Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Apuntes de Econometria
Apuntes de Econometria
APUNTES
ECONOMETRA
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Tema 1 Modelizacin y Datos Economtricos
Concepto de Modelo Economtrico
Concepto de
Econometra
La Econometra se basa en el desarrollo de mtodos estadsticos destinados a estimar las
relaciones econmicas.
La Econometra se centra en los problemas inherentes a la recopilacin y al anlisis de datos
econmicos no experimentales.
La Econometra es una rama de la Estadstica basada en el planteamiento de modelos que
relacionen variables econmicas.
Uno de los objetivos principales de la Econometra es realizar anlisis causal, que permite
determinar los efectos de ciertas polticas; y caracterizar y cuantificar la relacin de
comportamiento entre variables econmicas.
Componentes
del modelo
economtrico
Las variables:
1. Variables observacionales: Son aquellas que se pueden medir.
a) Variable Dependiente: Es aquella que tratamos de explicar.
b) Variable Independiente: Es aquella que explica o causa a la variable dependiente.
Dicho de otra forma, la variable dependiente estar causada por las variables
independientes.
y x
Variable dependiente Variable independiente
Variable explicada Variable explicativa
Variable respuesta Variable de control
Variable predicha Variable predictor
Regresando Regresor
2. Variables no observacionales: Son aquellas que no se pueden medir por estar contenidas
en el trmino de error.
Los Parmetros: Si estn contenidos en la ecuacin del modelo, se llamarn parmetros
estructurales.
Los Datos:
1. Datos de Seccin Cruzada o Corte Transversal:
a) Definicin: Son conjuntos de observaciones de una o ms variables medidas en
distintas unidades econmicas.
b) Ejemplo: Salario de un grupo de trabajadores de una empresa; Ventas de un
conjunto de empresas en 2009, etc.
2. Datos de Serie Temporal:
a) Definicin: Son conjuntos de observaciones de una o ms variables medidas a lo
largo del tiempo en perodos regulares.
b) Ejemplos: El IPC mensual, el crecimiento del PIB trimestral,etc.
3. Datos de Panel:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
a) Definicin: Son conjunto de observaciones de una co ms variables medidas en
distintas unidades econmicas, en dos perodos distintos de tiempo, entre los que
se produce un cambio estructural.
b) Ejemplo: Medimos el precio de un conjunto de viviendas antes y despus de
construir un verdadero prximo.
Propiedades de las Esperanzas, Covarianzas ,Varianzas, Sumatorios y Lmites Probabilsticos
Propiedades de
las Esperanzas
Propiedades de
las Varianzas
Propiedades de
las
Covarianzas
Propiedades de
los Sumatorios
La suma del producto de una constante por una variable, es igual a k veces la sumatoria de la
variable.
El sumatorio hasta N de una constante, es igual a N veces la constante.
El sumatorio de una suma es igual a la suma de las sumatorias de cada trmino.
El sumatorio de un producto no es igual al producto de las sumatorias de cada trmino.
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
El sumatorio de los cuadrados de los valores de una variable no es igual a la sumatoria de la
variable elevado al cuadrado.
Aplicacin de las propiedades de los Sumatorios:
1. Clculo de la Varianza de X:
2. Clculo de la Covarianza entre X e Y:
Propiedades de
Lmites
Probabilsticos
El lmite probabilstico de un constante es igual al constante.
El lmite probabilstico del producto de un constante por una variable es igual al constante por el
lmite probabiltico de la variable.
El lmite probabilstico de una suma o resta de dos variables es igual a la suma o resta de lmites
probabilsticos de las dos variables.
El lmite probabilstico de un producto entre dos variables es igual al producto de los lmites
probabilsticos de las dos variables.
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
El lmite probabilstico de un cociente entre dos variables es igual al cociente de los lmites
probabilsticos de las dos variables.
Concepto de Esperanza Condicionada y Causalidad CETERIS PARIBUS
Introduccin El objetivo de los modelos economtricos es predecir Y en funcin de X.
Dando por hecho que entr ambas variables existe una relacin de causalidad, es decir, que Y est
causada por X puede demostrarse que la mejor prediccin de Y en funcin de X es la Esperanza
de Y condicionada a X, E(Y/X), o Esperanza Condicional. Tambin se le conoce como Funcin
de Regresin Poblacional.
