15.1. INTRODUCCIN ........................................................................................................................

584
15.2. ESPECIFICACIN DEL MODELO .................................................................................................. 589
SUPUESTOS DEL MODELO LINEAL GENERAL ................................................................................................... 591
15.3. ESTIMACIN POR MNIMOS CUADRADOS ORDINARIOS (MCO) ................................................ 595
15.4 PROPIEDADES DE LOS ESTIMADORES MNIMO CUADRTICOS ORDINARIOS ............................. 609
ESTIMADOR LINEAL ................................................................................................................................... 610
ESTIMADOR INSESGADO ............................................................................................................................ 610
ESTIMADOR PTIMO ................................................................................................................................. 611
VARIANZA DEL ESTIMADOR ......................................................................................................................... 616
15.5. NORMALIDAD DE LA PERTURBACIN ALEATORIA .................................................................... 622
CASOS ESPECIALES .................................................................................................................................... 629
15.6. CRITERIO DE MXIMA VEROSIMILITUD .................................................................................... 634
CONDICIONES DE SEGUNDO ORDEN.............................................................................................................. 637
ANLISIS DEL SESGO ................................................................................................................................. 639
EL VALOR DE LA FUNCIN DE VEROSIMILITUD ................................................................................................. 641
CASOS DE ESTUDIO, PREGUNTAS Y PROBLEMAS ............................................................................... 643
CASO 15.1: CORRELACIN DE MUESTRAS ..................................................................................................... 643
CASO 15.2: ESTIMACIN DE PARMETROS ................................................................................................... 643
CASO 15.3: CONSUMO DE CERVEZA Y MORTALIDAD INFANTIL ........................................................................... 644
CASO 15.4: PRIMEROS PASOS EN EVIEWS ..................................................................................................... 645
Actividades Propuestas .................................................................................................................. 653
BIBLIOGRAFA .................................................................................................................................... 654














Captulo15.ELMODELOLINEAL
GENERAL

En este captulo se contina con el proceso de investigacin
economtrica. En el desarrollo del mismo, el investigador ya ha
aprehendido todas las etapas; tiene su problema a investigar, ha
planteado y completado su tabla de datos luego de definir sus
fuentes de informacin y de recolectar los datos y ha aplicado
mtodos bsicos de anlisis de la informacin, tanto sobre las
unidades de observacin como sobre las variables involucradas en
su estudio. Es en este momento en el que debe especificar y
estimar un modelo economtrico, para establecer relaciones entre
variables y corroborar -en espacio y tiempo especfico- sus teoras
y modelos econmicos. En este captulo se muestran cules son las
condiciones necesarias y los conocimientos -matemticos y
estadsticos- suficientes que el investigador debe tener para poder
realizar dicha especificacin.






584
15.1. Introduccin
En el Captulo 1 de este manual, se defini econometra como:
la aplicacin de mtodos matemticos y estadsticos a tablas de
datos, que contienen unidades (de observacin) por
caractersticas observables de las mismas (variables), con el
propsito de dar contenido emprico a las teoras econmicas
planteadas en modelos, verificndolas a partir del estudio de la
semejanza entre unidades y la relacin entre variables, en un
espacio y tiempo especfico.
Para lograr ese objetivo, se utiliza como instrumento bsico un
modelo -denominado modelo lineal general- que es una
representacin simplificada del mundo real. Este modelo, para ser
operativo, ha de estar expresado en forma matemtica.

Ejemplo 15.1 Si se desea estudiar el consumo familiar, en un
perodo de tiempo determinado (t), la teora econmica modela el
consumo en funcin de la renta, es decir:
C = (R) con
R
i
> u
Para poder trabajar con este modelo se supondr una forma
funcional para f , por ejemplo una relacin lineal, que se escribir
como:
C
t
= o +[R
t
; t = 1, , I
Donde: o representa el consumo autnomo y [ la propensin
marginal a consumir que se supone comprendida en el intervalo
|u,1]




585
En el modelo del ejemplo 15.1 se explica el consumo por medio de
una variable que determine el nivel de renta.
De acuerdo a esta especificacin, se consume -en un momento de
tiempo- una proporcin de la renta medida por [R
t
, la diferencia
entre ambas cifras se supone constante (o).

Este modelo de consumo se puede utilizar:
A nivel agregado, en cuyo caso las variables C
t
y R
t
sern
indicadores del nivel de consumo y renta agregados, para lo
cual se requieren observaciones numricas de las variables
durante un periodo de tiempo t. Por lo tanto, las
observaciones correspondientes a cada una de las variables
es una serie temporal.
A nivel desagregado, por ejemplo relacionando los gastos
semanales en consumo y los ingresos de las familias, las
observaciones correspondientes a cada una de las variables
es un dato obtenido de una muestra de un conjunto de
familias y se denominan datos de corte transversal.
En forma conjunta, combinando las observaciones de una
muestra de corte transversal en el tiempo, esto se
denomina datos de panel.

Hay que tener en cuenta que, para realizar este estudio sobre el
consumo o cualquier otro que requiera la especificacin de un
modelo lineal general, se deber aplicar el proceso de investigacin
economtrica descrito a lo largo de los anteriores captulos. Es
decir, se deber definir el problema a investigar -en este caso el
consumo-; se plantear una tabla de datos que contendr unidades



586
de observacin temporales (estudio de series de tiempo),
individuos (corte transversal) o una combinacin de ambas (datos
de panel); se disear la fuente de informacin; se recolectar la
misma y, finalmente, se podr realizar la especificacin y
estimacin del modelo propuesto.

Ejemplo 15.2 Si se desea estimar la funcin de produccin de una
empresa, en un perodo de tiempo determinado (t), la teora
econmica modela la produccin como una funcin de los factores
trabajo y capital:
P = (I, K)
Donde
P, es la produccin, I es el factor trabajo y K el capital.
Si la funcin de produccin de la empresa es de la forma Cobb-
Douglas:
P
t
= AI
t
u
K
t
[
; t = 1, , I
El valor de la suma o +[ va a determinar si la empresa tiene
rendimientos a escala constantes, crecientes o decrecientes.

Al realizar un trabajo economtrico, el primer paso es formular un
modelo que, aun siendo una representacin simplificada de la
realidad, permita reproducir los patrones de comportamiento entre
las variables econmicas. Generalmente, la teora econmica no
suele dar muchas indicaciones de cul es la forma funcional del
modelo, por lo que han de realizarse supuestos al respecto.
El segundo paso es estimar los parmetros de inters del modelo a
partir de los datos disponibles y contrastar aquellas hiptesis
estadsticas y econmicas que son relevantes.



587

Ejemplo 15.3 Si se estim una funcin de produccin Cobb
Douglas, puede interesar contrastar la hiptesis de que la empresa
tiene rendimientos a escala constantes; es decir, que o +[ = 1.

Por ltimo, el modelo economtrico estimado y validado, se puede
utilizar para predecir valores futuros de las variables o tomar
decisiones de poltica econmica.
Se recurre al anlisis de regresin para describir la relacin
existente entre una variable endgena o dependiente -de
argumento vectorial denominada y- y un conjunto de variables
exgenas, explicativas o independientes -representadas
genricamente por la matriz de regresores X-.
Estas relaciones pueden ser de carcter deterministas o
estocsticas. Las primeras son las utilizadas en los modelos de los
ejemplos anteriores; las segundas, como las del ejemplo 15.4,
tienen en cuenta factores aleatorios que influyen en el
comportamiento de los agentes econmicos.

Ejemplo 15.4 El modelo de consumo supone que, dada una renta
0
R , todas las familias (de un conjunto de n familias) con esa renta
presentan un mismo nivel de consumo, lo que es poco realista.
Para modelar este comportamiento individual se introduce un
trmino aleatorio, la perturbacin e

:
C

= [
1
+[
2
R

+e

; i = 1, . n



588
Los parmetros del modelo son los coeficientes [
]
y los que
caracterizan la funcin de distribucin de la perturbacin aleatoria
vectorial s; es decir, su valor medio y su matriz de varianzas y
covarianzas. El conjunto de parmetros a estimar da origen a lo que
se denomina un vector paramtrico: w = |[
]
o
s
2
]; ] = 1, , k

As, el modelo lineal general se puede estudiar siguiendo cuatro
pasos:
Especificacin del modelo economtrico.
Estimacin de los parmetros.
Validacin del modelo.
Prediccin de valores futuros.

En este captulo se estudiarn los dos primeros, dejando para el
prximo los restantes. Cada paso se ilustrar con una aplicacin
numrica utilizando los datos de la tabla de datos 15.1, los que
fueron obtenidos de una muestra para las variables , X
2
y X
3
en 5
observaciones de tiempo.

Tabla 15.1
Observaciones Y
t
X
2t
X
3t

1 7 4 2
2 10 6 4
3 5 2 1
4 11 5 10
5 20 16 3




589

15.2. Especificacin del modelo
Dada la siguiente tabla de datos
Observaciones Y
2
X

3
X

K
k
X

1
1
y

21
x

31
x


1 k
x

2


M


t
t
y

t
x
2

t
x
3

K
kt
x

M


T
T
y

T
x
2

T
x
3

K
kT
x


Si existe una relacin lineal entre la variable a explicar
t
con k 1
variables independientes X
]
, ] = 2, , k se podra especificar:

t
= [
1
+ [
2
X
2t
+ + [
k
X
kt
+e
t
; t = 1, 2, , I [1]
En este modelo:
la variable
t
, t = 1, 2, , I es la variable endgena
las variables T t k j X
jt
, , 1 ; , , 2 , K K = = son las variables
explicativas o exgenas,
= |[
1
[
2
[
k
]
i
es el vector de coeficientes de regresin,
T t
t
, , 1 , K = es la perturbacin aleatoria,
T son las unidades de observacin temporales o tamao de
la muestra.




590
Es decir, el modelo se podra expresar como un sistema de
ecuaciones, de la siguiente manera

+ + + + + =
+ + + + + =
+ + + + + =
+ + + + + =
T kT k T T T
k k
k k
k k
x x x y
x x x y
x x x y
x x x y




L
M
L
L
L
3 3 2 2 1
3 3 33 3 23 2 1 3
2 2 32 3 22 2 1 2
1 1 31 3 21 2 1 1
[2]

Que es un sistema de T ecuaciones con k incgnitas, por lo que el
modelo tiene k T grados de libertad.
Los coeficientes de regresin k j
j
, , 1 , K = se suponen constantes
para toda t y recogen el incremento promedio que experimenta la
variable endgena cuando se produce un incremento unitario en la
] simo variable exgena, permaneciendo las dems constantes.

