Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1 Introduccin
Con frecuencia, nos encontramos en economa con modelos en los que el
comportamiento de una variable, Y, se puede explicar a travs de una variable X;
lo que representamos mediante
Y = f (X )
(1)
Yt = 1 + 2 X t
(2)
Como quiera que las relaciones del tipo anterior raramente son exactas,
sino que ms bien son aproximaciones en las que se han omitido muchas variables
de importancia secundaria, debemos incluir un trmino de perturbacin aleatoria,
ut , que refleja todos los factores distintos de X -que influyen sobre la variable
endgena, pero que ninguno de ellos es relevante individualmente. Con ello, la
relacin quedara de la siguiente forma:
(3)
La expresin anterior refleja una relacin lineal, y en ella slo figura una
nica variable explicativa, recibiendo el nombre de relacin lineal simple. El
calificativo de simple se debe a que solamente hay una variable explicativa.
Supongamos ahora que disponemos de T observaciones de la variable Y
( Y1 , Y2 , , YT ) y de las correspondientes observaciones de X ( X 1 , X 2 , , X T ). Si
hacemos extensiva (3) a la relacin entre observaciones, tendremos el siguiente
conjunto de T ecuaciones:
Y1 = 1 + 2 X 1 + u1
Y2 = 1 + 2 X 2 + u2
(4)
YT = 1 + 2 X T + uT
El sistema de ecuaciones (4) se puede escribir abreviadamente de la forma
siguiente:
Yt = 1 + 2 X t + ut
I-1
t = 1, 2, , T
(5)
Figura 1
(6)
I-2
ut = Yt Yt = Yt 1 2 X t
(7)
Figura 2
u
t =1
(8)
Y2 Y1
Y Y
= 3 1 .
X 2 X1 X 3 X1
Si se ajusta una recta que pase por los tres puntos, cada uno de los residuos
tomar el valor cero, de forma que
T
u
t =1
=0
t =1 t
I-3
t =1
(9)
Figura 3
S = ut2
t =1
(10)
I-4
S = (Yt 1 2 X t ) 2
t =1
(11)
(12)
2 (Yt 1 2 X t ) = 0
t =1
2 (Yt 1 2 X t )X t = 0
t =1
(13)
t =1
Y X
t =1
= 1T + 2 X t
t =1
t =1
t =1
= 1 X t + 2 X t2
(14)
2 =
(Y Y )( X
t
t =1
X)
( X t X )2
t =1
I-5
(15)
(16)
donde
T
Y =
Yt
X=
t =1
X
t =1
1 = Y 2 X
(17)
Y X
t =1
= (Y 2 X ) X t + 2 X t2
t =1
t =1
(18)
T
X2 X X
=
Y
X
Y
X
t
t
t
t
t
2
t =1
t =1
t =1
t =1
(Y Y )( X
t
t =1
X ) = (Yt X t XYt YX t + YX )
t =1
t =1
t =1
t =1
t =1
t =1
t =1
t =1
T
= Yt X t Y X t X Yt + TYX =
(19)
= Yt X t Y X t XTY + TYX
= Yt X t Y X t
T
(X
t =1
X ) 2 = (X t2 2 XX t + X 2 )
t =1
t =1
t =1
t =1
t =1
t =1
= X t2 2 X X t + TX 2 = X t2 2 X X t + X X t
T
t =1
t =1
(20)
= X t2 X X t
Teniendo en cuenta (19) y (20), entonces (18) se puede expresar as:
T
( X X )2
Y
Y
X
X
(
)(
)
t
t
t
2
t =1
t =1
I-6
(21)
1 = Y 2 X
(22)
(Y Y )( X
t
t =1
2 =
X)
(X
t =1
=
X)
cov( X , Y )
var( X )
(23)
T
De acuerdo con (23), la estimacin de 2 se obtiene dividiendo la
covarianza muestral de X e Y por la varianza muestral de X. Dado que la varianza
de X no puede ser negativa, el signo de 2 ser el mismo que el de la covarianza
muestral de X e Y.
u
t =1
=0
(24)
Demostracin.
Por definicin de residuo
ut = Yt Yt = Yt 1 2 X t
t = 1, 2,
,T
(25)
ut = Yt Yt = Yt 1T 2 X t
(26)
t =1
t =1
t =1
t =1
t =1
I-7
Y
t =1
= T 1 + 2 X t
t =1
(27)
Y = Y
(28)
Y = Y
(29)
t =1
t =1
Y = 1 + 2 X
(30)
u X
t =1
=0
2 X t )X t = 0
(31)
Demostracin.