Efecto Causal El objetivo de los economistas es inferir si una variable tiene un efecto causal sobre otras
variables.
Para obtener este efecto causal, debemos aislar el efecto de las otras variables influyentes en el
salario.
Esto es lo que se conoce como causalidad CETERIS PARIBUS, es decir, mantenemos constantes
el resto de variables influyentes en Y.
Propiedades de
las Esperanzas
Condicionadas
Suponemos que Z=g(X)
Suponemos que Z=a+bX+cY
Ley de Esperanzas Iteradas:
Descomposicin de la Varianza Marginal:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Tema 2 Modelo de Regresin Lineal Simple
Concepto y Tipos de Prediccin
Concepto El objetivo del Modelo de Regresin Lineal Simple es predecir la variable dependiente Y,
utilizando la informacin de la variable independiente X.
El concepto de prediccin consiste en elaborar una prediccin c(X), al ser una funcin de x.
Evidentemente cometeremos un error de prediccin (u), que ser la diferencia entre el valor real
de Y y nuestra prediccin c(X):
Como el error de prediccin (u) puede ser positivo, negativo o nulo, para asegurarnos de que
siempre obtengamos magnitudes positivas, definimos el Error Cuadrtico Medio de la Prediccin
ECM (u):
Nuestro objetivo es encontrar la prediccin c(X) que haga que el ECM (u) sea mnimo.
Tipos de
Prediccin
Mejor Prediccin Constante:
a) Supuesto: No conocemos la informacin de la variable X y la funcin c(X)=c
b) Minimizando esta funcin, obtenemos la mejor prediccin constante de la variable Y.
c) Predictor: La media poblacional es el mejor predictor constante de la variable Y.
Mejor Prediccin Lineal:
a) Supuesto: Conocemos la variable X para predecir la variable Y, y la funcin c(X) es de tipo
lineal, de tal manera que
b) Minimizando este error cuadrtico medio, obtenemos la mejor prediccin lineal, y la
llamamos Proyeccin Lineal de Y/X o Predictor Lineal ptimo de Y/X.
La Mejor Prediccin:
a) Supuesto: Conocemos la variable X antes de hacer la prediccin de la variable Y. En este caso,
la funcin c(X) puede ser lineal o no lineal, pero en general es desconocida.
b) Minimizando esta funcin, obtenemos la mejor prediccin de la variable Y, que ser la
Esperanza de Y condicionada a X, E(Y/X), o Funcin de Esperanza Condicional.
c) Si E(Y/X) es Lineal, entonces coincidir con la proyeccin lineal:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
d) Si E(Y/X) no es lineal, entonces no coincidir con la proyeccin lineal.
Supuestos del Modelo de Regresin Lineal Simple
Linealidad en
los Parmetros
del Modelo
Esto quiere decir, que el modelo ser lineal si los parmetros (
son lineales.
Por lo tanto, un modelo puede no ser lineal en variables, pero s lo es en permetros, se
considerar que cumple este supuesto.
Suponemos que , donde es el trmino de error o peturbacin, y es una variable
aleatoria que recoge el efecto de las variables explicativas no incluidas en el modelo.
Implicaciones del Supuesto:
1. Se cumple que .
2. La , Incorrelacin entre X y , tambin se puede decir que X es exgeno.
3. La funcin de Esperanza condicional ser lineal, es decir,
Homocedastici
dad
Supone que la Varianza Condicionada del Error es Constante e igual a
Implicaciones del Supuesto:
1.
2.
Estimacin del Modelo: Mnimos Cuadrados Ordinarios
Principio de
Analoga
Las expresiones que se cumplen en trminos muestrales tambin se cumplirn en trminos
poblacionales (y viceversa).
POBLACIONAL MUESTRAL
Condiciones de
Primer Orden
para las
Estimaciones
MCO
Las condiciones de primer orden para las estimaciones MCO es una expresin que viene del
clculo de optimizacin.
La expresin Mnimos Cuadrados Ordinarios viene del hecho de que estos valores estimados
minimizan la suma de los cuadrados de los residuos.
Minimizar la Suma de los Cuadrados de los Residuos:
Dado que
, por lo que
Nuestro objetivo es minimizar la suma de los residuos al cuadrado, es decir:
Una condicin necesaria para que
Por lo tanto observamos que para que
, y para que
.
