Econometria I

Econometra I
Carlos Velasco
1
1
Departamento de Economa
Universidad Carlos III de Madrid
Econometra I
Mster en Economa Industrial
Universidad Carlos III de Madrid
Curso 2007/08
C Velasco (MEI, UC3M) Econometra I UC3M, 2006 1 / 30
Outline
1
Qu es la Econometra?
2
Etapas del Anlisis Econmico Emprico
3
La Estructura de los Datos Econmicos
Datos de Corte Transversal
Series Temporales
Datos fusionados de Seccin Cruzada
Datos de Panel o Longitudinales
4
Causalidad y anlisis ceteris paribus
Econometra I
Objetivos
1
Distincin entre modelo econmico y modelo economtrico.
2
Distincin entre variables endgenas y exgenas.
3
Distincin entre diferentes procesos generadores de datos.
Bibliografa
Wooldridge (2006). Captulo 1.
Goldberger (2001). Captulo 1.
Qu es la Econometra?
Ciencia basada en el desarrollo de modelos probabilsticos y mtodos
de inferencia estadstica para estudiar fenmenos econmicos,
teniendo en cuenta la particular naturaleza de los datos econmicos
(observacionales) para estimar relaciones causales entre variables
econmicas, el contraste de teoras econmicas y la evaluacin y
diseo de polticas gubernamentales y empresariales.
Aplicaciones de la Econometra
1
Prediccin de variables macroeconmicas (tasas de inacin y
desempleo, crecimiento del PIB, tipos de inters, etc.).
2
Modelizacin macroeconmica: relacin entre inacin y
desempleo, produccin y masa salarial, oferta y demanda.
3
Modelizacin microeconmica: relacin entre inversin en
educacin y salario; produccin y factores productivos (f. de
produccin); proporcin de gasto en un bien y renta; gastos en
publicidad y ventas; programas de reciclaje y prob. de desempleo.
4
Finanzas: volatilidad condicional; valoracin de activos.
5
Historia, sociologa, psicologa, etc.
Etapas del Anlisis Econmico Emprico
1
Modelo econmico.
2
Datos y variables. Proceso Generador de Datos.
3
Modelo economtrico.
Modelo Econmico
Un modelo econmico describe relaciones entre diferentes variables
mediante ecuaciones matemticas. El modelo explica el
comportamiento de un conjunto de variables Y = (Y
1
, . . . , Y
m
)
en
trminos de otras variables X = (X
1
, . . . , X
k
)
que se determinan fuera