Esta relacin es lineal en los parmetros y se puede escribir en
notacin matricial:

Tx1
kx1
Txk
Tx1

X
y
+ = [3]
Donde cada uno de los elementos se definen segn:



591
(
(
(
(
(
(
(
(
(

=
T
2
1
y
y
y
L
y
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(
(

=
T
2
1
k
2
1
kT 3T 2T
k2 32 22
k1 31 21

x x x 1
.
x x x 1
x x x 1

L L
L
L L L L
L
L
X

Ejemplo 15.5.a Utilizando la informacin de la tabla 15.1, la
notacin es:
y =
l
l
l
l
l
7
1u
S
11
2u
1
1
1
1
1
X =
l
l
l
l
l
1 4 2
1 6 4
1 2 1
1 S 1u
1 16 S
1
1
1
1
1
= _
[
1
[
2
[
3
_ s =
l
l
l
l
l
e
1
e
2
e
3
e
4
e
5
1
1
1
1
1




Supuestos del Modelo Lineal General
El modelo lineal general tiene dos partes: una se denomina
sistemtica y la otra aleatoria. Esto es,

t
= [
1
+ [
2
X
2t
+ + [
k
X
kt
_________________________
PAR1L SIS1LMA1ICA
+ e
t
_
PAR1L
ALLA10RIA
; t = 1, 2, , I
El modelo explica la variabilidad de la variable dependiente
mediante dos componentes:
La parte sistemtica: X
La parte aleatoria: s



592

La parte sistemtica del modelo satisface los supuestos bsicos de:
1) Linealidad. El comportamiento de la variable dependiente
se ajusta a los parmetros del modelo de manera lineal para
todas las observaciones, T t , , 1 K = .
Sea el vector columna x
k
que contiene las T observaciones
de la variable X
k
. Este vector representa la k simo columna
de la matriz X de orden txk. La primera columna de X
corresponder a una columna de unos, por lo que
1
ser el
trmino constante del modelo. Si se denomina y al vector
columna que contiene las T observaciones, y
1
, y
2
, , y
t
, de la
variable endgena , al vector columna que contiene las T
perturbaciones aleatorias, entonces el modelo puede
escribirse como:
y = [
1
+ x
2

2
+ + x
k

k
+ s
Esto es, y = X + s

Observacin. Para evitar posibles confusiones hay que distinguir
entre los vectores columna: x
k
y x
t
. x
k
es la sima k columna de
X; mientras que,

x
t
es un vector columna que es la traspuesta de
la fila t simo (1xk) de X. Por ejemplo, para referirse a una nica
unidad de observacin se utilizar la ecuacin
t

t t
y + = x' ;
donde x
t
i
es la notacin que representa la t simo fila de X
.





593
2) Variables exgenas no estocsticas. Las variables explicativas
X
]
, ] = 2, , k se consideran fijas en muestra repetidas y, por
lo tanto, la funcin de distribucin de la variable Y
-
condicionada a los regresores fijos X- se puede escribir como
) , Y ( f ) , X / Y ( f = .

3) Rango Completo. El rango de la matriz de variables
explicativas es completo por columnas; es decir, r(X) = k I.
Este supuesto tiene dos implicaciones. Por un lado, no es
posible expresar una columna de la matriz X como una
combinacin lineal del resto de las columnas y, por otro, se
supone que hay ms observaciones que parmetros.

Respecto a su parte aleatoria, el modelo lineal general debe
cumplir con los siguientes supuestos:
4) Media Nula. La esperanza matemtica de cada una de las
perturbaciones es cero:
E(e
t
) = u, t = 1,2, I [4]
De forma matricial, se puede escribir como:
( ) 0 =
(
(
(
(
(
(

=
(
(
(
(
(
(

=
(
(
(
(
(
(

=
0
0
0
0
3
2
1
3
2
1
M
M M
)
T
( E
) ( E
) ( E
) ( E
T
E E

594
Observacin. Aplicar el operador esperanza matemtica a una
matriz o vector, significa que hay que tomar esperanza matemtica
de cada uno de los elementos de la matriz o vector en cuestin.

5) La matriz de varianzas y covarianzas del vector de
perturbaciones s es un escalar: I(s) = o
s
2
I
1
. Con este
supuesto se quiere indicar:
5a) Homocedasticidad. La varianza es constante para todas
las perturbaciones,
E(e
t
2
) = o
s
2
t = 1,2, . , I |5]
5b) No autocorrelacin. No existe correlacin entre las
perturbaciones de diferentes perodos,
E(e
t
, e
s
) = u t s |6]
La homocedasticidad y no autocorrelacin se pueden escribir
en forma matricial de la siguiente manera:
I(s) = o
s
2
I
1
|7]

6) Normalidad. La distribucin de probabilidad del trmino de
perturbacin es normal multivariante:
s~N(u, o
s
2
I
1
) |8]

El conjunto de supuestos 1) a 6) indican que el comportamiento de
la variable viene dado por la parte sistemtica del modelo y no
queda, en la parte aleatoria, algn patrn aprovechable para
explicar el comportamiento de la variable dependiente.



595
Los objetivos, entonces, se centran en hacer inferencia estadstica
sobre el vector de parmetros del modelo de regresin y sobre la
varianza de la perturbacin aleatoria o
s
2
en base a la informacin
que proporciona la muestra disponible:
( ) T , 2, 1, t ,
kt
X , ,
2t
X ,
t
Y L L =


Ejemplo 15.5.b La informacin de la tabla 15.1 proporciona una
muestra de 5 observaciones en el tiempo para las variables , X
2
y
X
3
, que se utilizar para hacer inferencias sobre el vector
paramtrico del modelo.
En este caso dicho vector viene representado por:
w = |[
]
o
s
2
]; ] = 1, 2, S




15.3. Estimacin por mnimos cuadrados
ordinarios (MCO)
Los parmetros desconocidos del modelo vienen dados por el
vector de coeficientes de regresin y la varianza de la
perturbacin
2

.



596
La estimacin, de estos parmetros, se puede llevar a cabo por dos
mtodos
el mtodo de mnimos cuadrados ordinarios
el mtodo de mxima verosimilitud.

El criterio de estimacin de mnimos cuadrados ordinarios ( ) MCO se
basa en elegir aquellos valores

que minimizan la suma del

cuadrado de los errores, la cual se expresa analticamente por la
siguiente funcin objetivo:
( ) ( ) ( )
2
2 2 1


kt k t t
T
1 t
X X Y
Min Min

=
=
L

X Y
'
X Y

[9]

De las condiciones de primer orden del problema de minimizacin,
se obtiene un sistema de k ecuaciones, denominadas ecuaciones
normales, que se pueden escribir:

=
=

=
+ +

=
+

=
=

=
+ +

=
+

=
=

=
+ +

=
+
kt
X
t
Y
T
1 t
2
kt
X
T
1 t
k

kt
X
2t
X
T
1 t
2

kt
X
T
1 t
1

.... .......... .......... .......... .......... .......... .......... .......... ..........

2t
X
t
Y
T
1 t
2t
X
kt
X
T
1 t
k

2
2t
X
T
1 t
2

2t
X
T
1 t
1

t
Y
T
1 t
kt
X
T
1 t
k

2t
X
T
1 t
T

L
L
L

[10]





597
Ejemplo 15.5.c El siguiente ejemplo ilustra como se obtienen las
ecuaciones normales con los datos de la tabla 15.1. Suponga,
adems, que interesa estimar el modelo:

t
= [
1
+[
2
X
2t
+[
3
X
3t
+e
t
; t = 1, 2, ,S
Se puede construir la siguiente tabla de clculos auxiliares:

Tabla 15.2.

2
X

3
X

Y

Y X
2

Y X
3

3 2
X X

2
2
X
2
3
X

Y

Y Y e

=

1 4 2 7 28 14 8 16 4 7,233 -0,233
2 6 4 10 60 40 24 36 16 9,980 0,020
3 2 1 5 10 5 2 4 1 4,826 0,174
4 5 10 11 55 110 50 25 100 10,986 0,014
5 16 3 20 320 60 48 256 9 19,975 0,025

33 20 53 473 229 132 337 130 53 0,000

Las ecuaciones normales son:
SS = S[
`
1
+SS[
`
2
+2u[
`
3

47S = SS[
`
1
+SS7[
`
2
+1S2[
`
3
229 = 2u[
`
1
+1S2[
`
2
+1Su[
`
3

Con solucin: 34 . 0

033557 . 1

418523 . 2

3 1
= = = ;
2

Por lo tanto el modelo estimado resulta ser:

`
t
= 2.418S2S +1.uSSSS7 X
2t
+u.S4 X
3t



Las ecuaciones normales se pueden obtener a travs del algebra
matricial, como:
( ) 0 y X X X
'
MCO
'
=

598
Para obtener estas ecuaciones hay que resolver matricialmente el
sistema a minimizar. Para ello, se plantea el siguiente problema de
mnimo:
La recta de regresin debe pasar por el centro de la nube de
puntos. Hay que plantear la minimizacin de las distancias de
esos puntos a la recta. En el plano (
2
) esas distancias son
ortogonales a la abscisa que representa a la variable
explicativa-; mientras que, en el espacio de tres dimensiones
(
3
) esas distancias son ortogonales al plano -formado por
las dos variables explicativas-. En
k
las distancias son
ortogonales al hiperplano formado por las k-1 variables
explicativas. Esas distancias se denominarn residuos mnimo
cuadrticos ordinarios y se simbolizarn por
t
e . De esta
forma,
t t t
Y

Y e = representa la distancia de cada observacin

a la recta de regresin a estimar por X y

= , siendo sta la
que se obtendr a partir de las estimaciones del vector

.
Pero, como
t
e es una variable desvo,

=
=
T
t
t
e
1
0; por lo que, el
problema de mnimo a plantear es el de minimizar la suma de
cuadrados de los desvos.
Esto es

=
T
t
t
e Min
1
2

, lo que es lo mismo en trminos matriciales:
Nin (e
i
e) = (y y)
i
(y y)




599
Planteado el problema de minimizacin, se debe resolver
algebraicamente la siguiente relacin:
( ) ( ) [ ] X )' (X y )' (X X y' y y'
Min

X y
'
X y

+ =
Min
[11]
Teniendo en cuenta que y )' (X X y'

=

Entonces
[ ] X X' ' y X' ' y y' X )' (X y )' (X X y' y y'

2

+ = +
Por lo tanto, la expresin a minimizar ser
[ ] X X' ' y X' ' y y' e e'

) ( + = 2 Min Min [12]

Las condiciones de mnimo exigen:
a) condicin de primer orden, derivar respecto a la variable -en
este caso

-, e igualar a cero.
b) Condicin de segundo orden, obtener la segunda derivada y
demostrar que es positiva.