Y estas dos condiciones son las dos implicaciones de uno de los supuestos del MRLS:
y .
Propiedades
Algebraicas de
los
Estimadores
MCO
La suma, y por lo tanto, la media muestral de los residuos MCO es nula:
Esta propiedad deriva directamente de la condicin de primer orden de los MCO.
La Covarianza muestral entre los regresores y los residuos MCO es nula:
El punto siempre est sobre la recta de regresin MCO, es decir
Aplicando las propiedades anteriores, observamos que , y dado que , por lo
tanto,
.
Estimacin de
la varianza del
error
Distincin entre los errores y los residuos:
Los errores nunca son observables, y aparecen en la ecuacin que contiene los parmetros
poblacionales:
Los residuos se calculan a partir de los datos, y aparecen en la ecuacin estimada:
Estimacin de la varianza del error:
Luego, un estimador de
sera:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Sin embargo, este estimador tiene un sesgo, porque no considera las restricciones que los residuos
MCO deben satisfacer. Estas restricciones vienen dadas por las dos condiciones de primer orden
del estimador MCO:
.
Un estimador insesgado de
sera:
Propiedades de los Estimadores MCO
Teorema de
Gauss-Markov
De entre todos los estimadores, los estimadores MCO son lineales, insesgados y tienen varianza
mnima, es decir, que son ptimos.
Linealidad Significa que
Insesgadez Decimos que un estimador es insesgado o centrado cuando su esperanza es igual al parmetro que
estimamos.
Varianza
mnima
Puede demostrarse que
Consistencia Los estimadores
Interpretacin de los coeficientes
Introduccin Al plantear cualquier modelo de regresin, nuestro objetivo es interpretar el efecto de x sobre y.
Para que los parmetros de un modelo puedan interpretarse, el modelo tiene que ser lineal en
parmetros.
Como vimos, la condicin para que el modelo sea lineal era el cumplimiento del .
Esto viene a significar que, si ,entonces los parmetros no tendrn interpretacin.
Concepto de Variacin Absoluta, Variacin Relativa y Variacin Porcentual:
Ejemplo: Supongamos que el salario de un individuo (x) al mes son 2000, y su salario se
incrementa hasta 2500. Vamos a calcular la variacin absoluta, relativa y porcentual del salario:
Variacin Absoluta:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Variacin Relativa:
Variacin Porcentual:
Concepto de
Elasticidad y
Semielasticida
d
Elasticidad: Cuando las 2 variables estn expresados en funcin de Ln.
Semielasticidad: Cuando slo 1 de las variables se ve afectado por Ln.
Modelo Lineal
Interpretacin de
Ante un incremento de 1 unidad en X, le corresponde en promedio una variacin de
unidades
en Y.
Elasticidad de Y con respecto a X:
En este modelo, la elasticidad no es constante, puesto que depende de los valores de X e Y.
Modelo
Logartmico-Li
neal
Interpretacin de
Ante un incremento de 1 unidad en X, le corresponde en promedio una variacin de
puntos porcentuales en Y.
Elasticidad de Y con respecto a X:
En este modelo, la elasticidad no es constante, puesto que depende del valor de X.
Modelo
Lineal-Logart
mico
Interpretacin de
Ante un incremento de 1 punto porcentual en X, le corresponde en promedio una variacin de
unidades en Y.
Elasticidad de Y con respecto a X:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
En este modelo, la elasticidad no es constante, puesto que depende del valor de Y.
Modelo Doble
Logartmico
Interpretacin de
Ante un incremento de 1 punto porcentual en X, le corresponde en promedio una variacin de
puntos porcentuales en Y.
Elasticidad de Y con respecto a X:
En este modelo, la elasticidad es constante.
Unidades de
Medida
Los estimadores MCO cambian en una forma totalmente previsible cuando se modifican las
unidades de medida de las variables dependientes e independientes.
Si la variable dependiente (Y) se multiplica por la constante c, entonces los valores estimados
MCO del trmino constante y de la pendiente tambin se multiplican por c.
Si la variable independiente (X) se divide o se multiplica por una constante no nula, c , entonces
el coeficiente de la pendiente MCO se multiplica o se divide por c, respectivamente. El cambio
slo en las unidades de medida de la variable independiente no afecta al trmino constante.