del modelo.
Y
1
, . . . , Y
m
son las variables endgenas: se obtienen como la
solucin de un sistema de ecuaciones
f
1
(Y
1
, . . . , Y
m
, X
1
, . . . , X
k
) = 0
.
.
.
f
m
(Y
1
, . . . , Y
m
, X
1
, . . . , X
k
) = 0
donde cada funcin f
1
, . . . , f
m
puede depender de todas o slo
parte de las variables Y y las X.
X
1
, . . . , X
k
son las variables exgenas.
Las funciones f
1
, . . . , f
m
representan el comportamiento de los
agentes econmicos determinado en base a una optimizacin.
Ejemplos
Modelo econmico para el crimen
Becker (1968): Crime and punishment: an economic approach
Journal of Political Economy 76, pp. 169-217.
Modelo econmico: describe la participacin de los individuos en
actividades criminales mediante un anlisis de maximizacin de
utilidad y asignacin ptima de recursos. Modelo:
Y = f (X
1
, X
2
, X
3
, X
4
, X
5
, X
6
, X
7
)
Y horas dedicadas a actividades delictivas
X
1
salario por hora de la actividad delictiva
X
2
salario por hora en empleo legal
X
3
otras rentas
X
4
probabilidad de ser detenido
X
5
probabilidad de ser condenado despus de ser detenido
X
6
duracin esperada de la condena en caso de ser condenado
X
7
edad
Variables y Datos
Las variables de un modelo econmico Z = (Y
, X
representan
aspectos del comportamiento de los agentes a nivel individual o
agregado.
El economista observa, directamente o de forma aproximada, el
comportamiento y las caractersticas de los agentes, que organiza en
lo que llamamos datos, la evidencia emprica,
Datos Z
n
= {z
1
, . . . , z
n
}
donde
z
i
=
_
_
_
_
_
_
_
_
_
_
y
1i
.
.
.
y
mi
x
1i
.
.
.
x
ki
_
_
_
_
_
_
_
_
_
_
_
_
_
y
i
_
_
_
x
i
Proceso Generador de Datos
Dependiendo de la naturaleza de los datos (cmo se han
recogido las observaciones, relacin entre ellas, etc.) el
economista utiliza un modelo terico que puede explicar la forma
en que se generan esos datos. Este modelo, en general
desconocido, es probabilstico y se conoce como Proceso
Generador de Datos (PGD).
Debido a la naturaleza aleatoria del modelo, se considera que el
vector de variables de inters, Z = (Y
, X
es un vector de
variables aleatorias (v.a.s) o un vector de procesos estocsticos.
La distribucin conjunta de Z es el PGD, y cada dato
(observacin i t ) es una realizacin de esta v.a..
Modelos Economtricos
Un modelo economtrico se construye para cuanticar y contrastar las
relaciones entre variables econmicas postuladas por un modelo
econmico a partir de la evidencia emprica (los datos).
Caractersticas de un modelo economtrico:
1
Reconoce el carcter estocstico que gobierna las relaciones
entre variables.
2
Postula una forma funcional que depende de parmetros, los
cuales se denen (identican) a partir de la informacin que
proporciona la teora econmica, o el sentido comn, y/o
supuestos probabilsticos no contrastables.
3
El modelo debe tener en cuenta que hay otros muchos factores
que afectan a la decisin y que en general no son observables o
identicables.
Modelos estocsticos
Para un conjunto de datos Z
n
= {z
1
, . . . , z
n
} es de esperar que la
inmensa mayora de ellos no cumpla lo que especica un modelo
econmico. Es decir, para muchos i = 1, . . . , n
f
1
(y
1i
, . . . , y
mi
, x
1i
, . . . , x
ki
) = 0
.
.
.
f
m
(y
1i
, . . . , y
mi
, x
1i
, . . . , x
ki
) = 0,
para cualquier conjunto de funciones f
1
, . . . , f
m
no trivial (= 0).
Sin embargo, al ser las variables estocsticas, siempre se puede
encontrar un conjunto de funciones que satisfaga dicha relacin en
media,
E [f
1
(Y
1
, . . . , Y
m
, X
1
, . . . X
k
)] = 0
.
.
.
E [f
m
(Y
1
, . . . , Y
m
, X
1
, . . . X
k
)] = 0.
Exogeneidad
El hecho de que las variables X sean exgenas, se puede reconocer
explcitamente, exigiendo que las funciones f
j
cumplan que
E [f
1
(Y
1
, . . . , Y
m
, X
1
, . . . X
k
) |X
1
= x
1
, . . . , X
k
= x
k
] = 0
.
.
.
E [f
m
(Y
1
, . . . , Y
m
, X
1
, . . . X
k
) |X
1
= x
1
, . . . , X
k
= x
k
] = 0
para todo vector (x
1
, . . . , x
k
)
.
Esto se expresa en trmino de un error (aleatorio), E
_
= 0,
f
j
(Y
1
, . . . , Y
m
, X
1
, . . . X
k
) =
j
, j = 1, . . . , m,
de tal forma que los errores (
1
, . . . ,
m
) son inobservables y satisfacen
E
_
j
|X
1
= x
1
, . . . , X
k
= x
k
= 0, j = 1, . . . , m
para todo (x
1
, . . . , x
k
) . Para valores jos de X
1
, . . . , X
k
, los trminos de
error gobiernan la aleatoriedad de la relacin entre las variables,
haciendo que las relaciones sean slo exactas en media.
Forma Funcional
Para cuanticar estas relaciones a partir de los datos, se propone
una forma funcional para las funciones f
j
que depende de un vector
de parmetros. El modelo economtrico general se expresa como
g
1
(Y
1
, . . . , Y
m
, X
1
, . . . X
k
;
1
) =
1
.
.
.
g
m
(Y
1
, . . . , Y
m
, X
1
, . . . X
k
;
m
) =
m
,
donde g
1
, . . . , g
m
son funciones conocidas y
1
, . . . ,
m
son parmetros
desconocidos.
La naturaleza del modelo y la interpretacin de los parmetros
dependen de los supuestos que se hagan sobre el trmino de error
en relacin a las variables exgenas.
Trmino de error y exogeneidad
Los supuestos habituales son
1
, . . . ,
m
son independientes de X
1
, . . . , X
k
E
_
j
|X
1
, . . . , X
k
= 0, j = 1, . . . , m
E
_
j
(X
1
, . . . , X
k
)
= 0, j = 1, . . . , m,
j
: R
k
R.
En funcin del supuesto que se considere vlido estaremos ante
diferentes modelos (regresin clsica, regresin, correlacin) con
diferentes implicaciones en el signicado e interpretacin de los
parmetros (problema de la identicacin) y con consecuencias sobre
los mtodos de estimacin apropiados dado un conjunto de datos.
Ejemplos
Modelo econmico para el crimen (cont.)
Las ambigedades inherentes al modelo econmico se resuelven
especicando un modelo economtrico como
crimen =
0
+
1
salario
+
2
otrarenta +
3
frecde
+
4
freccon +
5
durmed +
1
edad +
donde
crimen medida de actividad criminal Y
salario
salario por hora en empleo legal X