Para obtener la condicin de primer orden a partir de la expresin
[12], hay que tener en cuenta que

i
X
i
X

es una forma cuadrtica;

la cual se define como el producto entre un vector, su traspuesto y
una matriz simtrica, ordenados de manera que su resultado sea
un escalar.



600
En este caso, la matriz simtrica X
i
X es una matriz de orden kxk, la
que se combina con el vector

de k elementos dando por resultado

un escalar. X
i
X se denomina matriz de la forma cuadrtica.
Algebraicamente
( ) [ ]
) 1 (

) (
1
2
1
3
1
2
1
1
3
1
2
3 2
1
3
1
3
1
2 3
1
2
1
2
2
1
2
1 1
3
1
2
) 1 (

1

kx
k
kxk
T
t
kt
x
T
t
t
x
kt
x
T
t
t
x
kt
x
T
t
kt
x
T
t
kt
x
t
x
T
t
t
x
t
x
T
t
t
x
T
t
t
x
kt
x
T
t
t
x
t
x
T
t
t
x
T
t
t
x
T
t
t
x
T
t
kt
x
T
t
t
x
T
t
t
x T
xk
k
(
(
(
(
(

(
(
(
(
(
(
(
(
(

=
=

M
L
L O L L L
L
L
L
L X X' '

[ ] =
(
(
(
(
(
(
(
(
(

=
+ +
=
+
=
+
=

=
+ +
=
+
=
+
=

=
+ +
=
+
=
+
=

=
+ +
=
+
=
+
=
T
t
kt
x
k
T
t
t
x
kt
x
T
t
t
x
kt
x
T
t
kt
x
T
t
kt
x
t
x
k
T
t
t
x
T
t
t
x
t
x
T
t
t
x
T
t
kt
x
t
x
k
T
t
t
x
t
x
T
t
t
x
T
t
t
x
T
t
kt
x
k
T
t
t
x
T
t
t
x T
k
1
2

1
3 3

1
2 2

1
1

1
3

1
2
3 3

1
2 3 2

1
3 1

1
2

1
3 2 3

1
2
2 2

1
2 1

1
3 3

1
2 2

L
M
L
L
L
L


=
=
+ +
=
+
=
+
=
+ +
+
=
+ +
=
+
=
+
=
+
+
=
+ +
=
+
=
+
=
+
+
=
+ +
=
+
=
+ =
(

(
(

(
(

T
t
kt
x
k

T
t
t
x
kt
x

T
t
t
x
kt
x

T
t
kt
x

T
t
kt
x
t
x
k

T
t
t
x

T
t
t
x
t
x

T
t
t
x

T
t
kt
x
t
x
k

T
t
t
x
t
x

T
t
t
x

T
t
t
x

T
t
kt
x
k

T
t
t
x

T
t
t
x

T

1
2
1
3 3
1
2 2
1
1
1
3
1
2
3 3
1
2 3 2
1
3 1 3
1
2
1
3 2 3
1
2
2 2
1
2 1 2
1 1
3 3
1
2 2 1 1




L L
L
L
L





601
Reagrupando trminos
( )

=
+ +
+
=
+ +
=
+
+
=

=

=
+ + + +
+
=
+ +
=
+
=
+ =
T
t
kt
x
k
kt
x
T
t
t
x
k
T
t
t
x
kt
x
T
t
T
t
T
t
t
x
k t
x
t
x
t
x
T
t
kt
x
k
T
t
t
x
T
t
t
x T
1
2 2

1
3

2
1
2
3
2
3

1 1 1
2

2
3 2 3

2
2
2
2
2

2
1
3 3

2
1
2 2

2
2
1

L
L
L
L X X' '

Esta ltima expresin es un escalar, que puede derivarse
parcialmente con respecto a cada uno de los elementos de

.
El resultado de las derivadas parciales se ordena en forma de
vector columna -aunque tambin podran ordenarse en forma de
vector fila-. No obstante, el requisito importante es la consistencia
del tratamiento que debe darse a los vectores y matrices de las
derivadas de la funcin para que sean de orden apropiado para su
posterior manipulacin.
Entonces, derivando esta expresin respecto de
1

los primeros k
trminos, respecto de
2

los segundos k trminos, y as

siguiendo el vector de derivadas parciales es

=

=
+ +
=
+
=
+

=

=
+ +
=
+
=
+

=

=
+
=
+ +
=
+

=

=

=
+ + + +
=

(
(
(
(
(
(
(
(
(

(
(
(
(
(
(
(
(
(
(
(

T
t
kt
x
k

T
t
kt
x
t
x
T
t
kt
x
t
x
T
t
kt
x
T
t
kt
x
T
t
t
x
k

t
x
T
t
t
x
t
x
T
t
t
x
T
t
T
t
kt
x
t
x
k

T
t
t
x
t
x
t
x
T
t
t
x
T
t
T
t
T
t
kt
x
k

t
x
t
x T
k

1
2
2
1
3 3
2
1
2 2

2
1
1

2
1 1
3
2
2
3 3
2
1
3 2 2

2
1
3
1

2
1 1
2

2
1
3 2 3

2
2
2 2

2
1
2
1

2
1 1 1

2
3 3

2
2 2

2
1

L
L
L
L
M
M M M M M M
X) (X' '
X) (X' '
X) (X' '
X) (X' '

X) (X' '




602

X X'

2

1
2
1
3
1
3 2
1
3
1 1
3
2
3
1
3 2
1
3
1 1
2
1
3 2
2
2
1
2
1 1 1
3 2
2 =

=

=

=

=

=

=

=
=
(
(
(
(
(

(
(
(
(
(
(
(
(
(

k
T
t
kt
x
kt
x
T
t
t
x
T
t
t
x
t
x
T
t
t
x
T
t
kt
x
T
t
t
x
t
x
T
t
t
x
t
x
T
t
t
x
T
t
T
t
kt
x
t
x
T
t
t
x
t
x
t
x
T
t
t
x
T
t
T
t
T
t
kt
x
t
x
t
x T

M
L
L
L
L
M M M M

[13]

Este resultado responde a la regla general que establece que la
derivada de una forma cuadrtica respecto a cada uno de los
elementos del vector de dicha forma, es igual a dos veces el
producto de la matriz de la forma cuadrtica por el vector de la
misma, en este caso:
X X'

X) (X' '

2 =

[14]
[14] es un vector columna de k elementos.

De esta forma, la derivada de la expresin [12] es
0 X X' y X'

e e'
= + =

2 2
Operando algebraicamente se obtiene la expresin para las
ecuaciones normales:


0 X`X y X' = +

[15]



603
En sntesis, resolver la condicin de primer orden en el problema
de mnimo da como resultado las ecuaciones normales.

Por otra parte, dado que la matriz X es de rango completo por
columna [ T k ) ( r = X ], existe una solucin nica al sistema de
ecuaciones normales que es el estimador mnimo-cuadrtico
ordinario del vector de parmetros :

MCD
= (XX)

Xy [16]
Donde
(XX)

=
l
l
l
l
l
l
l
l
l
l
l
I X
2t
1
t1
X
3t

1
t1
X
kt
1
t1
X
2t
1
t1
X
2t
2
1
t1
X
2t
X
3t
1
t1
X
2t
X
kt
1
t1

X
kt
1
t1

X
kt
X
2t
1
t1

X
kt
X
3t
1
t1
X
k
2
1
t1
1
1
1
1
1
1
1
1
1
1
1

; X
i
y =
l
l
l
l
l
l
l
l
l
l

t
1
t1

t
X
2t
1
t1

t
X
kt
1
t1
1
1
1
1
1
1
1
1
1
1

Aunque este es el resultado deseado, a partir del cual se obtienen
los estimadores mnimos cuadrticos ordinarios, an falta
demostrar la condicin de segundo orden del problema de
minimizacin, esto es:
0 X`X

e e'
> =

2
2
2

[17]
Y esto es as, debido a que la matriz X X' es definida positiva.



604
Si ( ) 0

> X X' ' para todo

, se dice que la forma cuadrtica es

definida positiva. Una condicin necesaria y suficiente para que la
forma cuadrtica sea definida positiva es que la matriz XX sea
definida positiva, esto sucede cuando los menores principales de
XX
|I|

I X
2t
1
t1
X
2t
1
t1
X
2t
2
1
t1

I X
2t
1
t1
X
3t
1
t1
X
2t
1
t1
X
2t
2
1
t1
X
2t
X
3t
1
t1
X
3t
1
t1
X
3t
1
t1
X
2t
X
3t
2
1
t1

|X
i
X|
son todos positivos.

Observacin. La correspondiente condicin necesaria y
suficiente para definida negativa es que los menores principales
alternen su signo; de forma que todos los menores principales de
orden impar sean negativos y todos los de orden par sean
positivos. El menor principal de orden k, |X
i
X| ser positivo si k es
par pero negativo si k es impar. Esto puede expresarse de forma
resumida por la desigualdad
(1)
k
|X
i
X| > u
Las formas cuadrticas, adems de definidas positivas o
negativas, pueden ser semidefinidas o indefinidas.
Una forma cuadrtica ser semidefinida (positiva o negativa)
cuando un menor se anule, aun cuando los menores restantes
cumplan con el signo correspondiente.