Bondad de Ajuste
Suma de
Cuadrados
Suma de Cuadrados Total (SCT): SCT=SCM+SCE
Suma de Cuadrados del Modelo (SCM):
Suma de Cuadrados de los residuos (SCE):
R-cuadrado Es una forma de medir la capacidad de la variable independiente o explicativa X de explicar la
variable dependiente.
R-cuadrado es la proporcin de la variacin explicada en comparacin con la variacin total.
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Se interpreta como la fraccin de la variacin muestral en Y que viene explicada por X.
100*
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Tema 3 Modelo de Regresin Mltiple
Modelo con k variables explicativas
Supuestos del
Modelo de
Regresin
Mltiple
Linealidad en los parmetros:
Esto quiere decir, que el modelo ser lineal si los parmetros (
:
Se trata de un supuesto fundamental del modelo y tiene las siguientes implicaciones:
4. Se cumple que .
5. La
, Incorrelacin entre
y .
6. La funcin de Esperanza condicional ser lineal, es decir:
Homocedasticidad:
Supone que la Varianza Condicionada del Error es Constante e igual a
Implicaciones del Supuesto:
3.
4.
No Colinealidad Perfecta:
Supone que no existe ninguna combinacin lineal exacta entre variables explicativas, porque si
existiese, el modelo presentara multicolinealidad o Colinealidad y no podr estimarse.
Es importante tener en cuenta que el supuesto s permite que las variables independientes estn
correlacionadas, lo que no pueden es estar perfectamente correlacionadas.
Ejemplos de combinaciones exactas de variables:
Modelo con
dos variables
explicativas
Un caso especialmente importante en este modelo es el caso de Incorrelacin entre
, es
decir,
. Por lo tanto:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Estimacin del Modelo de Regresin Mltiple: MCO
Condicin de
Primer Orden
Dado que
,
por lo que
Nuestro objetivo es minimizar la suma de los residuos al cuadrado, es decir:
Una condicin necesaria para que
Propiedades
Algebraicas de
los
Estimadores
MCO
La media muestral de los residuos es cero.
La Covarianza muestral entre cada variable independiente y los residuos MCO es cero, de lo que
se desprende que la covarianza muestral entre los valores ajustados MCO y los residuos MCO es
cero.
El punto
El parmetro del trmino constante
=0. Siempre se
necesita el parmetro del trmino constante para obtener una prediccin de y a partir de la recta
de regresin MCO.
Los valores estimados
Cuando
, entonces:
Cuando
, entonces:
Interpretar la
ecuacin de la
regresin
MCO para
ms de 2
variables
independientes
Escrito en trminos de cambios:
El coeficiente de
,
manteniendo fijas las restantes variables independientes.
La utilidad del anlisis de regresin mltiple reside en que nos proporciona una interpretacin
ceteris paribus aun cuando los datos no hayan sido recogidos de una forma ceteris paribus.
La utilidad del anlisis de regresin mltiple reside en que nos permite hacer en un medio no
experimental lo que los cientficos hacen en el medio controlado de un laboratorio: mantener
fijos el resto de los factores.
Formas
Cuadrticas
Cuando planteamos el modelo de regresin, el primer supuesto que realizamos es la linealidad en
los parmetros. Sin embargo, las variables no tienen porqu ser lineales.
Puede ocurrir que al plantear un modelo de regresin para recoger el efecto de alguna variable
explicativa, no baste con incluirla en forma lineal, sino que tengamos que incluir un trmino
cuadrtico.
Cuando la variable contiene un trmino cuadrtico, la interpretacin se realiza a partir de la
primera derivada del modelo:
Sustituyendo las derivadas por los incrementos:
Interpretacin del efecto de la variable independiente
Ante un incremento de 1 unidad en
.
Trminos de
Interaccin
Puede ocurrir que al plantear un modelo de regresin, el efecto de una variable explicativa
dependa de otras variables explicativas del modelo. Cuando esto ocurre, es necesario introducir
trminos de interaccin.
Para obtener en este caso el efecto parcial ceteris paribus de
Sustituyendo las derivadas por los incrementos:
Interpretacin del efecto de la variable independiente
Ante un incremento de 1 unidad en
.
Propiedades de los Estimadores de MCO: Teorema de Gauss-Markow
Teorema de
Gauss-Markov
De entre todos los estimadores, los estimadores MCO son lineales, insesgados y tienen varianza
mnima, es decir, que son ptimos.