En efecto,
T
u X = (Y
t =1
t =1
4. La suma de los productos cruzados entre los valores ajustados y los residuos es
igual a 0, es decir,
T
u Y = 0
t =1
t t
Demostracin.
En efecto, si se tiene en cuenta (17) resulta que
I-8
(32)
u Y = u (
t =1
t t
t =1
t =1
t =1
+ 2 X t ) = 1 ut + 2 ut X t = 0
Yt = Yt + ut
(33)
Yt Y = Yt Y + ut
(34)
(Y Y )
t
= (Yt Y ) + ut
(35)
es decir,
(Y Y ) = (Y Y )
2
+ ut2 2ut Yt Y
(36)
t =1
t =1
2
(Yt Y ) = Yt Y
t =1
t =1
+ ut2 2 ut Yt Y
(37)
Ahora bien, puede verse que el tercer trmino del segundo miembro de
(37) es
I-9
t =1
t =1
2 ut Yt Y = 2 utYt 2Y ut = 0
t =1
(38)
t =1
t =1
2
(Yt Y ) = Yt Y
+ ut2
t =1
(39)
(Yt Y )
t =1
(
T
t =1
Yt Y
) u
T
t =1
2
t
(40)
R2 =
(Y Y )
(Y Y )
t =1
T
t =1
(41)
El primer trmino del segundo miembro de (40) es la varianza de Yt , ya que, de acuerdo con
I-10
R2 = 1
u
t =1
2
t
(Yt Y )2
(42)
t =1
Yt = 1 + 2 X t + ut
(43)
t = 1, 2, , T
(44)
t = 1, 2, , T
I-11
(45)
ts
(46)
ut ~ NID(0, 2 )
(47)
I-12
I-13
2 =
( X t X )(Yt Y )
t =1
(X
( X t X )Yt ( X t X )Y
t =1
t =1
(X
X )2
t =1
X )2
t =1
(X
t =1
T
(X
t =1
X )Yt
X)
(48)
2
En Econometra Aplicada (pginas 60 a 66) puede verse como se generan nmeros aleatorios
uniformes y normales mediante rutinas informticas. Por otra parte, en las pginas 149 a 153 (caso
3.11) se realiza un experimento de Montecarlo con una hipottica funcin de consumo.
I-14
(X
t =1
T
T
X )Y = Y ( X t X ) = Y X t TX = Y [ TX TX ] = 0
t =1
t =1
Denominando
(X t X )
T
(X
t =1
X)
= ct
2
2 = ct Yt
(49)
t =1
lineal de la variable Yt .
Los coeficientes ct tienen las siguientes propiedades:
T
t =1
=0
c X
t
t =1
(50)
=1
(51)
En efecto,
T
c
t =1
(Xt X )
t =1
T
(X
t =1
c X
t =1
(X
t =1
T
(X
t =1
X)
t =1
T
(X
t =1
X )Xt
t
X)
(X
t =1
TX
=
X)
(X
t =1
X )( X t X )
(X
TX TX
T
t =1
X)
X)
=0
2
(X
t =1
T
(X
t =1
X )2
X)
=1
2
2 = ct ( 1 + 2 X t + ut )
t =1
I-15
t =1
t =1
t =1
t =1
= 1 ct + 2 ct X t + ct ut = 2 + ct ut
(52)
1 = Y 2 X = 1 + 2 X + u 2 X = 1 + u X ( 2 2 )
= 1 +
T
1 T
ut X ct ut
T t =1
t =1
(53)
(54)
CONSt = 1 + 2 RENDISt + ut
I-16
(55)
2.993
0.803
2.3509
0.1019
-0.408
0.977
2.3509
0.759
0.941
4.077
1.062
R2
0.6285
1.4774
0.0684
0.945
0.1019
0.7238
1.7014
0.0788
0.951
2.3509
0.1019
1.1150
2.6210
0.1214
0.883
0.766
2.3509
0.1019
1.0440
2.4541
0.1136
0.853
0.887
2.3509
0.1019
0.6496
1.5271
0.0707
0.951
2.197
0.832
2.3509
0.1019
1.3934
3.2755
0.1517
0.790
-1.359
0.973
2.3509
0.1019
1.1117
2.6134
0.1210
0.890
1.594
0.853
2.3509
0.1019
1.1466
2.6954
0.1248
0.854
2.917
0.807
2.3509
0.1019
0.9516
2.2369
0.1036
0.884
10
4.194
0.741
2.3509
0.1019
0.9270
2.1790
0.1009
0.871
Media
1.803
0.858
26
24
CONS1
22
20
18
16
14
16
18
20
22
24
26
RENDIS
Figura 4. Recta de regresin terica (trazo continuo) y estimada en la muestra 1 del Exp. 1
(trazo discontinuo)
I-17
E ( 2 ) = E 2 + ct ut = E ( 2 ) + ct E (ut ) = 2
t =1
t =1
(56)
T
T
1 T
1 T
1 =
j =1
1j
10
I-18
= 1,803
10
2 =
j =1
2j
10
= 0,858
Los sesgos que se obtienen para estos valores medios son los siguientes:
Sesgo ordenada: 1 1 = 2, 000 1,803 = 0,197
Sesgo pendiente: 2 2 = 0,850 0,858 = 0, 008
Examinando los resultados del cuadro 2, en relacin a estos sesgos medios, puede
observarse que nicamente en la muestra 8 se obtiene un sesgo menor para la pendiente
(0,003), mientras que en la muestra 6 el sesgo de la estimacin de la ordenada es igual en
valor absoluto al correspondiente sesgo medio.
