Está en la página 1de 16

MEDICIN DE LA FUNCIN DE CONSUMO

INTRODUCCIN

El objetivo fundamental de la econometra es la medicin de teoras econmicas y de que stas


han sido formuladas de forma determinstica (no probabilstica): Se propone la explicacin del
consumo agregado en funcin de la renta agregada, desde 2

Modelos Economtricos

Determinsticos. Se desea comprobar la teora econmica Keynesiana que postula la influencia


positiva de la renta sobre el consumo (Funcin de consumo Keynesiana). Dicha influencia se
mide mediante la propensin marginal al consumo (PMgC), que est acotada entre 0 y 1.
La informacin muestral se obtuvo de la Secretara de Economa y son datos trimestrales (sin
estacionalidad), desde el 1er trimestre del ao 1986 hasta el 2 trimestre del ao 1996.
No se utilizaron todos los datos para las estimaciones, se dejaron los de los 2 ltimos trimestres
para realizar predicciones.
Los 2 modelos utilizados para medir dicha teora econmica son:
1.- Modelo de Regresin lineal Mltiple:
Ct = 1 + 2 Rt + 3 Tt
donde: Ct; Gasto Agregado en Consumo
Rt, Renta, aproximada por el PIB
Tt, Tendencia, que se incluye al observar que, tanto Ct como Rt, representan una
tendencia positiva. De este modo pretendo eliminarla y medir la relacin cclica entre las
variables
2 PMgC.
2.- Modelo de Ecuaciones Simultneas(MES)

Ct = 1 + 2 Rt
Rt = C t + It

donde; It, Inversin.


En este modelo no he incluido la tendencia para evitar el problema de la multicolinealidad,
aunque, en este caso, se puedan presentar problemas de especificacin.
En este MES, la medida de la PMgC tiene en consideracin la dependencia causal bidireccional
entre Ct y Rt .

3.- Modelo Univariante, con el que se identifica una ecuacin ARIMA que mide (o explica) el
consumo, Ct, en funcin de sus valores retardados.
Esta ecuacin, sin embargo, no nos permite medir la PMgC y se utiliza, sobre todo, para obtener
predicciones a corto plazo.
En este modelo se utilizarn los datos de consumo agregado hasta el 1er trimestre de 1996
(inclusive), ya que, al aplicar una 1 diferencia, se pierde una observacin. De este modo se
utilizan 40 datos (como en los otros 2 modelos) y se usa la observacin del 2 trimestre de 1996
para obtener predicciones.
Observaciones
1986.1
1986.2
1986.3
1986.4
1987.1
1987.2
1987.3
1987.4
1988.1
1988.2
1988.3
1988.4
1989.1
1989.2
1989.3
1989.4
1990.1
1990.2
1990.3
1990.4
1991.1
1991.2
1991.3
1991.4
1992.1
1992.2
1992.3
1992.4
1993.1
1993.2
1993.3
1993.4
1994.1
1994.2
1994.3
1994.4

C
5019,732879
5067,130703
5132,509501
5218,352406
5322,779988
5377,242633
5436,610088
5485,222845
5544,972831
5627,907599
5713,139635
5797,696718
5884,687987
5967,402383
6030,498764
6083,223406
6134,801492
6194,418973
6237,776077
6271,588808
6297,506246
6357,592202
6421,37148
6479,917126
6520,817301
6560,092615
6550,102648
6490,773591
6403,026191
6387,421853
6379,838101
6372,550112
6383,724606
6413,093251
6462,936112
6515,465907

R
7958,596944
8031,696059
8118,599963
8195,765521
8341,171891
8478,001255
8611,097006
8717,240409
8814,091266
8931,976661
9031,258451
9132,703121
9244,952445
9355,914602
9457,420969
9553,109666
9642,300498
9722,120188
9802,424186
9851,450675
9888,739851
9947,365289
10016,85046
10050,23202
10070,34253
10075,6107
10044,6356
9986,854927
9937,69121
9907,367983
9906,05039
9958,930846
10037,91799
10115,35656
10187,08479
10263,64173
2