Linealidad Significa que
Varianza
Mnima
Se puede demostrar que los estimadores MCO tienen la menor varianza de entre todos los
estimadores lineales e insesgados.
Donde
, y
es el R-cuadrado de la
regresin de
Inferencia en los Modelos de Regresin
Contraste de
Hiptesis de un
nico
parmetro
poblacional
Hiptesis nula:
Interpretacin:
Contrastar que
1. Como
siempre es positivo,
.
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
2. La estimacin puntual
de 0.
3. Estamos contrastando hiptesis sobre los parmetros poblacionales. No estamos
contrastando hiptesis sobre las estimaciones obtenidas de una muestra particular.
4. En Econometra, todas las muestras son Asintticas (n>30), y estos estadsticos convergen a
una distribucin normal:
Contraste frente a alternativas unilaterales:
1. Bajo la hiptesis alternativa
, el valor esperado de
es positivo.
2. Regla de Rechazo:
1. Bajo la hiptesis alternativa
, el valor esperado de
es negativo.
2. Regla de Rechazo:
1. Bajo esta alternativa,
, decimos que
es estadsticamente significativo.
2. Si no se rechaza
, decimos que
es estadsticamente no significativo.
Contraste de otras hiptesis sobre
Clculo de p-valores:
El p-valor es el nivel de significatividad ms pequeo al que se rechazara la hiptesis nula.
Intervalo de Confianza:
Contraste de
Hiptesis
acerca de una
Hiptesis nula:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
nica
combinacin
lineal de los
parmetros
Hiptesis Alternativa:
Estadstico de Contraste:
Clculo de
Otra forma de clculo:
Sustituir
Contraste de
Restricciones
Lineales
Mltiples
Nocin bsica:
1. El contraste de Restricciones Lineales Mltiples se utiliza para contrastar si un conjunto de
variables independientes no ejerce un efecto parcial sobre la variable dependiente.
2. Modelo No Restringido: Aquel modelo inicial que contiene todas las variables explicativas.
3. Modelo Restringido: Aquel modelo resultado de haber sustituido las hiptesis nulas en el
modelo inicial.
Contraste de Restricciones de Exclusin:
Modelo no restringido:
Hiptesis nulas y alternativas:
Modelo restingido:
Estadstico de Contraste:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Como
Notacin:
q= nmero de restricciones de exclusin de
.
k= nmero de variables explicativas del modelo no restringido.
Interpretacin del Resultado de Contraste:
1. Si se rechaza
, decimos que
O bien,
La forma R-cuadrado del estadstico F:
1. Una razn para utilizar la forma de R-cuadrado se halla en que el R-cuadrado est siempre
entre 0 y 1, mientras que las SCE pueden ser muy grandes dependiendo de las unidades de
medida de Y.
2. Forma R-cuadrado del estadstico F:
En Econometra, todas las muestras son Asintticas (n>30), y estos estadsticos convergen a una
distribucin chi-cuadrado
3. Como
Hiptesis nulas y alternativas:
Modelo restingido:
Estadstico de Contraste:
En este caso, R-cuadrado de
es igual a 0.
Contraste de Restricciones Lineales Generales:
Modelo no restringido:
Hiptesis nulas y alternativas:
Modelo restingido:
Estadstico de Contraste:
En este caso, el modelo restringido es un modelo con un trmino constante, pero con una variable
dependiente diferente de la del modelo no restingido. Por lo tanto, no podemos utilizar la forma
R-cuadrado del estadstico F.
Como Regla General, debera usarse la forma SCE del estadstico F si la regresin restringida
presenta una variable dependiente distinta a la de la regresin no restringida.
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Tema 4 Variables Binarias
Variables Binarias
Introduccin En la investigacin economtrica suelen aparecer fenmenos de discriminacin por razn de
sexo, raza, nivel de estudios, lugar de residencia, etc, que no pueden analizarse utilizando
nicamente variables cuantitativas.
Para analizar estos fenmenos discriminatorios, necesitaremos introducir informacin cualitativa
en los modelos.
Concepto Las variables cualitativas se introducen en los modelos mediante variables binarias, ficticias o
dummies.
Se trata de variables que toman nicamente dos valores:
1. Valor 1: Cuando el individuo o el elemento analizado cumpla una determinada
caracterstica.