2
T
( X t X )2
(58)
t =1
S x2 =
(X
t =1
X )2
(59)
I-19
2
TS x2
(60)
Demostracin de (58)
De acuerdo con (52) se tiene que
T
2 2 = ct ut
t =1
E ( 2 2 ) 2 = E ct ut
t =1
T
T
= E ct2ut2 + ct ct ut ut = ct2 E (ut2 ) + ct ct E (ut ut )
t t
t t
t =1
t =1
Teniendo en cuenta las hiptesis II b) y II c) se obtiene
T
c
t =1
2
t
(X
t =1
X )2
T
2
( X t X )
t =1
2
T
(X
t =1
X )2
E ( 1 1 ) 2 = 2
2
1
2
X
=
=2 + T
T
2
T
(Xt X )
t =1
X2
1 + 2 (61)
Sx
Por otra parte, puede demostrarse que los estimadores mnimo cuadrticos,
son estimadores ptimos, es decir, son los que tiene menor varianza dentro de la
clase de estimadores lineales e insesgados. Por ello, suele decirse de los
estimadores mnimo-cuadrticos que son ELIO (Estimadores Lineales Insesgados
y ptimos).
De acuerdo con (60) y (61) las desviaciones tpicas de los estimadores
vendrn dadas por
=
2
I-20
T Sx
(62)
1 X2
1 +
T S x2
=
1
(63)
2 =
u
t =1
2
t
T 2
(64)
2 =
2
2 =
1
2
TS x2
X2
+
1
T
S x2
(65)
(66)
=
2
=
1
T Sx
1 X2
1 +
T S x2
I-21
(67)
(68)
Con objeto de ver la influencia que tienen y SRENDIS en las desviaciones de los
estimadores, hemos realizado los experimentos 2 y 3.
En el experimento 2 se utiliza el mismo modelo que en el experimento 1 pero la
varianza de la perturbaciones utilizada ha sido distinta en cada una de las muestras. En
concreto, en las 5 muestras generadas, segn puede verse en el cuadro 2, se han asignado
a de forma sucesiva los valores 1, 2 3, 4 y 5. Como puede observarse, excepto en el
caso de que =1, los estimadores obtenidos estn muy alejados de los valores de los
parmetros. Se comprueba tambin que segn va creciendo , lo va haciendo tambin su
estimador, aunque, como es previsible, de una forma menos uniforme que el parmetro.
En la figura 5 se ha representado la recta de regresin verdadera y la
correspondiente a estimacin con la muestra 5, donde =5. Como puede comprobarse
estn muy alejadas entre s ambas rectas.
En el experimento 3 se utiliza el mismo modelo que en el experimento 1 y
tambin la misma la varianza de la perturbaciones. Sin embargo hemos utilizado 5
muestras distintas de la variable X. Las 5 muestras se caracterizan por tener la misma
media (21,4), pero una desviacin tpica muestral de X variable, con valores que oscilan,
segn puede verse en el cuadro 3, entre 2,905 de la muestra 1 (igual que en el
experimento 1) y 0,290 de la muestra 5. Como puede observarse, las desviaciones tpicas
de los estimadores crecen de forma drstica a medida que disminuye la desviacin tpica
muestral de la variable explicativa.