T
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

I
2938,864065
2964,565357
2986,090463
2977,413115
3018,391903
3100,758623
3174,486918
3232,017564
3269,118435
3304,069062
3318,118816
3335,006404
3360,264458
3388,512218
3426,922205
3469,88626
3507,499006
3527,701215
3564,648109
3579,861867
3591,233605
3589,773087
3595,478981
3570,314897
3549,525229
3515,518081
3494,532953
3496,081336
3534,665018
3519,94613
3526,212289
3586,380734
3654,193382
3702,263313
3724,148679
3748,175821

1995.1
1995.2
1995.3
1995.4
1996.1
1996.2

6534,577682
6535,120075
6543,202477
6571,36597
6616,24323
6661,233789

10341,10491
10411,06019
10457,39853
10497,3697
10558,82202
10635,41767

37
38
39
40
41
42

3806,527226
3875,940117
3914,196051
3926,00373
3942,578791
3974,183881

I MODELO DE REGRESIN LINEAL MLTIPLE

Ct = 1 + 2 Rt + 3 Tt
ESTIMACIN MCO DE LOS PARMETROS b = (XX)-1 XY
Considerando la ecuacin transformada en desviaciones a las medias:
_

Yt-Y = 2 (X2t-X2)+ 3 (X3t-X3) yt = 2 x2t + 3 x3t


Donde:
Yt = Ct (CONSUMO t)
X2t = Rt (RENTA t)
X3t = Tt (TENDENCIA t)
Matrices producto:

X Y=

x y NSx y
x y NSx y
2

, XX =

NSx 2 x 2

x 2 NSx 3 x 2

x 3 NSx 2 x 3

2
3

MATRIZ DE VARIANZAS Y COVARIANZAS


Ct
Rt
Tt

Ct
242423,188
353060,345
5165,42623

Rt
353060,345
549762,951
7950,54358

Tt
5165,42623
7950,54358
136,666667

Estimo los parmetros:

b = (X X)-1 XY =

Sx x Sx x
Sx x Sx x

2
3

2
3

Sx
Sx

NSx 3 x 3

_
C = 6068,204782
R = 9527,33745
T = 20,5

549762,951 7950,54358

b2

7950
,
54358
136
,
666667
b3

= 11923126 ,93

136,666667

7950,54358

0,0000114623
0,0006668

b1 =

C b 2 R b3T

0,0006668

0,046108957

1 353060,345

5165,42623

7950,54358 353060,345

=
549762,951 5165,42623

353060,345
b 2 0,6024

5165,42623
b3 2,7517

= 6068,204782-(0,6024 9527,33745)-(2,7517 20,5) = 272,5252

La ecuacin estimada por MCO es: t=272,5252 + 0,6024 Rt + 2,7517 Tt

INTERPRETACIN
El coeficiente ms importante de la estimacin es b2 que representa la Propensin Marginal al
Consumo (PMgC), es decir, lo que vara el consumo agregado cuando la renta agregada vara en
una unidad.
En este caso, la PMgC = b2 = 0,6024 , nos dice que cuando la renta vara en una unidad, el
consumo lo hace en 0,6024 unidades.
Este resultado confirma la teora de Keynes: influencia positiva de la renta sobre el consumo y
PMgC acotada entre 0 y 1 (0 < PMgC < 1)
Para saber en que proporcin vara el consumo, cuando la renta lo hace en un 1%, calculo la
elasticidad media:

b2

9527,33745

0,6024 6068,204782 = 0,9457

Es decir, lo har en un 0,94%

Los otros 2 coeficientes estimados son menos importantes:


b1 representa el consumo autnomo b1 = 272,5252
b3 nos da la variacin del consumo cuando la tendencia aumenta en una unidad. Se podra
interpretar la tendencia como el resto de factores que influyen en el consumo, englobados en la
clusula ceteris paribus b3 = 2,7517
VALIDACIN DE LA ECUACIN