2. Valor 0: Cuando el elemento o individuo analizado no cumple la citada caracterstica.
Siempre se cumplir que podamos definir tantas variables ficticias como niveles o categoras que
tenga la variable cualitativa.
Siempre se cumplir que la suma de las variables binarias de una variable cualitativa es igual a 1.
Mtodo de
Introduccin
de las
Variables
Binarias en el
Modelo
Si el modelo tiene trmino constante (
A continuacin podremos plantear dos modelos alternativas:
1. Modelo con Trmino Constante:
En este caso, deberamos eliminar una variable binaria para evitar la multicolinealidad,
por ejemplo,
En estos modelos, es especialmente importante la interpretacin de coeficientes, as como
los contrastes de discriminacin, que sirven para verificar si existen diferencias entre los
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
distintos colectivos.
Tomando las esperanzas condicionadas de la ecuacin anterior, vamos a obtener las
ecuaciones salariables de mujeres y hombres:
Salario Medio de Mujer:
Salario Medio de Hombre:
Restando las esperanzas condicionadas, obtenemos:
Interpretacin de Coeficientes:
2. Modelo sin Trmino Constante:
Al no incluir el trmino constante, podremos introducir las dos variables binarias, y la
educacin del modelo sera:
Tomando esperanzas condicionadas en la ecuacin anterior, obtenemos:
Salario Medio Mujer:
Salario Medio Hombre:
Interpretacin de los Coeficientes:
Conclusin:
1. Comparando el modelo con trmino constante y el modelo sin trmino constante,
deducimos que en los modelos con trmino constante, el coeficiente de la variable binaria
mide los EFECTOS DIFERENCIALES, mientras que en los modelos sin trmino
constante, los coeficientes de las variables binarias miden EFECTOS ABSOLUTOS.
Modelo 2 Para explicar la variable dependiente Y (Salario), utilizamos la variable cuantitativa aos de
estudio (
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Vamos a centrarnos en el modelo con trmino constante y para plantearlo, eliminamos una de las
variables binarias, por ejemplo,
.
La ecuacin del modelo sera la siguiente:
Tomando esperanzas condicionadas en la ecuacin anterior, obtenemos las ecuaciones salariales
de mujeres y hombres:
1. Salario Medio de Mujeres:
2. Salario Medio de Hombres:
3. Restando las esperanzas condicionadas:
Interpretacin de los Coeficientes:
1.
).
2.
en ceteris paribus.
Contraste:
Para verificar si existen diferencias salariales entre mujeres y hombres:
Modelo 3 Para explicar la variable dependiente Y (Salario), utilizamos la variable cuantitativa aos de
estudio (
Vamos a centrarnos en el modelo con trmino constante y para plantearlo, eliminamos una de las
variables binarias, por ejemplo,
.
La ecuacin del modelo sera la siguiente:
Al incluir la variable binaria
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
2. Salario Medio de Hombres:
3. Restando las esperanzas condicionadas:
Interpretacin de los Coeficientes:
1.
).
2.
):
Lgicamente, este efecto no es constante.
Podramos contrastar si el efecto parcial de la educacin depende del sexo, planteando lo
siguiente:
Tambin se puede plantear otros contrastes como los siguientes:
1. Para contrastar si existen diferencias en el trmino constante de las regresiones de
mujeres y hombres, planteamos:
2. Para contrastar si existen diferencias en la pendiente de las regresiones de mujeres y
hombres:
3. Para contrastar si existen diferencias salariales entre mujeres y hombres:
Observaciones Adems de estos 3 modelos bsicos, se pueden plantear modelos ms complejos que incluyan 2 o
ms variables cualitativas e incluso podrn aparecer trminos de interaccin entre 2 variables
binarias.
En cualquier caso, siempre tendremos en cuenta que si el modelo tiene trmino constante,
tendremos que eliminar una variable binaria por cada variable cualitativa para evitar la
multicolinealidad.
Una vez planteado el modelo, calcularemos las diferencias entre colectivos tomando esperanzas
condicionadas en el modelo poblacional.
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Modelo de Diferencias en Diferencias
Modelo de
Diferencias en
Diferencias
Hasta ahora, todos los modelos planteados se estimaban apartir de datos de seccin cruzada, que
eran conjuntos de observaciones de una o ms variables medidas en distintas unidades
econmicas en un instante de tiempo. Por ejemplo, la renta de un conjunto de individuos en 2009.