605
Una forma cuadrtica ser indefinida cuando no se cumplan las
condiciones para que sea definida o semidefinida (positiva o
negativa)


Ejemplo 15.5.d Siguiendo con el ejemplo de la tabla 15.1

MC0
=

_
1 1 1 1 1
4 6 2 S 16
2 4 1 1u S
_
l
l
l
l
l
1 4 2
1 6 4
1 2 1
1 S 1u
1 16 S
1
1
1
1
1

1
_
1 1 1 1 1
4 6 2 S 16
2 4 1 1u S
_
l
l
l
l
l
7
1u
S
11
2u
1
1
1
1
1

= _
S SS 2u
SS SS7 1S2
2u 1S2 1Su
_
1
_
SS
47S
229
_
=
1
_
S SS 2u
SS SS7 1S2
2u 1S2 1Su
_
_
26S86 16Su 2S84
16Su 2Su u
2S84 u S96
_ _
SS
47S
229
_

MC0
= _
2.418S2S
1.uSSSS7
u.S4
_
El resultado es igual al obtenido al resolver las ecuaciones
normales, en el Ejemplo 15.5.c.


De las ecuaciones normales se derivan, entre otras, las siguientes
dos propiedades de la estimacin mnimo cuadrtica ordinaria, la
primera de las cuales se ve directamente en la tabla 15.2 del
Ejemplo 15.5.c:



606
0
1
=

=
t
T
t
e [18]
donde
kt
X
k

t
X

t
Y
t
e = L
2 2 1
son los denominados
residuos mnimo-cuadrtico ordinarios:
k j e X
t jt
T
t
, , 2 0
1
L = =

=
[19]
es decir, los residuos mnimo cuadrticos ordinarios, son
ortogonales a todas las variables explicativas del modelo.

Para el caso de 2 = k ,
t
= [
1
+ [
2
X
2t
+ e
t
, la interpretacin grfica de
la ortogonalidad de los residuos y de las rectas de regresin es la
ilustrada por la Figura 15.1














Figura 15.1. Lneas de regresin poblacional y muestral

1


X
21

1

(X
1
,
1
)
Observacin muestral
e
1

Regresin poblacional
E( X ) = [
1
+[
2
X
2t

Regresin muestral

`
t
= [
`
1
+[
`
2
X
2t




607
Para demostrar estas propiedades se considera el vector de
residuos mnimos cuadrticos ordinarios
X e y X y e

+ = =
[20]

Por [15] 0 X X y X = +

, el que puede reexpresarse como
y X' X) (X' =

Reemplazando y por su igual en [20]
) X (e X' X) (X'

+ =
Realizando los productos convenientemente
X) (X' e X' X) (X'

+ = [21]
Para que la igualdad en [21] se cumpla, debe ocurrir que 0 e X' = ;
si se desarrolla la expresin
0 e) (X' =
(
(
(
(
(
(

=
(
(
(
(
(
(
(
(
(
(
(

=
(
(
(
(
(
(

(
(
(
(
(
(

=
=
=
=
0
0
0
0 1 1 1 1
1
1
3
1
2
1
3
2
1
3 2 1
3 33 32 31
2 23 22 21
M
M
M O
L
T
t
t kt
T
t
t t
T
t
t t
T
t
t
T kT k k k
T
T
e x
e x
e x
e
e
e
e
e
x x x x
x x x x
x x x x
[22]



608

Como consecuencia de esta propiedad, los residuos del modelo
lineal general tienen media aritmtica igual a cero (siempre y
cuando se incluya el trmino independiente en la ecuacin de
regresin). Esto es debido a que el primer elemento del vector de
orden 1 tx es igual a cero, es decir
0 0
1
1
= = =

=
=
T
e
e e
T
t
t
T
t
t
[23]

A su vez, los dems elementos establecen que la correlacin
muestral entre los residuos y cada variable es cero.

Una vez estimados los coeficientes de regresin,
j
, la recta de
regresin muestral,
y = X

permite estimar los valores de la variable endgena Y, dado los
valores de las variables exgenas X. Una observacin
`
t
puede ser
representada como

`
t
= [
`
1
+ [
`
2
X
2t
+ [
`
3
X
3t
+ + [
`
k
X
kt



Matricialmente

`
t
= X
t
i

609
Donde
`
t
es de orden Tx1, X
t
i
es de orden 1xk, y

es de orden
kx1.
Esto es,
(
(
(
(
(
(
(

=
k

]
kt
X
3t
X
2t
X 1 [
t
Y

M
L [24]

Ejemplo 15.5.e En el ejemplo resulta:
(
(
(

=
3
2
1
3 2
1

] X X [ Y

t t t

`
t
= 2.418S2S +1.uSSSS7X
2t
+u.S4X
3t

Se obtiene, de esta manera, igual resultado que el obtenido en el
Ejemplo 15.5.c.



15.4 Propiedades de los estimadores
mnimo cuadrticos ordinarios
Los estimadores ( ) MCO ,

, bajo los supuestos 1) a 6) son lineales,

insesgados y ptimos, en el sentido de tener la mnima varianza
dentro de la clase de estimadores lineales e insesgados (teorema
de GaussMarkov).



610

Estimador lineal
La linealidad no requiere de demostracin; es evidente, en el
clculo del coeficiente en [16], la relacin lineal que une al vector
de estimadores con la matriz que contiene los valores observados
de las variables.


Estimador insesgado
Para demostrar que el estimador es Insesgado se parte de [16]:
y X' X) (X'
1
=

Utilizando [3]
) (X X' X) (X'
1
+ =

Realizando los productos pertinentes
X' X) (X' X X' X) (X'
1 1
+ =

611
En el primer trmino del segundo miembro: I X X' X) (X'
1
=

, por lo
que
X' X) (X'
1
+ =

Utilizando el operador esperanza matemtica
) ( )

(
1
X' X) (X' E E

+ =

Por [4], 0 ) ( = E por lo que
= )

( E [25]


Estimador ptimo
Un estimador es ptimo cuando tiene mnima varianza. Antes de
demostrar esto, se debe hallar la varianza del estimador; la
diferencia entre el estimador y su esperanza matemtica es igual a
X' X) (X'
1
+ = =

( E

La varianza del estimador ) V(

se define
}

E

]' ][ {[ ) V( =



612

Ahora bien, al demostrar la propiedad de insesgadez, se obtuvo
que
X' X) (X'
1
+ =

De modo que,
X' X) (X'
1

=

Entonces:
[ ] { }

=

X' X) (X' X' X) (X'
1 1
)

( E V

Aplicando las propiedades de matriz traspuesta:
] ' [
1 1
X) X(X' X' X) (X'

= E

Introduciendo el operador esperanza matemtica
1 1
X) X(X' X' X) (X'

= ) ' ( E




613
Por lo establecido en [7], I(s) = E(s
i
s) = o
s
2
I
1
; al reemplazarlo en la
expresin anterior
1

1
X) X(X' I X' X) (X'

=
T

2

2

es una constante, por lo que premultiplica al resto de la

expresin
1 1

X) X(X' I X' X) (X'

=
T

2

Simplificando en la expresin anterior
1
X) X(X' I X'

T
, la varianza del
estimador es el producto entre la varianza del trmino de
perturbacin y la matriz inversa de X) (X'
1

X) (X' ) V(

=
2

[26]


Para demostrar que esta varianza es mnima, se supone otro
estimador
P]y X' X) [(X' *
1
+ =

[27]
Donde P es cualquier matriz de orden (kxT) que en caso de
anularse hace que *

= .
Ahora, reemplazando [3] en [27]
P PX X' X) (X' ) P](X X' X) [(X' *
1 1
+ + + = + + =





614
Al tomar esperanza matemtica
) ( ) ( ) ( P PX X' X) (X' *
1
E E E + + + =



Aplicando lo establecido en [4]
PX * + = ) ( E
Si 0 PX =
* = ) ( E
Lo que significa que * es un estimador insesgado

El clculo de la varianza de * es
{ } ]' ][ [ ) V( = * * E *
Donde
{
P PX X' X) (X' *
0
1
+ + + =


Manteniendo la restriccin 0 PX =
P X' X) (X' *
1
+ =


Reordenando
P] X' X) [(X' *
1
+ =





615
Reemplazando * en *) V( , se tiene que
( ) [ ] ( ) [ ] { } P XX X P X XX E V(
1 1
+ + =

*)
Introduciendo el operador esperanza
] P' X) [X(X' ' P] X' X) [(X' V(
1 1
+ + =

) ( *) E

Por [7], I(s) = E(ss
i
) = o
s
2
I
1

] P' X) [X(X' I P] X' X) [(X' V(
1 1
+ + =

T

2
*)

Teniendo en cuenta que o
s
2
es constante y realizando los productos:
] PP' P' X' X) (X' X) PX(X' X) X(X' X' X) [(X' V(
1 1 1 1
+ + + =
2
*)


Introduciendo la restriccin 0 PX = , que da lugar a que 0 P X = , y
operando algebraicamente, la expresin anterior se reduce a:
] PP' X) [(X' V(
1
+ =
2
*)


Por lo tanto,
[ ] ) V( PP' X) (X' V(
1

*) > + =
2
[28]





616
La diferencia entre las varianzas de

y * es PP' , lo que hace que

) V( V(

*) >

A modo de conclusin, en el modelo = X + s los parmetros
desconocidos se reemplazan por los

estimadores mnimos
cuadrticos ordinarios y como consecuencia se tiene que:
y = X

Donde cada [
`

, ] = 1,2, , k es el mejor estimador lineal insesgado y

ptimo (ELIO) de [

.
Por lo tanto, dado

t
= [
1
+ [
2
X
2t
+ + [
k
X
kt
+ e
t

el ELIO de cualquier combinacin lineal de los parmetros es esa
misma combinacin lineal de los

estimadores
El ELIO de E(
t
) es [
`
1
+ [
`
2
X
2t
+ + [
`
k
X
kt



Varianza del estimador
La varianza de las perturbaciones
2

, se puede estimar mediante

la expresin:



617
k T
S

=
e e'
2
[29]

Ejemplo 15.5.f El valor de las varianzas de las perturbaciones para
el ejemplo que se est desarrollando:

2
=

i

I k
=
|
u.2SS u.u2u u.174 u.u14 u.u2S
]
l
l
l
l
l
u.2SS
u.u2u
u.174
u.u14
u.u2S
1
1
1
1
1
S S

2
=

i

I k
=
u.u8S77
S S
= u.u4289
Este estimador es insesgado bajo los supuestos 1) a 6)


Para conocer la precisin con que se estiman los parmetros, es
necesario derivar la matriz de varianzas y covarianzas de los
estimadores que, bajo los supuestos habituales, es de la forma
( ) ( )
1
2

= X
'
X V

[30]
Un estimador insesgado de ( ) V

, se puede obtener sustituyendo en
[30] la varianza de las perturbaciones por su estimador insesgado:

2

( ) ( )
1
X
'
X V

=
2
S

[31]





618
Ejemplo 15.5.g El clculo para los datos de la tabla 15.1 es

= u.u4289 _
S SS 2u
SS 12u S9
2u S9 4u
_
1
= u.u4289 _
u,88S4 u,uSS4 u,u8
u,uSS4 u,uu84 u
u,u8 u u,u2
_
= _
u,uS797 u,uu2S7 u,uuS4S
u,uu2S7 u,uuuS6 u
u,uuS4S u u,uuu86
_
=
I
`
([
`
1
) Co([
`
1
[
`
2
) Co([
`
1
[
`
3
)
Co([
`
2
[
`
1
) I
`
([
`
2
) Co([
`
2
[
`
3
)
Co([
`
3
[
`
1
) Co([
`
3
[
`
2
) I
`
([
`
3
)

Que es la matriz de varianzas y covarianzas de los estimadores
para los datos del ejemplo.