Coeficiente de Determinacin; Es una medida de la bondad del ajuste alcanzado en la estimacin


por MCO:
R2 1

S ry2
S

2
y

4562,75878
0,98117854
242423,188

El ajuste es bastante bueno: el 98,11% de la variacin del consumo est explicado por la
ecuacin estimada.
Multicolinealidad; Se mide por la correlacin existente entre las variables explicativas incluidas
en la ecuacin:
Coeficiente de correlacin entre Rt y Tt:
Sx2x3

7950,54358

7950,54358

R = Sx2 Sx3 732,13310111,543396 4 8451,302602 0,9407477 =


o A la vista de estos resultados, podemos afirmar que existe un alto grado de
multicolinealidad (94,07% de correlacin entre renta y tendencia).
o La multicolinealidad es un problema grave, propio de la regresin mltiple.
Asumiendo la hiptesis de que las variables renta y tendencia recogen causas diferentes
cualitativamente, la evidencia emprica descubre una correlacin cuantitativa que contradice la
hiptesis de partida.
Hay una parte comn en el movimiento de renta y tendencia que impide establecer la
contribucin causal de cada variable a la explicacin de la variacin del consumo.
Adems, no hay ningn criterio para poder precisar si por debajo de un cierto valor del
coeficiente de correlacin, la multicolinealidad es irrelevante.
PREDICCIN PUNTUAL
1er Trimestre de 1996: R1996.1 = 10558,822 T1996.1 = 41
1996.1 = 272,5252 + 0,6024 (10558,822) + 2,7517(41) = 6745,97929
siendo C1996.1 = 6616,24323 el error de prediccin es: 1996.1 - C1996.1 = 129,73606
que supone un porcentaje de

-C
C
129,73606

0,0196 1,9%
C
6616,24323

2 Trimestre de 1996: R1996.2 = 10635,4177 T1996.2 = 42


1996.2 = 272,5252 + 0,6024 (10635,4177) + 2,7517(42) = 6794,872204
siendo C1996.2 = 6661,23379 el error de prediccin es: 1996.2 - C1996.2 = 133,6384
que supone un porcentaje de

-C
C
133,6384

0,02 2%
C
6661,23379

Un error de prediccin de, aproximadamente, el 2% puede ser considerado como grave o no en


este tipo de anlisis, dependiendo de lo que se espere del modelo.

II MODELO DE ECUACIONES SIMULTANEAS (MES)


INTRODUCCIN
Entre las variables de Consumo y Renta existe una relacin de interdependencia :El gasto en
consumo depende de la renta pero, adems, la renta est determinada por la Demanda Agregada,
uno de los componentes es el consumo.
Este tipo de relacin exige una explicacin simultnea con un sistema de 2 ecuaciones:
Ct=1+ 2Rt
Rt=Ct+ It
Donde tenemos 2 variables endgenas, consumo y renta, y 2 variables predeterminadas, la
variable del trmino independiente (Ft=1) y la inversin (It)
IDENTIFICACIN DE LAS ECUACIONES
El problema de la identificacin hace referencia a la posibilidad (o no) de obtener los parmetros
estructurales de un MES a partir de los parmetros de la forma reducida asociada, los cuales se
pueden estimar por MCO por no presentar problemas de simultaneidad entre variables endgenas
y explicativas.
Para comprobar si las ecuaciones del sistema estn identificads se utilizan 2 reglas:
1 Condicin de orden:(K-k) + (M-m) > M-1
Solo necesitamos aplicarla a la 1 ecuacin ya que la 2 es una identidad contable y no lo
precisa.
Variables predeterminadas del modelo K=2 : Ft e It
6