CUADRO 2 Resultados Exp. 2
Desviacin tpica de las perturbaciones: Variable
Desviacin tpica de la muestra de RENDIS: Constante ( SRENDIS = 2.905)
Nm
muestra
Desviaciones
tpicas tericas
Desviaciones
tpicas estimadas
R2
-0.037
0.931
2.3509
0.1019
1.4352
3.3738
0.1562
0.816
6.749
0.660
4.7018
0.2177
1.3755
3.2335
0.1497
0.708
-4.152
1.200
7.0527
0.3266
2.3284
5.4735
0.2534
0.737
-19.640
1.828
9.4036
0.4354
4.2124
9.9022
0.4585
0.665
8.654
0.674
11.7545
0.5443
6.3668
14.9667
0.6930
0.106
-1.685
1.059
Media
I-22
34
31
28
CONS5
25
22
19
16
13
10
7
16
18
20
22
24
26
RENDIS
Figura 5. Recta de regresin terica (trazo continuo) y estimada en la muestra 5 del
Exp. 2 (trazo discontinuo)
En la figura 6 se ha representado la recta de regresin verdadera y la
correspondiente a estimacin con la muestra 5, donde SRENDIS =0,290. Como puede
comprobarse en este caso tambin estn muy alejadas entre s ambas rectas.
CUADRO 3 Renta disponible (RENDIS) utilizada en el Exp. 3
t
1
2
3
4
5
6
7
8
9
10
Media
Desviacin tpica
RENDIS1
17.00
18.00
19.00
20.00
20.00
22.00
23.00
24.00
25.00
26.00
21.400
2.905
RENDIS2
19.20
19.70
20.20
20.70
20.70
21.70
22.20
22.70
23.20
23.70
21.400
1.452
I-23
RENDIS3
20.52
20.72
20.92
21.12
21.12
21.52
21.72
21.92
22.12
22.32
21.400
0.581
RENDIS4
20.85
20.97
21.10
21.22
21.22
21.47
21.60
21.72
21.85
21.97
21.400
0.363
RENDIS5
20.96
21.06
21.16
21.26
21.26
21.46
21.56
21.66
21.76
21.86
21.400
0.290
Desviaciones
tpicas tericas
Desviaciones
tpicas tericas
S RENDIS
R2
2
2.213
0.867
2.905
2.3509
0.1019
0.8966
2.1077
0.0996
0.9080
4.077
0.768
1.452
4.6714
0.2178
1.2788
5.9714
0.2784
0.4874
-1.499
1.014
0.581
11.6519
0.5443
0.8597
10.0170
0.4679
0.3700
-25.180
2.141
0.363
18.6453
0.8712
0.9092
16.9454
0.7917
0.4780
-19.886
1.849
0.290
23.3376
1.0904
1.1782
27.4482
1.2825
0.2060
-8.055
1.328
Media
34
31
28
CONS5
25
22
19
16
13
10
7
16
18
20
22
24
26
RENDIS5
Figura 6. Recta de regresin terica (trazo continuo) y estimada en la
muestra 5 del Exp. 3 (trazo discontinuo)
I-24
(69)
b) H 0 : i > i*
c) H 0 : i < i*
(70)
2 N 2 ,
I-25
T Sx
(71)
1 N 1 ,
1 X2
1 +
T S x2
(72)
2 2
N (0,1)
(73)
T Sx
1 1
1 X2
1+
T S x2
N (0,1)
(74)
2 2*
N (0,1)
(75)
T Sx
El problema que se nos plantea es que no se puede calcular el estadstico
anterior porque no se conoce cuando trabajamos con datos reales. Cuando se
sustituye por su estimador , entonces el estadstico anterior se distribuye
como una t con T-k grados de libertad, es decir,
2 2*
tT k
(76)
T Sx
La dispersin de una t de Student es mayor que en una N(0,1), aunque la
dispersin va disminuyendo a medida que aumentan los grados de libertad,
verificndose que:
tn
N (0,1)
n
(77)
I-26
(78)
Una variable F toma siempre valores positivos, mientras que una variable
t, que tiene una funcin de densidad simtrica, puede tomar valores positivos y
negativos. Obsrvese que a cada valor de una F le corresponden dos valores (uno
positivo y otro negativo) en una t. La distribucin del estadstico utilizado en el
contraste incorpora la H0, es decir, se construye bajo el cumplimiento de la
hiptesis nula.
I-27