La estimacin anterior es posible demostrarla a partir de la suma
de cuadrado de los residuos ) SCR ( . Esta suma es un escalar que se
puede calcular a partir de
e e' = =

=
T
t
t
e SCR
1
2
[32]
Por [20], X y e

=
Utilizando el resultado de [16]
y X' X) X(X' y e
1
=

Reagrupando trminos en torno a y
y ] X' X) X(X' [I e
M
1
T
4 4 4 3 4 4 4 2 1

=




619
El coeficiente de y se denomina matriz M
My e =
M es una matriz de orden TxT que posee propiedades interesantes
a los efectos de su posterior tratamiento; es idempotente ( ) M M
2
= ,
es simtrica ( ) M M' = y 0 MX = .

Reemplazando y por su igual en [3]
) M(X My e + = = [33]
resolviendo
M MX e + =
Aplicando las propiedades de la matriz M
M e = [34]
Por lo que la suma de cuadrados de los errores ser
M M' ' e e' =
Aplicando las propiedades de simetra e idempotencia se obtiene un
escalar,
M ' e e'
2
=
M ' e e' = [35]




620
Si al escalar definido en [35] se le aplica el operador esperanza
matemtica, se obtiene
) ( E ) ( E M ' e e' =
si a esta igualdad le aplicamos la traza
)] ( tr [ E ) ( E M ' e e' =

Observacin. Sea A, una matriz de mxm, la traza de A se define
como la suma de los elementos de la diagonal principal
tr() = o

1
= o
11
+o
22
++o

En particular,
tr(I
1
) = I
La traza de una matriz tiene las siguientes propiedades:
Sean A y B matrices de mxm
tr(k) = k tr()
tr( +) = tr() +tr()
tr(
i
) = tr()
Si A y B son matrices mxn y nxm, respectivamente, entonces
tr() = tr()

por lo que
)] ' ( tr [ E ) ( E M e e' =



621
Pero la traza de un escalar es igual al mismo escalar
) ' ( trE ) ( E M e e' =
Pero M depende de X que es no estocstica; es decir, M es una
constante, por lo que
[ ] ) ( ) ( ' M e e' E tr E =

Nuevamente, por [7] I(s) = E(ss
i
) = o
s
2
I
1

) I ( tr ) ( E
T
2

M e e' =
De modo que
M e e'

tr ) ( E
2
= [36]

Pero la traza de la matriz M es
] [ ] [
] [ ] [
X X' X) (X' I
X' X) X(X' I M
1
T
1
T

=
=
tr tr
tr tr tr

Esto es as, ya que BA AB tr tr = (en este caso X A = y ( ) X X X B =
1
),
de modo que:
k T tr tr = = ] [ ] [
k T
I I




622
Por consiguiente, en [36]
) k T ( ) ( E =
2

e e' [37]
De donde se observa inmediatamente que:
k T
S

=
e e'
2
, es un
estimador insesgado de
2

.

Con este ltimo punto se concluye con la tarea de especificar y
estimar un modelo por el mtodo de mnimos cuadrados ordinarios,
con todas las propiedades que hacen a esos estimadores lineales,
insesgados y ptimos (ELIO).




15.5. Normalidad de la perturbacin
aleatoria
Se ha admitido, aunque implcitamente, que los datos con que se
trabaja provienen de muestras finitas. Esto es cierto en la mayora
de los casos, aunque para sostenerlo son necesarios supuestos
bastante fuertes, tales como regresores no estocsticos y
distribucin normal de las perturbaciones aleatorias. Vale decir aqu
que, adems de mnimos cuadrados ordinarios existen otros



623
mtodos para estimar el vector de parmetros . Por ejemplo, se
podra aplicar una regresin por cuantiles (separando los valores
ms altos y ms pequeos de las variables explicativas) o una
regresin ortogonal (minimizando la distancia ortogonal a la recta
de ajuste y no la distancia ortogonal respecto a las variables
explicativas). La cuestin de cul estimador hay que elegir
normalmente se basa en las propiedades estadsticas de los
candidatos, tales como insesgadez, eficiencia y precisin. Estos, a
su vez, dependen tambin de la distribucin que se supone que
producen los datos. Es interesante el hecho de que un buen
nmero de propiedades deseables pueden obtenerse para el
estimador ( ) MCO , incluso sin especificar una distribucin particular
para las perturbaciones aleatorias en la regresin. Sin embargo, se
admite -a los efectos de ampliar la discusin- que las
perturbaciones siguen una distribucin normal. Esto es, se incluye
el supuesto adicional de Normalidad y se incorporan algunas
propiedades asintticas.
En forma alternativa se podran calcular los estimadores mximo
verosmiles, de los parmetros del modelo; es decir, aquellos que
son ms probables dada la distribucin de los datos muestrales y
su implicacin sobre la funcin de densidad conjunta.

Para facilitar una posterior comprensin se introduce a
continuacin resultados estadsticos bsicos en forma matricial. En
el modelo lineal general s representa un vector columna de T
variables aleatorias, e
1
, e
2
,, e
1
. El valor esperado de cada variable
es E(e
t
) t = 1, 2, , I.



624
Agrupando estos valores esperados en un vector, se obtiene
E(s) =
l
l
l
l
E(e
1
)
E(e
2
)
E(e
1
)1
1
1
1
|S8]
La aplicacin del operador E (esperanza) al vector s significa que E
se aplica a cada elemento del vector.
La varianza de e
t
es, por definicin de varianza I(e
t
) = E|e
t
E(e
t
)]
2
.
La covarianza entre e
t
y e
s
es E(e
t
, e
s
) = E|e
t
E(e
t
)] |e
s
E(e
s
)]].
Si se define el vector
s E(s) =
l
l
l
l
l
Ee
1
E(e
1
)
Ee
2
E(e
2
)

Ee
1
E(e
1
)
1
1
1
1
1

y se toma E|s E(s)]|s E(s)]
i
] queda E(ss
i
), ya que por el
supuesto del modelo E(s) =
Esto es igual a decir
I(s) = E(ss
i
) = E
l
l
l
l
l
_
e
1
e
2

e
1
_ |
e
1
e
2
e
1
]
1
1
1
1
1

( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
= = =
(
(
(
(
(
(
(
(
(
(

\
|
|

\
|
|

\
|
|

\
|
(
(
(
(
(
(
(

2
T
E
3

T
E
2

T
E
1

T
E

3
E
2
3
E
2

3
E
1

3
E
T

2
E
3

2
E
2
2
E
1

2
E
T

1
E
3

1
E
2

1
E
2
1
E
2
T

2
3

2
2

2
1

E
T
L
O
L
L
L
L
O
L
L
L




625
Teniendo en cuenta las definiciones dadas, los elementos de esta
matriz son las varianzas y covarianzas de las variables e
t
, la cual se
puede representar como:
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
( ) ( ) ( )
= =
(
(
(
(
(
(
(
(
(
(

\
|
|

\
|
|

\
|
|

\
|
T
V
3

T
Cov
2

T
Cov
1

T
Cov
T

3
Cov
3
V
2

3
Cov
1

3
Cov
T

2
Cov
3

2
Cov
2
V
1

2
Cov
T

1
Cov
3

1
Cov
2

1
Cov
1
V
L
O
L
L
L

Las varianzas son los elementos de la diagonal principal y las
covarianzas aquellos que se encuentran fuera de sta diagonal.
Teniendo en cuenta el supuesto 5 (5.a y 5.b) la matriz es igual a:
l
l
l
l
o
s
2
u u
u o
s
2
u

u u o
s
2
1
1
1
1
= o
s
2
_
1 u u
u 1 u

u u 1
_

Esta matriz se conoce como matriz de covarianzas y se simboliza
como
= I(s) = E(ss
i
) = o
s
2
I
1
[39]

Est claro que es simtrica (esto es, ' = ). Adems, es
definida positiva ya que todos sus menores principales son
positivos.



626
Para que sea definida positiva las e deben ser linealmente
independientes. Si se define una variable aleatoria escalar Y como
una combinacin lineal de las e
= |s E(s)]
i
[40]
donde c es un vector columna arbitrario de t elementos no todos
nulos.
Elevando [40] al cuadrado

2
=
i
|s E(s)]|s E(s)]
i

esto es, por ser un escalar de argumento vectorial, su cuadrado se
obtiene premultiplicando por su transpuesta.
Aplicando el operador esperanza, se obtiene
E(
2
) = E
i
|s E(s)]|s E(s)]
i
] =
i
E|s E(s)]|s E(s)]
i
]
por ser c un vector de elementos constantes y s un vector de
variables aleatorias, entonces
c c' Y = ) ( E
2
[41]

Puesto que Y es una variable aleatoria escalar se cumplir que:
0
2
) ( E Y de esta forma, 0 c c' y es semidefinida positiva.