Variables predeterminadas de la 1 ecuacin k=1 : Ft = 1


Variables endgenas del modelo M=2 : Ct y Rt
Variables endgenas de la 1 ecuacin m=2 : Ct y Rt
Comprobamos si se cumple la condicin de orden:
( 2 1 ) + ( 2 2 ) 2 1 1 = 1 Se cumple, adems, el que el signo sea = nos dice
que la ecuacin esta exactamente identificada.
2 La condicin de rango establece que una ecuacin est identificada si y solo si, puede
construirse, al menos, un determinante distinto de cero de orden (M-1)x(M-1), a partir de
los coeficientes de las variables (endgenas y predeterminadas) excluidas de esa ecuacin
particular pero incluidas en las otras ecuaciones del modelo.Construyo la matriz de
coeficientes del modelo.
Ct

Rt 1

It

1 Ecuac. 1
2 Ecuac. -1

-2 -1 0
1

-1

En la 1 ecuacin se cumple la condicin de rango ya que existe un determinante no nulo de


orden 1x1 |-1|
Por tanto, la funcin de consumo resulta exactamente identificada (cumple las 2 condiciones).

ESTIMACIN DE LOS PARMETROS


En este contexto multiecuacional, la estimacin MCO no es buena en tanto que la
variable endgena, Rt, est siendo utilizada como regresor.
Al estar la funcin de consumo exactamente identificada, puede utilizarse cualquiera de
los 3 mtodos de Estimacin Simultnea:Mtodo de los MCI, Mtodo de los MC2E Mtodo de
VI.
Utilizo el Mtodo de Variables Instrumentales (VI). Utilizar como instrumento la
variable predeterminada que no aparece en la ecuacin a estimar, pero que si esta en el modelo,
es decir, la inversin agregada (It).

*
1
*
( Z ' Z ) Z ' Y

Nota De Z a Z*, cambio la variable endgena que acta como regresor en la ecuacin, Rt, por la
exgena que no aparece en sta, It.

C
I C

Z * 'Y

R
R I

(Z * ' Z )

t t

Utilizando los datos trimestrales de consumo, renta e inversin agregada entre 1986.1 y
1995.4, paso a realizar la estimacin de la funcin de consumo.
Dividiendo Ct, Rt e It por 1000 para simplificar los clculos, los sumatorios obtenidos son:
Ct = 242,728 N=40
Rt = 381,093 RtIt = 1325571,31
It = 138,365 ItCt = 844296,925


*
1
*
Sustituyndolos: ( Z ' Z ) Z ' Y

40

138,365

381,093
1325571,31

C
I C

242,728
844296,925

1325571,31
1
52970122,47 138,365

0,025

0,0000026

R
R I

381,093 242,728
844296,925
40

0,0000072 242,728
0,0107

0,00000075 844296,925
0,6325

La ecuacin estimada es: t=-0,0107 + 0,6325 Rt


INTERPRETACIN
En este caso, es la PMgC estimada

gC 0,6325
PM

vara en 1 unidad, el consumo lo hace en 0,6325 unidades.


8

y nos dice que cuando la renta

Por otra parte, vemos que tambin con un MES podemos validar empricamente la teoria
keynesiana de la funcin de consumo: influencia positiva y acotada entre 0 y 1.
La PMgC aqu estimada difiere ligeramente de la estimada por MCO. Al menos, tericamente, es
mejor, ya que tiene en cuenta la interdependencia entre consumo y renta.
Este modelo, al incluir solo una variable exgena en la funcin de consumo(adems de la
variable del trmino independiente), no presenta multicolinealidad, aunque excluir la tendencia
puede traer problemas de especificacin(no inclusin de variables relevantes en la explicacin
del consumo).
PREDICCIN PUNTUAL
1er Trimestre de 1996 R1996.1=10558,822
1996.1= -0,0107 + 0,6325(10558,822) = 6678,4444215
C 1996.1= 6616,24323
Error en la prediccin 62,2 0,94%
2 Trimestre de 1996 R1996.2=10635,4177
1996.2= -0,0107 + 0,6325(10635,4177) = 6726,890995
C 1996.2= 6661,23379
Error en la prediccin 65,65 0,98%
Las predicciones puntuales son ms precisas que las realizadas con el modelo de
regresin mltiple el error de prediccin tiene un porcentaje de menos del +1%.

