Está en la página 1de 8

ECONOMETRA I

Licenciatura ADE. Curso 2004 - 2005


Profesor Ramn Maha

EJERCICIOS Y CUESTIONES DE APOYO


SECCIN 2: ESTIMACIN DEL MODELO BSICO DE REGRESIN
LINEAL

CUESTIONES BSICAS
-

Cul es el objetivo de la etapa de estimacin en un MBRL?

La etapa de estimacin pretende obtener estimaciones maestrales para los parmetros


del modelo general:
Y XB U

a partir de las observaciones de la variable endgena (y) y exgenas (x). Pero es


importante recordar que la estimacin no slo debe arrojar valores concretos para
cada parmetro j sino adems, un intervalo de variacin estadstica de cada
parmetro que permita evaluar la precisin de las estimaciones; esto es, un clculo
muestral de las varianzas de los parmetros.
-

Derive la insesgadez del estimador MCO de los parmetros de un MBRL.

La insesgadez se formula como:

Por tanto,

1
1
1
1
E E X ' X X ' Y E X ' X X ' X U E X ' X X ' X X ' X X 'U

E X ' X X 'U E X ' X X 'U X ' X X ' E U

Qu hiptesis bsicas resultan fundamentales para sostener la Insesgadez


de los estimadores MCO del MBRL?

A la vista del proceso de derivacin de la insesgadez (mirar demostracin al efecto) la


nulidad en media de la perturbacin aleatoria es fundamental dado que de otra forma
la esperanza matemtica del parmetro sera entonces:

1
E X ' X X ' E U

Por otro lado, la hiptesis de los regresores X no estocsticos se requiere tambin para
suponer, en el proceso de derivacin de la insesgadez que:

E X'X

X' X'X

X'

En todo caso, y an suponiendo aleatoriedad en las variables exgenas, la


independencia entre las perturbaciones y las variables exgenas permitira escribir:

E X'X

X 'U E X ' X

X ' E U E X ' X

X' 0

La correlacin entre dos variables implica causalidad?.

No. Aunque el estimador MCO utiliza la correlacin como mecanismo de clculo de los
coeficientes, lo cierto es que la correlacin entre dos variables puede interpretarse
habitualmente como un indicio de la existencia de causalidad pero no es un indicador
que, NECESARIAMENTE, implique causalidad. Dicho de otro modo, puede existir
correlacin entre dos variables sin que estas estn necesariamente unidas por una
relacin de causalidad.
Al contrario y en trminos ms precisos, estadsticamente puede comprobarse que para
dos variables normalmente distribuidas, una covarianza o correlacin cero significa
INDEPENDENCIA entre las dos variables.
-

Cmo afecta la hiptesis de normalidad de la perturbacin aleatoria a la


expresin del estimador Mximo Verosmil?

El resultado del clculo del estimador MV se apoya en la distribucin de probabilidad


de las perturbaciones aleatorias de forma fundamental ya que la funcin de
verosimilitud utilizada es, precisamente, la funcin de verosimilitud de las
perturbaciones aleatorias de modo que el tipo de distribucin condiciona, desde el
primer momento, el proceso de derivacin del estimador. La coincidencia entre el
estimador MCO y MV derivada en las lecciones de clase se apoya en una funcin de
verosimilitud para n distribuciones normales (las n perturbaciones), de modo que
cualquier cambio en el tipo de distribucin alterara (quiz significativamente) la
expresin del estimador MV.
-

Por qu razn no usamos como estimador de la varianza de la


perturbacin aleatoria la suma cuadrtica residual entre el nmero de
observaciones n?.

Porque este estimador es Sesgado. Un estimador insesgado puede obtenerse utilizando


la suma cuadrtica residual entre los grados de libertad del modelo n-k.
-

Dado un modelo bsico de regresin lineal genrico expresado en


logaritmos:
log Yi 0 1 log x1i ........ k log x ki u i

Qu significado matemtico tienen los coeficientes del mismo?

Cada uno de los parmetros j de ese modelo puede representarse como la derivada
parcial de (logY) respecto a (log Xj):
j

log Y
log X j

derivada que, su vez, puede calcularse como:


log Y

log X j

Y
Y

X j
Xj

Por tanto, los coeficientes representan en un modelo en logaritmos las elasticidades de


y respecto a cada una de las variables x.
-

Qu importancia tiene la hiptesis de normalidad de la perturbacin


aleatoria en relacin con la distribucin de los parmetros MCO del
MBRL?