Como se ve, ) ( E
2
Y puede asumir un valor nulo o un valor mayor
que cero. Si asume un valor nulo, se tiene 0
2
= ) ( E Y lo que implica
que 0 = Y
.




627
Observacin. La esperanza matemtica de una constante s es
igual a la constante s, por lo tanto, la esperanza matemtica del
cuadrado de una constante es el mismo cuadrado:
E(s)=s => E(s
2
)=s
2
Si la constante es 0, la esperanza matemtica es 0. De esta
forma:
E(Y
2
)=0 => Y
2
=0 por lo tanto, Y=0


Entonces, |s E(s)]
i
= ; pero como c no es un vector nulo la
nica posibilidad es que |s E(s)] = , lo cual significa que las
desviaciones de s con respecto a su media, esto es |e
1
E(e
1
)], |e
2

E(e
2
)], , |e
1
E(e
1
)], son linealmente dependientes.
De modo que es definida positiva si y solo si entre las no existe
dependencia lineal.


Observacin. Si para un conjunto de parmetros , no todos
nulos, pertenecientes a un campo numrico F tenemos que se
cumple la siguiente combinacin lineal
1
a
1
+
2
a
2
+ ... +
n
a
n

= 0 se dice que los vectores a
1
, a
2
,..., a
n
son linealmente
dependientes dentro de F, salvo que la igualdad se cumpla solo y
solo si todos los
i
(i=1, 2, ...,n) son iguales a cero. Entonces se
dice que los vectores son LI. Esta definicin se aplica tambin
cuando el nmero de vectores es uno, de modo tal que un nico
vector a
1
es independiente si a
1
0 y dependiente si a
1
=0, es
decir, es el vector nulo. En el caso que nosotros analizamos se



628
cumple esta ltima condicin ya que cada variable desvo es nula y
conforma un vector nulo: 0 )' (x x = = ; esto es,[x
1
, x
2
,
...,x
n
]=[(X
1
-
1
), (X
2
-
2
), ...(X
n
-
n
)]=[0, 0, ...,0] donde x
i
es la
variable desvo.


Observacin. Dadas t variables aleatorias cualesquiera, con
alguna funcin de densidad de probabilidad multivariante
p(x) = p(X
1
, X
2
, , X
t
)
Con E(x) = p y I(x) =
La funcin de densidad de probabilidad ms importante es la
normal multivariante que, al igual que la univariante, queda
especificada una vez que se conoce su media y su varianza. En
este caso se puede especificar en trminos del vector de medias

y de su matriz de varianzas y covarianzas . De este modo la

frmula es:
p(X) =
1
(2n)
1 2
| |
2

j
1
2
(x)
|

-1
(x)[
|42]
donde:
es una matriz simtrica, definida positiva, cuyos elementos o
ts

son parmetros

es un vector tx1, cuyos elementos p

t
son parmetros.
p = _
p
1
p
2

p
t
_
Una forma compacta de escribir [42] es
) ; ( N ~ x




629
es decir, el vector x de variables X
t
se distribuye segn una ley
normal multivariante con vector de medias

y matriz de
varianzas y covarianzas .

Casos especiales
a) Cuando t=1,
2 2
1
2
1 1 1 1 1 1 11
= = = = = ] ) X [( E )] X )( X [( E

[43]
y [42] se transforma en
] [
2
2
2
1
2 1
2
1
) (x
/
e
) (
) X ( p

=


[44]
que es la conocida funcin de densidad para una normal
univariante.

b) La forma cuadrtica de la normal multivariante se define
como
) (x )' (x
1
=

Q
[45]
Es una forma cuadrtica en los elementos X
t
p
t
, y puede
escribirse as:
=
(X
t
p
t
)(X
s
p
s
)
o
ts
1
t1
S
s1
|46]
Como qued demostrado la matriz de la forma cuadrtica,

,
es definida positiva por lo que la forma cuadrtica tambin lo
es. Un resultado inmediato de esto es que 0 ) > (x p , puesto



630
que el determinante de una matriz definida positiva es
positivo, 0 > . Esto basta para probar que [42] satisface una
de las propiedades que la califican como funcin de densidad.
La otra propiedad que deberamos probar es que

=1 ) (x p L .
Cuestin que se cumple pero que no demostraremos aqu.

c) Un caso especialmente importante de [42] se da cuando
todas las X tienen la misma varianza
2
y no estn
correlacionadas entre s (lo que es lo mismo decir que son
estadsticamente independientes). Para que esto ocurra
debe ser una matriz diagonal, como es el caso de la matriz
de varianzas y covarianzas de la variable s
= o
s
2
I
1
=
l
l
l
l
o
s
2
u u
u o
s
2
u

u u o
s
2
1
1
1
1
[47]
Esta matriz tiene las siguientes particularidades
| | = o
s
21

| |
12
= (o
s
21
)
12
= (o
s
2
)
12

||
1
=
1
o
s
2
I

con lo que
p(s) =
1
(2no
2
)
t2

_
1
2c
s
2
sis_
|48]

La ecuacin [48] se puede factorizar de la siguiente forma:



631
p(s) = p(e
1
, e
2
, , e
1
) = __
1
(2no
2
)
1
2

1
2c
2
|s
t
L(s
t
)]
_
1
t1

= p(e
1
)p(e
2
) p(e
1
) |49]

de modo que la densidad multivariante es el producto de
cada una de las densidades marginales; es decir, las e se
distribuyen independientemente unas de otras. Este
resultado es de gran importancia; si los coeficientes de
correlacin entre variables que se distribuyen normalmente
son cero entonces las variables son estadsticamente
independientes.
No se puede generalizar este resultado a cualquier tipo de
distribucin y deber tenerse presente que las correlaciones
que deben ser cero son las poblacionales y no las muestrales.


Ejemplo 15.6 Dada una matriz de 3x3
(
(
(

=
33
22
11
0 0
0 0
0 0

B

Donde:
3 es el nmero de variables
o
11
= o
22
= o
33
= o
2

j i ,
ij
= 0 , lo cual indica que el coeficiente de correlacin
ij
es
cero cuando j i .



632

El determinante es
=
n
B
* 2

6 3 * 2 2 2 2
33 22 11
B = = = =


La inversa es
I

B
2
1
1
=

Para el clculo se utilizar el mtodo de la matriz adjunta, por el
cual
) (
1
1
B Adj
B
B =

AJ](B) = |Co(B)]
i
= |1
+]
H
+]
B
]
i
=
(o
s
2
)
2
u u
u (o
s
2
)
2
u
u u (o
s
2
)
2
= o
s
2
I

De modo que:
B
1
=
1
o
s
6
o
s
4
I =
1
o
s
2
I
Quedan demostradas las particularidades que tiene la matriz


Recordando la hiptesis de normalidad en la distribucin de la
perturbacin aleatoria dada en [6]
) , ( N ~
T
I 0

2




633
Es decir, el vector de perturbaciones aleatorias tiene una
distribucin normal multivariante, dada por [48], donde:
T
I

2
es una matriz escalar, definida positiva, cuyos elementos
2

son constantes.
Si se recuerda la definicin de la distribucin normal multivariante,
se observa que en este caso todas las variables tienen la misma
varianza
2
y no estn correlacionadas entre s (lo que es lo
mismo decir que son estadsticamente independientes). Para que
esto ocurra debe ser una matriz diagonal, esto es
(
(
(
(

= =
TT

L
M O M M
L
L
0 0
0 0
0 0
22
11
I
2

Con las siguientes propiedades
-
2
22 11
= = = =
TT
L

- j i ,
ij
= 0 . Esto ocurre si y solamente si el
coeficiente de correlacin
ij
es cero cuando
j i
.
- ( ) ( ) I
1
2
2
2
2 1
2
2 1
2
1

= = = =

y ;
/ T /
T
/
T
, con lo que
se obtiene la funcin mostrada.

Por tanto, los elementos del vector , se distribuyen independiente
y conjuntamente segn una ley normal multivariante con vector de
medias 0y matriz de covarianzas
T
I

2
.



634

15.6. Criterio de mxima verosimilitud
En general, las propiedades asintticas del estimador mximo-
verosmil son muy atractivas en casos en los que es imposible
encontrar estimadores con buenas propiedades para muestras
finitas, situacin esta que se produce frecuentemente en la
prctica.
Para ello, si se supone que las perturbaciones aleatorias siguen una
distribucin normal multivariante como la expuesta en [48]
]
2
1
exp[ ) ( ) ( ) ( f
/ T / T
'

2
2 2 2
2

=


La funcin de verosimilitud, para los valores muestrales,
expresando X y = y denominando
MV

al vector de estimadores
mximo verosmiles, es
] ) y (
2
1
exp[ ) ( L
T
t
t
/ T

=
1
2
2
2 2
2 X
'
t

)] )'
2
1
exp[ ) ( L
/ T
X (y X (y

=

2
2 2
2

[50]

Observacin. La transformacin X
'
t t t
y = es posible ya que
el jacobino para cada observacin,
t t
y

es igual a la unidad.
Ante una transformacin de variables se aplica la solucin
estadstica de cambio de variable.



635
Mediante un cambio de variable se puede resolver, totalmente o
en parte, un buen nmero de problemas importantes en la teora
estadstica. Los cambios de variables pueden ser simples cambios
de localizacin o escala o pueden ser transformaciones
ortogonales.
En este caso se tiene una variable aleatoria con
comportamiento aleatorio conocido, esto es, con densidad ) ( f
conocida, y se necesita determinar el comportamiento aleatorio o
la densidad ) ( g y , de una variable aleatoria y cuya relacin con
est dada por una funcin conocida ) ( y = . En este caso en
particular, esa funcin es
t
'
t t
y + = X


Se encuentra que
( )
) ( M e d ) ( f e ) ( M
t
t

X X
X
'
t
'
t
'
t
= =

+
+


As, la funcin generatriz de momentos de y se determina en
trminos de la funcin generatriz de momentos de , y el
problema de los momentos de y queda resuelto.

En el caso que se est analizando, afortunadamente, se resuelve
en forma sencilla, ya que
I ' X y X y y V
X X X y E
2
= = =
= + = + =
) ( E )' )( [( E ) (
) ( E ) ( E ) (

Que es la frmula utilizada en la funcin de verosimilitud.