III MODELO UNIVARIANTE

INTRODUCCIN
Dada la serie temporal Ct , de valores de periodicidad trimestral (desde 1986.1 a 1996.1), se
efecta una medida de dicha serie desde la relacin con sus valores anteriores o retardados.
La ecuacin que se propone para explicar la serie permite generar numricamente los datos de la
misma y obtener predicciones a corto plazo.
La crtica fundamental de este tipo de modelos es que, siendo el objetivo ltimo de la
econometra, medir teoras econmicas, no permite hacerlo: es una medida sin teora.
9

Adems, el carcter emprico de la ecuacin generadora de datos, impide que sta tenga carcter
genrico y universal, como si lo tienen las leyes deducidas tericamente.

PROCESO ESTOCSTICO ESTACIONARIO


Una serie es estacionaria en sentido dbil si la media, la varianza y las autocovarianzas son
constantes para todo t. La estacionariedad de la serie temporal es una condicin indispensable
para:
* poderla medir con procesos lineales en diferencias:

El Teorema de Wold establece que

cualquier proceso estocstico estacionario se puede representar mediante un proceso lineal que
tiene 2 partes, una determinstica y otra estocstica.
* poder efectuar la inferencia en la ecuacin que se proponga.
Como la serie de consumo agregado, Ct, no es estacionaria, hay que transformarla previamente
para lograr otra serie estacionaria y efectuar la medida con ella. La transformacin propuesta es
la 1 diferencia del logaritmo neperiano de C t(D(Ln Ct)) que aproxima la tasa de variacin del
consumo.

IDENTIFICACIN
Para identificar el proceso ARIMA(p,d,q) que da lugar a la serie de consumo agregado (1986.11996.1), procedo a estimar el correlograma de la serie D(Ln Ct)).
Para esta variable, D((Ln Ct)), a la que llamar X t, habr un proceso generador de datos(una
ecuacin ARMA) que se identifica desde la Funcin de Autocorrelacin Total (FAT) y la funcin
de Autocorrelacin Parcial (FAP) estimadas desde la serie.

CORRELOGRAMA
Clculo de la FAT estimada
Partiendo del siguiente cuadro de sumatorios y siendo u el nmero de retardos, los valores
estimados de la FAT, los calculo a partir de la siguiente expresin:
ru

( X X )( X
(X X )

t u

X)

10

(X
(X
(X
(X
(X
(X
(X

X ) 0,0018221246

X )( X t 1 X ) 0,00153601

X )( X t 2 X ) 0,00114704

X )( X t 3 X ) 0,00082522

X )( X t 4 X ) 0,00006422

X )( X t 5 X ) 0,00051099

X )( X t 6 X ) 0,00043083

r1

0,00153601
0,84338476
0,0018221246

r2

0,00114704
0,62981322
0,0018221246

r3

0,00082522
0,45310749
0,0018221246

r4

0,0006422
0,35262788
0,0018221246

r5

0,00051099
0,28057272
0,0018221246

r6

0,00043083
0,23655757
0,0018221246

Clculo de la FAT estimada


Para u = 1 a11 = r1 = 0,84338476
Para u = 2 Se propone la ecuacin: X t a 21 xt 1 a 22 xt 2 Vt , de la que se deducen las
ecuaciones de Yule-Walker:
r1 a 21 a 22 r1
r2 a 21 r1 a 22

ru a 21 ru 1 a 22 ru 2

resolviendo el sistema:

r2 r12 0,62981322 (0,84338476) 2 0,081484633


a 21

0,282244639
0,288702146
1 r12
1 (0,84338476) 2
Para u = 3 Se propone la ecuacin:
Z t a 31 Z t 1 a 32 Z t 2 a 33 Z t 3 Vt , y desde:

ru a 31 ru 1 a 32 ru 2 a33 ru 3 , se tiene que:

11

a33

1
r1
r2

r1
1
r1

r1
r2
r3

1
r1

r1
1

r2
r1

r2

r1

1
0,84338476
0,62981322

0,84338476
1
0,84338476

0,84338476
0,62981322
0,45310749

1
0,84338476

0,84338476
1

0,62981322
0,84338476

0,62981322

0,84338476

0,002902088
0,03783234
0,076709184

Representacin grfica: correlograma

Clculo del VC: VC

2
N

0,316227

40

Los valores estimados de la FAT y de la FAP que no superen el valor crtico (VC=|
0,316227 |), se consideran nulos a efectos estadsticos.
FT

FP
1

0,31

-0,31

-1

-1

Identificacin, Considerando que la serie estacionaria, D(Ln C t), genera una FT decreciente en
progresin, sin que se anule y la FP es no nula solo en el orden 1, se propone como proceso
generador de estos datos, un Proceso Autorregresivo de Orden 1 (AR(1)):
X t 0 1 X t 1 Vt

Si el proceso generador de la serie estacionaria es un AR(1), el proceso generador de la serie de


consumo, Ct, es un ARIMA(p=1,d=1,q=0)

12

ESTIMACIN
La estimacin de los parmetros de X t 0 1 X t 1 Vt , se realiza por MCO:

( X X )( X X ) 0,843270484 r
(X X )

t 1

t 1

0 X 1 X 0,00107784

Por tanto, la ecuacin estimada para explicar la tasa de variacin del consumo
X t 0,00107784 0,843270484 X t 1

(aproximada por D(Ln Ct) es:

VALIDACIN
Constatacin de la estacionariedad
La estimacin del parmetro autorregresivo, 1 , cumple la condicin de estacionariedad:
| 0,843270484 | 1
1

Anlisis de la autocorrelacin de los residuos o discrepancias


Los residuos son: Vt d t X t X t . Si cumplen la condicin de no autocorrelacin sern ruido
blanco (RB) y la ecuacin que los genera ser considerada vlida. En caso contrario, es posible
que se hayan omitido trminos relevantes en el modelo.
Para un anlisis ms preciso, voy a calcular los 2 primeros valores de la FAT de las
discrepancias:
r

d d
d

d d
d

t 1

2
t

t 2

2
t

0,00011546
0,2222654
0,000519486

0,0000404119
0,077792188
0,000519486

Esto confirma la autocorrelacin.


En trminos estrictos habra que invalidar la ecuacin: las discrepancias no son variables
puramente aleatorias (RB).
Sin embargo, en trminos estadsticos, se consideran nulos los valores estimados de la FT que
no superan el valor crtico:
13

VC

2
N

2
40

0,316227

Ni r1, ni r2 lo superan, por tanto, estadsticamente se consideran nulos y podemos considerar que
la ecuacin es vlida.

PREDICCIN PUNTUAL
Para 1996.2, siendo X1996.1 = 0,006806:
X 1996.2 0,00107784 0,843270484(0,006806) 0,006817

X1996.2 = 0,006777, el error de prediccin es:


X 1996.2 X 1996.2 0,006817 0,006777 0,00004

el porcentaje de error:

0,00004
0,0059 0,59%
0,006777

En el 2 trimestre de 1996, la tasa de variacin prevista es de un 0,68%, que supone un nivel de


consumo de:
1996.2=C1996.1 (1,006817)= 6616,24323(1,006817) =6661,34616
C1996.2=6661,23379, el error de prediccin es:
1996.2-C1996.2 =6661,34616-6661,23379=0,11237009
0,11237009

el porcentaje de error es: 6661,23379 0,000016869 0,0016% 0%


Se puede afirmar que es un buen modelo para la prediccin a corto plazo con los datos utilizados.
Tal vez, con otros datos, no pudiramos decir lo mismo.