Se denominan datos de seccin cruzada fusionadas o datos de panel, a conjuntos de
observaciones de una o ms variables medidas en distintas unidades econmicas en dos perodos
distintos de tiempo entre los que ha habido algn cambio estructural poltico, econmico o social.
Por ejemplo, el precio de un conjunto de viviendas en 2005 y en 2010 entre los que ha habido un
cambio estructural, una crisis econmica.
Para analizar los efectos de este cambio estructural, se plantea el modelo de diferencias en
diferencias.
Aplicacin Nuestro objetivo es evaluar la repercusin de una elevacin del tope mximo en el subsidio de
desempleo sobre la duracin.
Definicin de las Variables:
: Duracin del desempleo en semanas (medida en logaritmos).
Escribimos el modelo en trminos poblacionales:
La ecuacin anterior es un modelo de diferencias en diferencias, y tiene como objetivo, analizar
cmo y a quin afectar el cambio de polticia econmica, que en este caso, es la elevacin del
tope mximo del subsidio por baja laboral. A priori, esta medida slo debera afectar a los
individuos de rentas altas, que perciben el mayor subsidio y no debera afectar a los de rentas
bajas.
Comenzamos interpretando los coeficientes de la ecuacin anterior:
1.
: La duracin de la baja laboral en logatirmos para los individuos de renta no alta antes
del cambio.
2.
: La diferencia en la duracin de la baja entre antes y despus del cambio para los
individuos de rentas no altas.
3.
Sin embargo, por falta de informacin, decidimos omitir la variable
, que es relevante
(significativa) porque
Vamos a demostrar que la omisin de la variable relevante
.
Teniendo en cuenta que el error:
Tomando esperanzas condicionadas:
El incumplimiento del supuesto
no es igual a
es un estimador sesgado de
sobre
Por lo tanto, podemos expresar de la siguiente manera:
El sesgo en
es
cuando se omite
Sesgo Negativo
(Infraestimacin)
Sesgo Positivo
(Sobreestimacin)
Si
, decimos que
, decimos que
tiene un
sesgo a la baja.
De forma general, se puede calcular el sesgo mediante la siguiente fmula:
Conclusin La omisin de una variable relevante provoca SESGO e INCONSISTENCIA en el estimador de
MCO excepto en el caso de incorrelacin entre las variables omitidas y las variables incluidas.
V(
).
Inclusin de Variables Irrelevantes (Sobreespecificacin del Modelo)
Concepto Significa que una o ms de las variables independientes que se han incluido en el modelo no tiene
ningn efecto parcial sobre Y en la poblacin, es decir, que su coeficiente poblacional es nulo.
Inclusin de
Variables
Irrelevantes
Supongamos que establecemos un modelo del tipo:
Sin embargo,
.
Efectos En cuanto a la insesgadez de
Este modelo no puede estimar, porque la variable dependiente
no es observable, y en su lugar,
observamos la variable Y, que cumple la siguiente ecuacin:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Nuestro objetivo es poder estimar el modelo, y para ello, despejamos
en la ecuacin anterior
y lo sustituimos en la ecuacin primera:
Llamamos a , luego:
A continuacin, vamos a comprobar los efectos del error de medicin en Y y para ello, realizamos
dos supuestos adicionales:
1.
2. Supuesto clsico del Error de Medida en la Variable Dependiente: Suponemos que las
variables explicativas
.
Efectos de Error de Medida en la Variable Dependiente:
1. Se puede demostrar que si estimamos
por MCO,
obtendremos estimadores INSESGADOS y CONSISTENTES.
2. Aparentemente, el error de medida en la variable dependiente no tendra consecuencias
graves, pero no es as, porque el error del modelo ha aumentado, ha pasado de a .
Adems, la varianza de dicho error ha aumentado:
Este incremento en la varianza del error provoca un incremento en las varianzas de los
estimadores, lo que supone una Prdida de Eficiencia, y como consecuencia, la inferencia
sigue siendo vlida pero poco fiable.
3. Estos efectos son idnticos a los de la inclusin de variables irrelevantes.
Caso especial en el error de medida en la variable dependiente:
1. Supongamos que
.
3. Por lo tanto, la consecuencia ser que
Error de
Medida en la
Variable
Independiente
Supongamos en el siguiente modelo:
Como
Adems, antes de analizar los efectos de este error de medida, efectuamos los siguientes
supuestos:
1.