636
Por otra parte, ante un cambio de variable ) ( y = donde la
funcin de densidad de es ) ( f , la funcin de densidad y se
calcula como:
t
t
t
t
t
y
) y (
) y ( f
y
) ( f ) y ( J ) ( f ) y ( g

= =
X
X
'
t '
t

Donde [(Y) es el Jacobino de la transformacin, determinante
definido sobre la matriz de derivadas parciales de respecto a y .
En este caso [(Y) = 1 y por lo tanto g(Y) = (s); lo que implica que
la variable endgena Y est independiente e idnticamente
distribuida como una normal multivariada, de la siguiente forma:
y~N(X; o
c
2
I
1
)

Para maximizar la funcin de verosimilitud con respecto a , es
necesario maximizar el exponente o minimizar la suma de
cuadrados. Tomando logaritmos se obtiene el logaritmo de la
funcin de verosimilitud
) )'
2
1
ln
T
ln
T
L ln X (y X (y

=
2
2
2
2
2


Aplicando las condiciones, de primer orden, de mximo respecto
a los parmetros desconocidos, se tiene
0 X (y X

= =

) '
2
1 L ln
2

0 ) )' (
2 2
T L ln
= +

X (y X y

4 2 2
1





637
Resolviendo el sistema y remplazando los parmetros por sus
estimadores, se obtiene
( )
MCO
'
1
'
MV
y X X X

= =


2 2
S
T

MV
=
e e'


Condiciones de segundo orden
Para ver si se trata de un mximo, se aplican las condiciones de
segundo orden,
2 2
2
2

X X' X X'



=

|
|

\
|
=

'
L ln
'
L ln
E - con
0
2
2
4 2
2
=

|
|
|

\
|
=

L ln ' L ln
E - con
( )
2
2
2
2
4 6 4 2
2
2

T ) '
L ln
;
2
T '
2
T L ln
= =
|

\
|

|
|
|
|

\
|
=

E( que ya E con

Se puede demostrar que la matriz de derivadas segundas
(
(
(
(

=
(
(
(
(

6 4 4
4 2
2 2
2
2
2
2
2
2
2
2
1




X'
X'
X X'

'

' T
) (
) (
L ln L ln
L ln L ln




638
Constituyen una forma cuadrtica definida negativa, condicin
suficiente para la existencia de un mximo, porque
0
1
2
< ) ( X X'

0
2
) (
2
) (
1
2
4 6 4 2
6 4 4
4 2
>
|
|

\
|

(

=





X' ' X X'
' X'
X'
X X'


T
T


Por otra parte, la matriz de informacin es
(
(
(
(

=
|
|

\
|
4
2
2
2
1

0
0 X X'

T
) (

Y su inversa
(
(
(

=
|
|

\
|

T
) (
4
1 2
2
1
2

0
0 X X'

Los trminos que estn fuera de la diagonal principal son iguales a
cero e indican que y
2

se distribuyen independientemente.

Cabe aclarar que el estimador de mxima verosimilitud tiene
varianza sesgada, pero goza de todas las propiedades asintticas
deseables. Es consistente, posee normalidad y eficiencia asinttica,



639
es invariante y su gradiente tiene media nula y varianza igual a la
cota de Cramer Rao para estimaciones eficientes.
La cota de Cramer Rao se obtuvo al hacer la inversa de la matriz
de informacin
(
(
(

=
|
|

\
|

T
) (
4
1 2
2
1
2

0
0 X X'

Ningn otro estimador con normalidad y consistencia asinttica
tiene una matriz de varianzas y covarianzas menor que esta.
Se dijo que los estimadores mximos verosmiles son tambin
invariantes. Esto significa que el estimador mximo verosmil de
cualquier funcin continua de es esta funcin del estimador
mximo verosmil. Es decir, mientras que con el teorema de Gauss
Markov se afirma que el estimador lineal insesgado ms eficiente
de es

MCO
, ahora se tiene un resultado asintticamente ms
significativo; ya que, el estimador ms eficiente de ) ( g , donde
) ( g es cualquier conjunto de funciones continuas, es )

( g
MV
.

Anlisis del sesgo
A pesar de tener una varianza estimada sesgada, sta solo difiere
de
2
S por el factor
T
k
, ya que el estimador de mxima
verosimilitud esta sesgado hacia cero. Esto se observa a
continuacin



640
2 2 2 2
1 < |

\
|
=

=
T
k
T
) k T (
) ( E
MV

Pero el factor
T
k
desaparece en muestras grandes.

Asimismo, es posible verificar la equivalencia entre ambos
estimadores, aunque sea asintticamente. A partir de lo analizado,
se sabe que es posible, teniendo en cuenta la inversa de la matriz
de informacin y la
2 2
= ) S ( E , escribir
( )
4 2 2 2 1
2 0 , N ) ( T
k
d
MV
/

Donde ) ( T
MV
/ 2 2 2 1
es una variable que representa
convenientemente la diferencia de medias de los dos estimadores
de la varianza y que, tomando esperanza matemtica y varianza
sobre la misma, cuando T , la media tiende a cero y la varianza
a
4
2 . Tomando esperanza matemtica,
T
k
]
T
k
[ T ] )
T
k
[( T
)] ( E ) ( E [ T ) ( E T )] ( T [ E
/ /
MV
/
MV
/
MV
/
2 2
2 1 2 2 2 1
2 2 2 1 2 2 2 1 2 2 2 1
1



= = =
= = =

Calculando la varianza de la variable, se tiene
4
4
2 2 2 2 2 2 1 2 2 2 1
2 2

= =
= = =
]
T
[ T
)] ( V ) ( V [ T ) ( V ) T ( )] ( T [ V
MV MV
/
MV
/

Entonces, cuando T ; ( )
4 2 2 2 1
2 0 , N ) ( T
k MV
/




641
Definiendo ahora,
2
2 1
2 2 2 1
1
/
MV
/
T
T
k
) ( T
T
k
z + |

\
|
= ,

Observacin.
T
z representa una variable centrada y corregida
por el sesgo
|

\
|

T
k
1 y donde se ha utilizado la deduccin anterior
de esperanza matemtica para centrarla.
De lo cual se puede deducir que la distribucin lmite de
T
z es,
( )
2
2 1
4
2 0 1
/
k
T
k
, N
T
k
+ |

\
|


Pero,
2 1/
T
k
T
k
y |

\
|
desaparecen a medida que T , por lo que la
distribucin lmite de
T
z tambin es ( )
4
2 0 , N
k
.
Por otra parte, se puede demostrar que centrando
convenientemente la variable
2
S , se obtiene
) S ( T z
/
T
2 2 2 1
= ) , ( N ~
k
4
2 0

Por lo que la distribucin asinttica de
2
S es la misma que la del
estimador de mxima verosimilitud.

El valor de la funcin de verosimilitud
Sustituyendo los valores estimados mximo verosmiles en la
funcin logartmica y tomando antilogaritmos, se obtiene el
mximo de la funcin de verosimilitud



642
e e'
e e'
e e'

2
T
T
ln
T
ln
T
) ,

( L ln =
2
2
2
2

2
T
T
ln
T
ln
T
) ,

( L ln =
e e'

2
2
2
2

2
2
2
2
2
T
T
T
e
T
) ( ) ,

( L

\
|
=
e e'

2
2
2
2
T
T
T
) e ( ) ,

( L

\
|
=
e e'

( ) 2
2
2
2
T
T
T
e
) ,

( L

\
|
= e e'


( ) 2
2
T
constante ) ,

( L

= e e'
Donde la constante no depende de ninguno de los parmetros del
modelo. La misma depende de las constantes matemticas e y .








643
CASOS DE ESTUDIO, PREGUNTAS Y
PROBLEMAS

Caso 15.1: Correlacin de muestras
La siguiente tabla proporciona los valores de las medias y las
desviaciones estndar de dos variables X e Y, y la correlacin de
ellas para cada una de las submuestras. Calcular la correlacin
entre X e Y para la muestra compuesta obtenida juntando las dos
submuestras. Porqu dicha correlacin es menor que cualquiera
de las correlaciones que pudieran existir en las submuestras?
Muestra
Nmero de
muestras
X

Y
X
s

Y
s

XY
r

1 600 5 12 2 3 0.6
2 400 7 10 3 4 0.7



Caso 15.2: Estimacin de parmetros
Una muestra de 20 observaciones correspondiente al modelo
+ + = X Y
en el que las perturbaciones se hallan distribuidas normal e
independientemente con media cero y varianza constante, ofrece
los siguientes datos:



644
= 21.9
`

2
= 86.9 (X X

)(

) = 86.9
X = 186.2 X X
`

2
= 21S.4
a) Estimar y
b) Calcular sus errores estndar.



Caso 15.3: Consumo de cerveza y mortalidad infantil
Un investigador se muestra interesado en las dos series siguientes,
definidas para el periodo comprendido entre 1935 y 1946.
Ao 35 36 37 38 39 40 41 42 43 44 45 46
X, muerte de nios
menores de 1 ao
(000)
60 62 61 55 53 60 63 53 52 48 49 43
Y, consumo de
cerveza (barriles)
23 23 25 25 26 26 29 30 30 32 33 31

a) Calcular el coeficiente de correlacin entre X e Y.
b) Ajustar a X (o Y) una tendencia temporal lineal calculando
una regresin MCO de X (o Y) sobre el tiempo t. El
procedimiento requiere elegir un origen y una unidad de
medida para la variable t. Por ejemplo, estableciendo el
origen en la mitad de 1935 y tomando como unidad de
medida un ao, al ao 1942 le corresponder el valor t=7, y
as sucesivamente para los dems aos. Si el origen se sita



645
a finales de 1940 (principios de 1941) y la unidad de medida
es 6 meses, entonces al ao 1933 le corresponder el valor
t=-7. Demostrar que cualquier tendencia calculada mediante
bt a X
t
+ = no queda afectada por la eleccin del origen y la
unidad de medida.
c) Suponer que
t X
e
,
y
t Y
e
,
indican los residuos de X e Y respecto
a sus valores tendenciales. Calcular los coeficientes de
correlacin entre
t X
e
,
y
t Y
e
,
. Comparar dicho valor con el
obtenido en el apartado a) y comentar la justificacin de
tales diferencias.



