiente y la dependiente y asi el modelo pueda tener una explicacion que
nos permita predecir el futuro.