IV CONCLUSIONES
De los clculos realizados se deduce que:
La relacin cclica entre consumo y renta (PMgC) tiene signo positivo y est acotada entre 0
y 1, tal y como postula la Funcin de Consumo Keynesiana. Esta se ha medido con 2 modelos
diferentes:
I. Modelo de Regres Regresin lineal Mltiple C t 272,5252 0,6024 Rt 2,7517Tt
14

Esta ecuacin presenta problemas de Multicolinealidad (la correlacin existente entre las
variables explicativas no permite establecer con precisin la contribucin causal de cada una de
ellas a la explicacin de la variacin del consumo), las discrepancias de la regresin estn
autocorrelacionadas: se observan ciclos no explicados por la ecuacin. La estimacin por MCO
no es adecuada dada la relacin bidireccional entre consumo y renta.
Los problemas de multicolinealidad y de relacin bidireccional con un MES que excluye la
tendencia y, tiene en cuenta la interdependencia entre consumo y renta.

II. Modelo de Ecuaciones Simultneas (MES) C t 0,0107 0,6325Rt

La medida se ha mejorado tericamente con esta ecuacin pero sigue presentndose el


problema de la autocorrelacin de las discrepancias: siguen existiendo ciclos no explicados.
La identificacin univariante del consumo agregado es un ARIMA (p=1,d=1,q=0). La de su
transformacin, D(LnCt), es un AR(1):
X t 0,00107784 0,843270484 X t 1

Con este modelo tambin quedan ciclos de la tasa de variacin del consumo sin explicar,
aunque, estadsticamente, las correlaciones de los residuos sean consideradas nulas. Este modelo
no mide ninguna teora econmica, se limita a ser un proceso generador de datos y un modelo
predictivo a corto plazo.
En cuanto a la exactitud en las predicciones a corto plazo, el mejor modelo es el ltimo.
De los modelos estructurales, el que presenta un menor porcentaje de error en la prediccin es el
MES.

V VALORACIN DE LOS MODELOS


En nuestra opinin, el mejor modelo para medir teoras econmicas es el 1: Modelo
Uniecuacional; Regresin lineal mltiple.
Asumiendo que presenta determinados problemas economtricos de difcil solucin, a la vez, es
consecuente con la ley que se desea contrastar empricamente:

15

* Una variable econmica se hace depender de otra(1 variable explicativa) Teora


Econmica.
* Se incluye como 2 variable, la tendencia, cuya interpretacin es tambin acorde al modo en
que se redacta dicha teora:la tendencia engloba el resto de factores que le influyen y que, al
tener los datos carcter temporal, no permanecen constantes (clusula de ceteris paribus)
Se evit, en la medida de lo posible, utilizar la inferencia estadstica (contrastes de hiptesis e
intervalos de confianza) ya que no me parece serio hacerlo:
Los datos de los que disponemos para hacer las regresiones no son variables aleatorias, ni las
discrepancias son ruido blanco.
El suponer, a priori, que s lo son para despus demostrar una y otra vez que no se pueden
considerar como tales, me parece absurdo. Creo que el fin no justifica los medios.
Adems, las teoras econmicas estn formuladas de forma determinista: ofrecen el signo de la
relacin y, a veces, un intervalo de posibles valores. Medirlas, es contrastar empricamente lo que
postulan. El que el valor de los parmetros sea constante o no, se puede ver haciendo un gran
nmero de regresiones, con distintos datos y despus valorar los resultados ya que nuestra
muestra no es representativa: El que en una determinada regresin, el valor estimado de la
PMgC sea 0,6, no quiere decir que el valor real(si existe) de la PMgC sea 0,6.
En Econometra se puede pasar de lo general a lo especfico, pero no al contrario: no utilizamos
muestras aleatorias, no podemos utilizar la inferencia.

16