Caso 15.4: Primeros pasos en Eviews
Eviews 6 es un software de la empresa Quantitative Micro Software
(http://www.eviews.com/) orientado al anlisis economtrico.
Conjuntamente con STATA, es uno de los paquetes disponibles en
la actualidad ms usados y ms. A diferencia de otros programas
conocidos como SAS o SPSS -que se orientan al anlisis estadstico
general- Eviews se especializa en econometra, tanto de series de
tiempo como de corte transversal y datos de panel.
Posee la ventaja de contar con una interface grfica, de modo que
resulta mucho ms intuitivo que otras alternativas; pero tambin
cuenta con el potencial de un entorno programable para usuarios
avanzados, como son S o R (versin freeware de S). Una
alternativa freeware a Eviews es gretl, un paquete economtrico
con interface usuario grfica (http://gretl.sourceforge.
net/gretl_espanol.html).



646
En el escritorio de la PC,
seguramente se encuentra un
icono como el de la figura, y
tras abrirlo, una ventana con
fondo grisceo sin ms
detalles. Se comenzar
utilizando datos de la Tabla
15.1 del Ejemplo 15.5.a.

Icono y ventana inicial de Eviews 6

Creando Workfile.
El archivo base con el cual trabaja este programa es el workfile
(fichero de trabajo) que se crea desde el men File > New >
workfile... (archivo>nuevo>fichero de trabajo). En primer lugar se
abre la ventana Worfile create donde se debe especificar la
estructura del archivo.
Las opciones disponibles son: (1) Unstructured / Undated
(Desestructurado / No Fechado) que se utiliza en caso de datos que
no se corresponden con observaciones en el tiempo regulares los
datos del ejemplo, existentes en tabla 15.1, no se corresponden

Creacin de un nuevo archivo

con algn perodo de
tiempo-; (2) Dated -
Regular Frecuency
(Fechado Frecuencia
Regular) para tabla de
datos donde las unidades
de observacin se
corresponden con



647
unidades regulares de tiempo -como aos, trimestres, meses, etc.,
se debe especificar la frecuencia, start date (fecha inicial) y end
date (Fecha final)-; y (3) Balanced Panel (Panel Balanceado)
cuando para cada individuo observado se dispone de series de
tiempo de igual longitud, tal que deben especificarse frecuencia,
fecha inicial, fecha final y nmero de cross-section (secciones
cruzadas).
Puesto que en la Tabla 15.1 ( ) 5 ,..., 2 , 1 = i , en Data Range (Rango de
datos) se indica 5 observaciones. Tambin es posible, aunque no
es necesario, indicar el nombre de archivo en WF y el nombre de
hoja (como en Excel) en Page.

Cargando datos
Para cargar los datos en el archivo creado existen dos maneras
diferentes: (1) importando desde una aplicacin externa, como
puede ser Microsoft

Excel, o (2) tipeando directamente en Eviews.

Tabla de Datos en Excel

El primero de los mtodos
consiste en utilizar una
planilla de clculo para
cargar los datos que luego
se guardan con alguna de las
siguientes extensiones: *.xls
(Excel 97-2003), *.wks
(Lotus), otros
archivos de texto ASCII como *.txt y *.cvs. Una vez confeccionada
la Tabla 15.1 y guardada con el nombre tabla15_1.xls, hay que



648
asegurarse de cerrarla y de que ningn programa la est
utilizando.
En Eviews, desde el men File > Import > Read Text-Lotus-Excel
(Archivo > Importar > Leer Texto-Lotus-Excel) se abre el cuadro
de dilogo para encontrar la ubicacin del archivo con la tabla.
Primero, hay que indicarle al programa como estn ubicados los
datos en el archivo. En el caso de la tabla 15.1 las filas son las
observaciones, por lo que se marca la opcin By Observation
series in columns. En Upper-left data cell, hay que indicar la celda
a partir de la cual comienzan los datos propiamente dichos, o sea
la celda B2, pues la columna A contiene rtulos de observaciones, y
la Fila 1 los rtulos para las variables. En names for series or
number if named in file hay que detallar el nombre de las series de
la tabla o bien, si deseamos que el programa importe los nombres
originales, indicar cuantas variables contiene la tabla. Para este
ejercicio se puede escribir vdep vind1 vind2 para renombrar a Y,
X1, X2 respectivamente.

Si se han realizado bien todos los pasos, el workfile debera
contener cinco observaciones y tres variables: vind1, vind2, vdep;
adems de reservar el espacio para el vector de coeficientes
estimados (c) y la serie de los residuos (resid). Una vez importados



649
los datos, es posible verificarlos seleccionado los conos de las
variables, clickeando con el botn derecho del mouse y eligiendo
Open > as group.
El segundo mtodo para
incluir datos consiste en
generar series mediante el
men Object > New Object.
Se debe especificar Type of
Object: Series y un nombre.
Una vez generados los objetos
se abren en grupo o
individualmente, presionando
Edit +/- es posible tipear los
datos como si fuera un planilla
de clculo normal.

Cuadro de Dialogo Crear Series
Trabajando con los Datos
Los Grupos abiertos pueden guardarse con un nombre para
encontrarlos fcilmente despus. Basta con seleccionar el botn
Name y escribir el nombre deseado. Otras herramientas
importantes con las que pueden trabajar dentro de la ventana del
grupo se encuentran en el men View. As en Group Members
obtienen el listado de variables que observan:
Edit series expressions below this line -- ' UpdateGroup'
applies edits to Group.
VIND1
VIND2
VDEP



650
La opcin Spreadsheet les permite volver a la planilla con los datos.
La opcin Graph les permite graficar los datos en un gran nmero
de formas diferentes; pueden elegir el tipo de grfico en la primera
pestaa del cuadro de dilogo y pueden cambiar el aspecto del
grfico en las pestaas restantes. Como ejemplo, dado que los
datos no tienen estructura temporal puede preferirse verlos en
forma de barras y no como curvas; para esto se elige General:
Basic Graph, luego Specific: Bar y, para visualizar las tres series
en un mismo grfico, luego Multiple Series: Single Graph.

Graficando Series
Otra herramienta importante -que se debe utilizar cuando se
comienza a trabajar con los datos- son las estadsticas descriptivas.
Haciendo View > Descriptive Stats > Common Sample (muestra
comn) el programa genera una tabla con las estadsticas para
cada variable: Media (mean), mediana (median), mximo
(mximum), mnimo (mnimum), desviacin estndar (std. Dev.),
asimetra (skewness), el estadstico Kurtosis, Jarque Bera con su
probabilidad, la suma y la suma de desvos cuadrticos (sum sq.
Dev).



651
Tambin pueden efectuar Anlisis de Covarianza (Covariance
Analysis), el que les permite visualizar la matriz de covarianzas, la
matriz de correlacin y asociar a estas la matriz de pruebas t para
hiptesis de covarianza nula o independencia. Otro tipo de pruebas
de hiptesis son los test de igualdad (test equality) para medias,
medianas y varianzas a los que acceden a travs del men View.

Anlisis de Regresin
Para realizar una explicacin del comportamiento de la variable
dependiente se especifica el siguiente modelo
IJp

= [
1
+ [
2
IinJ1

+ [
3
IinJ2

+ e

1,2, ,S
El valor de los parmetros de la Regresin se obtiene desde el
men Quick > Estimate Equation, en el cuadro de dilogo se
especifica la estimacin escribiendo
vdep c vind1 vind2
El trmino c indica que se debe calcular la constante de la
regresin; si hubiera ms variables explicativas, se consignan a
continuacin. En Estimation settings se elige Last Square (Mnimos
Cuadrados) y en Sample (muestra) se escribe 1 5, es decir desde
la observacin 1 a la 5. Una vez que se acepta esta configuracin
se obtiene la Salida de la Estimacin (Estimation Output).
El primer grupo de elementos de la salida indica la variable a
explicar, el mtodo empleado, la muestra considerada y la cantidad
total de observaciones consideradas; este ltimo dato podra se



652
menor que el tamao de muestra pues podran faltar datos o
establecerse una especificacin del modelo a estimar que
imposibilitara utilizar todas las observaciones.
Cuadro de Dialogo Estimar ecuacin y Salida de la Regresin.
El segundo grupo contiene la estimacin de los coeficientes, sus
errores estndar y la prueba t con la significatividad
correspondiente.
El tercer grupo de informacin
contiene estadsticos tiles
para evaluar la bondad del
ajuste de la regresin, la
significatividad conjunta y la
calidad de la estimacin en
cuanto al cumplimiento de los
supuestos bsicos del modelo
lineal general.

Grfico de la Variable, su estimacin y
los errores




653
Finalmente, desde esta misma ventana de estimacin pueden
plotearse grficos para la variable dependiente, los valores
estimados y los errores de estimacin. Para ello se selecciona el
men View > Actual, Fitted, Residual > Actual, Fitted, Residual
graph (grfico real, estimado, y de residuos). Desde el mismo
men View se accede a los test y pruebas de hiptesis sobre el
modelo estimado que se estudiar a lo largo de la materia.

Actividades Propuestas
a) Realice todos los pasos comentados anteriormente para
familiarizarse con el manejo del software.
b) Compare la informacin de la salida de la estimacin, con los
resultados obtenidos a lo largo del Captulo 15 en relacin al
ejemplo 15.5.
c) Interprete, con los conocimientos ya aprendidos y los que
recuerda de Inferencia Estadstica, el significado de la
informacin contenida en la salida.
d) Localice en la Salida el estadstico
e e' = =

=
T
t
t
e SCR
1
2

e) Repitiendo los pasos explicados en este caso, seleccione un
modelo econmico con el que haya trabajado tericamente,
especifique el modelo economtrico, busque los datos y
estime un modelo de regresin lineal.





654
Bibliografa
Chiang, Alpha. Mtodos Fundamentales De Economa Matemtica.
Mxico: McGraw Hill, 1987.
Gujarati, Damodar. Econometra. Mxico: Mc.Graw Hill, 2004.
Johnston, J. y Dinardo, J. Mtodos De Econometra. Barcelona:
Editorial Vicens Vives, 2001.
Pulido San Romn, Antonio. Modelos Economtricos. Madrid: Editorial
Pirmide, 1993.