La expresin del estimador MCO del MBRL expresa una relacin lineal entre los
estimadores y la perturbacin aleatoria:
X ' X 1 X 'U

Dado que cualquier funcin lineal de variables normalmente distribuidas estar


tambin normalmente distribuida, podemos asegurar que los parmetros MCO para
seguirn tambin una distribucin normal, en concreto, como ya sabemos:
N ( , 2 )
j

EJERCICIOS NUMRICOS
-

PARA HACER A MANO y/o EN EXCEL. Partiendo de los datos que se


muestran en la siguiente tabla para Y y X, calcule los parmetros del MBRL
as como la matriz de varianzas y covarianzas de esos parmetros1.
y
-3
-1
0
2
7

X1
5
10
20
25
40

X2
2
6
5
7
10

Las matrices Y y X son:


1

Extrado de Pulido. A, Modelos Economtricos. Ed. Pirmide

3
1

Y 0
( 5 x1)

2
7

1
1

X 1
( 5 x 3)

1
1

5
10
20
25
40

2
6
5

7
10

Para X ' X 1 X ' Y empezamos haciendo X ' X 1 y luego X ' Y :


5
X ' X 100
30

100
2750
745

30
1,496
1
745 X ' X 0,042
0,358
214

0,042
0,008
0,032

0,358
0,032
0,168

X 'Y 305
72
1,496
1

X ' X X ' Y 0,042


0,358

0,042
0,008
0,032

0,358
0,032

5
5,31
305 0,20

0,40
0,168 72

De modo que el modelo estimado sera:


y i 5,31 0,20 x1i 0,40 x 2i

Para estimar las desviaciones tpicas de los parmetros debemos calcular la matriz de
varianzas y covarianzas:
V ( ) u2 ( X ' X ) 1

El estimador de la varianza de la perturbacin aleatoria se obtiene a partir de la suma


cuadrtica residual dividida entre los grados de libertad:
3,54
0,97

Y 0,60

2,38
6,52

0,54
0,03

e Y Y 0,60

0,38
0,48

e
i 1

2
i

e' e
1,03
e' e 1,03 u2

0,51
nk
2

de donde:
0,77
2
1

V ( ) u ( X ' X ) 0,02
018

0,02
0,0039
0,02

0,18
0,02
0,09

o lo que es igual:
V(0)=0,77
V(1)=0,0039
V(2)=0,09

PARA HACER EN E-VIEWS. La siguiente tabla, presenta los datos de


Precio del Oro, ndice de Precios al Consumo e ndice de la Bolsa de Valores
de Nueva York2. Utilizando MBRL:
1.- Decida qu inversin constituye una mayor proteccin contra la
inflacin.
2.- comente las diferencias entre el resultado obtenido y el que resultara de
la comparacin simple de la rentabilidad de ambos mercados
Ao
1977
1978
1979
1980
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991

Precio Oro
(US$ por Onza)
147.98
193.44
307.62
612.51
459.61
376.01
423.83
360.29
317.30
367.87
446.50
436.93
381.28
384.08
362.04

IPC
1982-1984=100
60.6
65.2
72.6
82.4
90.9
96.5
99.6
103.9
107.6
109.6
113.6
118.3
124.0
130.7
136.2

ndice Bolsa NY
Fin 1965=100
53.69
53.70
58.32
68.10
74.02
68.93
92.63
92.46
108.90
136.00
161.70
149.91
180.02
183.46
206.33

1.- La estrategia de regresin ms plausible consiste en elaborar dos regresiones que


analicen los movimientos de cada uno de los mercados en funcin de los movimientos
de la inflacin:
OROi 0 1 IPCi u i
BNYi 0 1 IPC i u i

Comparando los parmetros 1 y 1 podramos conocer qu mercado evoluciona ms


favorablemente cuando crece el valor del ndice de precios. Sin embargo, los resultados
difieren sensiblemente si las regresiones se efectan en niveles o en tasas de
crecimiento. Si tomamos los resultados de los modelos en niveles, la bolsa parece un
mercado ms seguro para huir de la inflacin; sin embargo, si observamos la relacin
directa entre el crecimiento de los precios del oro o del ndice burstil la evidencia
2

Extrado de Gujarati D.N. Econometra. Mc. Graw-Hill.

apunta a que el mercado del oro se mueve ms favorablemente cuando los precios
crecen (es ms, la relacin entre los movimientos de IPC y los de la bolsa de NY es
aparentemente negativa).
Valor de los parmetros 1 y 1

ORO (1)
BOLSA N.Y (1)

Regresin en
Niveles
1,84
2,12

Regresin en
Tasas
6,03
-0,73

Para resolver esta contradiccin correctamente habremos de recurrir a los coeficientes


de significacin individuales (que se estudiarn en la seccin siguiente)pero, por el
momento, y a falta de un anlisis ms adecuado, lo razonable sera tomar por bueno el
resultado del modelo en tasas tomando como alternativa ms idnea el mercado del
oro.
2.- Efectivamente, una alternativa de anlisis podra orientarse as: El mercado ms
rentable ser el instrumento para protegerse de la inflacin. Si optamos por esta idea
y olvidamos el anterior anlisis, podemos limitarnos a comparar las rentabilidades de
ambos mercados obteniendo la siguientes cifras:

ORO
BOLSA N.Y

Rentabilidad
Acumulada
1977-1991
144,65%
284,30%

Rentabilidad
Media Anual
1977-1991 (*)
6,15%
9,39%

(*) Esta rentabilidad se ha calculado conforme a la expresin

%r 15

V1991
1
V1977

En ambos casos, la bolsa aparece como la alternativa ms rentable. Sin embargo, estas
cifras, ciertas como valores promedio del perodo analizado, esconden los movimientos
que, ao a ao, esto es, a corto plazo, realizan las series ORO y Bolsa con relacin a
los movimientos de la inflacin. As, en algunos aos la correlacin entre los
movimientos del precio del oro y del IPC es tan clara que el coeficiente de correlacin
entre las tasas de ambas series alcanza el 0,61 en el perodo considerado.

EJERCICIOS AVANZADOS
-

Demuestre que el valor medio de la endgena real coincide con el valor


medio de la endgena estimada.

Se trata entonces de probar que:


y
y

Para ello, recurrimos a la forma genrica (para una variable xij) de las ecuaciones
normales presentadas en el proceso de derivacin del estimador MCO:
N

y x
i 1

ji

i 1

i 1

0 xoi x ji 1 x1i x ji .......

Esta ecuacin genrica, para el caso de 0 toma el siguiente aspecto:


N

i 1

i 1

i 1

yi n0 1 x1i 2 x2i .......


Dividiendo el lado izquierdo y derecho entre n, queda:
y 0 1 x1 2 x 2 .......

es decir:
0 y 1 x1 2 x 2 .......

Partiendo ahora de la expresin genrica del MBRL para los parmetros estimados:
y i 0 1 x1i ........ k 1 x k 1i

y sustituyendo en ella la expresin previa de 0 queda:


y i ( y 1 x1 2 x 2 .......) 1 x1i ........ k 1 x k 1i

y i y 1 x1i x1 ........ k 1 x k 1i x 2 ........

Si en esa ltima expresin sumamos ahora todos los valores maestrales y dividimos
entre n quedara:
n

y i

i 1

ny

1
n

x1i x1
i 1

........ k 1

x
i 1

k 1i

x2

........

Y dado que las sumas de las desviaciones de los valores de cada x ij con respecto a sus
medias son nulas, demostramos que:
y
y

Demuestre que la suma de los residuos del MBRL estimado por MCO es
siempre igual a cero.

Partiremos de la demostracin previa, es decir, del hecho de que el valor medio de la


endgena real coincide con el valor medio de la endgena estimada:

y
y

Si escribimos la expresin general:


y i y i ei

y sumamos ahora todos los valores maestrales y dividimos entre n quedara:


y y e

pero dado que


-

y
y

, entonces la media de residuos debe ser nula.

Suponiendo una matriz de regresores X que incumple la hiptesis de


regresores estocsticos, cmo influye la dependencia o independencia de
esos regresores con la perturbacin aleatoria U en la insesgadez de los
estimadores MCO del MBRL.

Si la matriz x contiene regresores estocsticos, entonces, en el proceso de derivacin


de la insesgadez de los parmetros, no podremos escribir:

E X ' X X 'U X ' X X ' E U


1

sin embargo, podemos considerar la siguiente descomposicin:

E X'X

X 'U E X ' X

X ' E U

siempre y cuando X y U sean independientes y, por tanto, an en el caso de X


estocstico, la esperanza nula de U anulara el sesgo del parmetro.
-

Imagine una serie de 10 observaciones del Valor Aadido de un Sector


econmico para 10 aos y otras 10 observaciones del nivel de empleo en ese
sector en esos mismos aos. Si calculase para cada ao el valor del
VA/Empelo (esto es, la productividad aparente del factor trabajo) y a
continuacin calculase el valor medio de esas 10 productividades obtendra
algo as como la productividad media del trabajo a lo largo de esos 10 aos.
Qu diferenciara ese clculo de un coeficiente estimado b en una
hipottica regresin?
VAi b EMPLEOi U i

En realidad, ambos clculos no se parecen demasiado ni siquiera en el plano


aritmtico. En el caso del coeficiente b de la regresin, este se derivara de una
anlisis de la forma en que VA y Empleo co-varan (recuerde la forma del estimador
MCO) mientras que el clculo del promedio simple no considera ms que la media,
sin referencia explcita a varianzas de las variables y/o covarianzas entre las
mismas. Adems, desde el punto de vista inferencial, el procedimiento de regresin
permite obtener intervalos de confianza para el parmetro a partir del valor de le
desviacin tpica asociada al parmetro calculado; esto permite realizar ejercicios
de inferencia en trminos estadsticos.