2. Supuesto Clsico del error de medida en la variable independiente: Suponemos que la
variable medida con error est incorrelacionada con el error de medida v:
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Para poder estimar la ecuacin, en primer lugar despejamos
en la ecuacin segunda, y lo
sustituimos en la ecuacin primera:
Llamamos a
Si estimamor la ecuacin anterior por MCO, se produce un incremento en la varianza del error
que provoca que aumenten tambin las varianzas de los estimadores.
Sin embargo, el efecto realmente importante, es el SESGO e INCONSISTENCIA de los
estimadores de MCO.
Para demostrar este sesgo, partimos de la expresin de
A continuacin, vamos a demostrar que el error de medida en X provoca que
sea un
estimador inconsistente de
, es decir,
Sesgo Asinttico o Sesgo de Inconsistencia:
Conclusiones sobre el sesgo:
1. A la vista de la expresin obtenida, deducimos que si
.
3. Existen dos casos especiales en los que el sesgo es nulo y
es consistente:
a) Si tiene un error de medida nulo ( ), entonces
y el sesgo sera
0.
b) Supongamos que todas las observaciones de estuviesen medidas con el
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
mismo error, es decir
, .
3. En trminos precisos, se dice que
Planteamos el contraste de identificacin:
Si
Aplicando el principio de analoga, obtenemos la expresin del estimador de variables
instrumentales:
Se puede demostrar que
.
Insesgadez:
Consistencia:
Sin embargo, a pesar de ser un estimador insesgado y consistente, ocurre que:
Donde
Donde
Si estimamos esta ecuacin por MCO, obtendramos estimadores sesgados e inconsistentes,
debido a la endogeneidad de
.
Buscamos el mejor instrumento posible para la variable endgena
1 Etapa:
Estimamos por MCO la ecuacin:
El objetivo de esta etapa es determinar si existe relacin o no entre la variale endgena externa o
posible instrumento.
Entonces planteamos el contraste de identificacin:
En este contraste, debemos rechazar
). Entonces
, por los
valores ajustados
Si estimamos la ecuacin anterior por MCO, obtenemos los estimadores de mnimos cuadrados
bietpicos,
.
Se trata de estimadores consistentes y asintticamente normales, es decir, en muestras asintticas,
tienen distribucin normal.
Sin embargo, al igual que ocurra en Variables Instrumentales, los estimadores de Mnimos
cuadrados bietpicos, son menos eficientes (tienen mayor varianza que los de Mnimos
Cuadrados Ordinarios).
Unin de Estudiantes de Ciencias Econmicas
Apuntes Realizados y Distribuidos por ZHOUJIE MA
Caso 2 Disponemos de ms de 1 instrumento, es decir, de ms de 1 variable exgena externa.
Suponemos que tena 2 variables exgenas externas:
.
Buscamos el mejor instrumento posible para
) y externas (
).
1 Etapa:
Estimamos por MCO la ecuacin:
A continuacin planteamos el contraste de identificacin que sirve para determinar si los
instrumentos
Si
estn correlacionados con
, por los
valores ajustados
Si estimamos la ecuacin anterior por MCO, obtenemos los estimadores de Mnimos Cuadrados
Bietpicos o en 2 etapas, que sern consistentes y asintticamente normales, siempre que los
instrumentos
sean vlidos.
Conclusin En general, si los instrumentos no son vlidos por incumplir alguna de las condiciones de
instrumento, los estimadores de Mnimos Cuadrados Bietpicos o en 2 etapas sern
INCONSISTENTES y peores que los de MCO, puesto que los estimadores de MCO tambin
son inconsistentes, sin embargo, tienen mnima varianza.
Contraste de Sobreidentificacin de SARGAN
Contraste de
Sobreidentifica
cin de
SARGAN
Planteamos una regresin de los residuos de Mnimos Cuadrados Bietpicos o en 2 etapas,
llamados frente a todas las variables exgenas internas y externas.
Las hiptesis del contraste de Sargan son:
El estadstico de Contraste es:
Si todos los instrumentos estn incorrelacionados con el error, entonces seran instrumentos
vlidos.
Si algn instrumento est correlacionado con el error, entonces no sera vlido.
Sin embargo, el contraste de Sargan no dice qu instrumento es no vlido.