2
otrarenta otros ingresos X
3
frecde frecuencia de detenciones por infracciones anteriores X
4
freccon frecuencia de condenas X
5
durmed duracin media de las sentencias anteriores X
6
trmino de error
j
, j = 0, . . . , 6 parmetros del modelo.
Ejemplos
Productividad y cursos de formacin
El objetivo es estudiar los efectos de los programas de formacin en la
productividad de los trabajadores. Es obvio que elementos como
educacin, experiencia y cursos de formacin, entre otros, afectan a
dicha productividad, y que en general los trabajadores reciben salarios
en relacin a su productividad, lo que llevara a un modelo como
salario = f (educ, exper, formaci
on)
donde
salario salario por hora
educ aos de escolarizacin
exper aos de experiencia laboral
formaci
on semanas empleadas en cursos de formacin

Ejemplos
Productividad y cursos de formacin (cont.)
Un modelo economtrico para este problema sera
salario =
0
+
1
educ +
2
exper +
3
formaci
on +
donde el trmino contiene factores comohabilidad, calidad de
la educacin, antecedentes familiares y todos los factores que
pueden afectar al salario de un trabajador.
Si estamos interesados en el efecto de los programas de
formacin,
3
es el parmetro de inters.
La interpretacin del parmetro
3
depender de la relacin entre
la variable formaci
on y los factores contenidos en , ya que la

decisin (o la elegibilidad) en tomar cursos puede depender de
dichos factores (al igual que del nivel de educacin y/o exper.).
Si dichos factores son independientes la formaci
on, el parmetro
3
nos informar de la inuencia de la formacin sobre el salario
del trabajador, manteniendo todos los dems factores que afectan
al salario constantes.
La Estructura de los Datos Econmicos
Datos de corte transversal
Son datos estticos, referidos a un periodo jo, sobre individuos de
una poblacin, generalmente provenientes de encuestas sobre
familias, empresas, etc.
Muestreo Aleatorio: Se considera el experimento entrevistar a una
persona al azar en una poblacin de individuos. El espacio muestral,
, de sucesos individuales, es el conjunto de todos los individuos de la
poblacin. Se considera la v.a.
Z = Z () , ; Z : R
m+k
,
que asigna a cada elemento del espacio muestral, cada individuo, un
vector de nmeros en R
m+k
. La funcin Z tiene una funcin de
distribucin conjunta relacionada con el comportamiento y
caractersticas de los individuos en la poblacin.
Tambin se pueden consider las observaciones de Z
n
= {z
1
, . . . , z
n
}
como las realizaciones IID de n v.a. independientes {Z
1
, . . . , Z
n
} .
Datos de Seccin Cruzada
Ejemplos
526 trabajadores en el ao 1976: salario, aos de educacin, aos de
experiencia laboral, indicador de mujer e indicador de casado.
obsno wage educ exper female married
1 3.10 11 2 1 0
2 3.24 12 22 1 1
3 3.00 11 2 0 0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
526 3.50 14 5 1 0
Series Temporales
Son observaciones de una variable o varias variables a lo largo
de varios periodos de tiempo (aos, meses, etc.). Ejemplos:
precio de activos, tipos de inters, tipos de cambio, tasa de
inacin, oferta de dinero, PIB, tasa de desempleo, ventas de una
empresa, etc.
Las observaciones no son independientes: la evolucin
temporal puede explotarse con nes predictivos.
La frecuencia con la que se observan los datos es muy
importante.
Datos Z
T
= {z
1
, . . . , z
T
}
con
z
t
=
_
y
t
, x
t
_
= (y
1t
, . . . , y
mt
, x
1t
, . . . x
kt
)
.
Series Temporales
Ejemplos
Puerto Rico: salario mnimo, tasa media de cobertura, desempleo y
PNB.
obsno year avgmin avgcov unemp gnp
1 1950 0.20 20.1 15.4 878.7
2 1951 0.21 20.7 16.0 925.0
3 1952 0.23 20.7 16.0 925.0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
38 1987 3.35 58.2 16.8 4496.7
O Series temporales de secciones cruzadas
Caractersticas de ambos tipos de datos, seccin cruzada y series
temporales.
Diferente secciones cruzadas de la misma poblacin obtenidas en
diferentes instantes del tiempo.
Permite aumentar el tamao muestral.
Sobre todo permite estudiar cambios en las variables ms
relevantes.
Ejemplo
Precios de viviendas para dos aos:
obsno year hprice proptax sqrft bdrms bthrms
1 1993 85.500 42 1600 3 2.0
2 1993 67.300 36 1440 3 2.5
3 1993 134.000 38 2000 4 2.5
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
250 1993 243.600 41 2600 4 3.0
251 1995 65.000 16 1250 2 1.0
252 1995 182.400 20 2200 4 2.0
253 1995 97.500 15 1540 3 2.0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
5320 1995 57.200 16 1100 2 1.5
Paneles de datos (o datos longitudinales)
Consisten en una serie temporal por cada unidad de seccin
cruzada. La longitud de las series temporales (T) suele ser
mucho ms corta que el nmero de unidades de seccin cruzada
(n).
Ejemplos: dado un panel de individuos, podemos tener la serie
histrica de salarios, educacin y empleo durante 10 aos
(alguna variable puede que no cambien en el tiempo!); dado un
panel de empresas, podemos tener observaciones de sus
variables principales (produccin, demanda de factores, tamao,
etc.) durante el mismo periodo temporal. En vez de tpicas
secciones cruzadas podemos tener pases o regiones.
Datos Z
Tn
= {z
i 1
, . . . , z
iT
, i = 1, . . . , n}
con
z
it
=
_
y
it
, x
it
_
= (y
1it
, . . . , y
mit
, x
1it
, . . . x
kit
)
.
Paneles de datos (cont)
Son ms difciles de conseguir.
Aportan ms informacin y permite responder a preguntas que
las secciones cruzadas no pueden
Permiten incluir una estructura temporal en el razonamiento
econmico
Paneles de datos
Ejemplo
Datos de panel de dos aos de estadsticas de delincuencia en las
ciudades:
obsno city year murders population unem police
1 1 1986 5 350000 8.7 440
2 1 1990 8 359200 7.2 471
3 2 1986 2 64330 5.4 75
4 2 1990 1 65100 5.5 75
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
299 150 1986 25 543000 4.5 520
300 150 1990 32 546200 5.2 493
Objetivo: descubrir si una variable tiene un efecto causal sobre
otras variables.
La relacin causal es muy diferente de una simple asociacin o
correlacin
Ceteris paribus: otros factores (relevantes) siendo iguales, es un
concepto clave en el anlisis causal. Sin este concepto no se
pueden medir efectos causales.
Prctica: imposible realizar experimentos c.p. en Economa.
Tcnicas Economtricas: simulan tales experimentos a partir de
datos observacionales.
Ejemplo: efecto de los fertilizantes sobre el rendimiento de los cultivos
La cantidad de fertilizante es slo uno de los factores que afectan
al rendimiento del cultivo.
Por lo tanto debemos plantearnos la cuestin como un problema
ceteris paribus.
Posible experimento: asignar diferentes cantidades de fertilizante
sobre diferentes parcelas, medir el rendimiento (datos de corte
transversal) y utilizar tcnicas estadsticas para medir el grado de
asociacin.
Sin embargo, no es posible elegir parcelas exactamente iguales
que slo cambien por el nivel de fertilizante.
La clave es cmo se eligen los niveles de fertilizantes en cada
parcela, independientemente de otros factores, o con cierta
conexin.
Ejemplo: medir el rendimiento de la educacin
Problema: si elegimos una persona al azar entre la poblacin, y le
damos un ao ms de educacin, cunto aumentara su salario?
Se trata tambin de una cuestin ceteris paribus: todos los otros
factores constantes.
Posible experimento realizado por un planicador social:
seleccionar un grupo de personas, y atribuir a cada uno un nivel
aleatorio de educacin y midamos sus salarios.
En caso de asignacin independiente, el experimento servir para
medir la relacin causal, en caso contrario no.
En la prctica esto es posible, y podremos controlar otros factores
importantes, como experiencia, pero otros sern ms
problemticos, como el nivel de habilidad, que inuye tanto en el
nivel de educacin como en el de salarios.
Incluso si no cotrolamos por experiencia es posible disear
mtodos para medir efectos causales.

Econometria I

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Econometria I

Cargado por

Copyright:

Formatos disponibles

Econometra I

que se determinan fuera

salario por hora en empleo legal X

on semanas empleadas en cursos de formacin

on y los factores contenidos en , ya que la

También podría gustarte