1

I. INTRODUCCIN A LOS MODELOS

ECONOMTRICOS

1. MODELOS ECONMICOS Y MODELOS

ECONOMTRICOS

MODELO ECONOMICO: TEORIA ECONOMICA

NO CUANTIFICAN LAS RELACIONES
SE ESTUDIAN LAS PROPIEDADES

MODELO ECONOMETRICO:
LAS RELACIONES SE FORMULAN DE FORMA EXPLICITA, CON UNOS PARAMETROS DESCONOCIDOS QUE
SE ESTIMAN A PARTIR DE DATOS DE LAS VARIA-BLES
QUE INTERVIENEN EN EL MODELO
LAS RELACIONES NO SON EXACTAS: SE INTRODUCEN UNAS VARIABLES O PERTURBACIONES ALEATORIAS PARA INDICAR LA PARTE NO EXPLICADA POR
EL MODELO
Ejemplo:

propensin marginal al consumo

elasticidad del consumo respecto de la renta

C = f(R)
1

PM =

dC
dR

EC|R=

d lnC
d lnR

Libro: ECONOMETRA: MODELOS ECONOMTRICOS Y SERIES TEMPORALES con los

paquetes TSP y TSP. Editorial Revert (calle Loreto 13-15). Barcelona. Espaa 1998. Autor: Jos M
Caridad y Ocerin. ISBN 84-291-26139 (dos tomos)

EJEMPLO DE MODELO
La evolucin del consumo de acero (millones de Tm) en un Espaa durante los (17) aos 1969 a 1985 aparece en la siguiente tabla
5.98 7.46
11.35 12.18

8.03
12.64

9.53
12.90

10.81
13.18

11.48 11.09
13.04 13.50

10.98 11.17
14.19

Se trata de ver si podra predecirse el consumo que hubo en la

segunda dcada de los 80.
16
14
12
10
8
6
4

70

72

74

76

78

80

82

84

86

88

ACERO

Informacin grfica:
Tendencia
Inflexin en 1974
Oscilaciones cclicas
Ayuda en la eleccin de una forma funcional

Modelos alternativos

yt = 0 + 1t + t
yt = 0 + 1t + 2 t 2+ t
yt = 0 + 1 yt-1 + t
yt = 0 + 1 yt-1 + 2 t + t

90

yt = 0 + 1 yt-1 + 2 t + 3 t2 + t

Ajuste de una recta:

18
16
14
12
10
8
6
4

70

72

74

76

ACERO

78

80

82

84

YEST

86

88

90

ACEROF

Acerot = 7.383 + 0.41828 t + et

Recta estimada:

t = 1, 2, 3, ......, 17
r2 = 0.87
Predicciones:
1986: t = 18

Acro18 = 7.383 + 0.41828 18 = 14.49

1987: t = 19

Acro19 = 7.383 + 0.41828 19 = 14.91

Lmites en el uso del modelo:

Horizonte de prediccin
Especificacin:

forma funcional
bondad del ajuste
variables causales o explicativas

Uso del conocimiento econmico

2. ELEMENTOS DE UN MODELO ECONOMTRICO

variables: endgena (y)
predeterminadas: exgenas (x1,x2,....)
endgena retardada
perturbaciones aleatorias ()
parmetros (, , 1, 2,.....)

Clases de modelos: estticos o de corte transversal

dinmicos
uniecuacionales
multiecuacionales
lineales
no lineales
modelos con variable endgena numrica
modelos con variable endgena cualitativa

Especificacin de la forma estructural

y=+x+
y = 0 + 1x1 + 2x2 + ..... + kxk +
ln y = + x +
y = 0 + 1x + 2x2 +
y = ex +

ln y = * + x + *

y = x11x22 +

ln y = * + 1lnx1 + 2lnx2 + *

y=

1
1 e

( x )

Elementos de ayuda para la especificacin:

1. conocimiento econmico
diagramas causales
2. diagramas de dispersin
medidas de asociacin entre variables
tests y otras tcnicas estadsticas
3. probar varias especificaciones alternativas
anlisis estadstico de los errores
4. anlisis de los resultados obtenidos y su lgica
econmica
predicciones
Qu ocurre si una especificacin es inadecuada?

Cmo decidir si una especificacin es inadecuada?

Un modelo no es la realidad, sino una representacin

abstracta que debe ayudar a comprender mejor la
realidad.
No tiene porqu existir un mejor modelo, ni siquiera
poder afirmar categricamente que un modelo es
mejor que otro.

FASES EN LA CONSTRUCCIN DE UN MODELO

Especificacin:
Se basa en la Teora Econmica y en el conocimiento
de la situacin a modelizar
No hay que perder nunca de vista los objetivos
Existen herramientas estadsticas de ayuda

Estimacin de un modelo:
Datos: (y1,x1), (y2,x2), .... , (yn,xn)
Modelo terico: y = + x +

yi = + xi + i

i = 1,2,...,n

Modelo estimado: y = a + b x + e

yi =a + b xi + ei
Mtodos de estimacin:

i = 1,2,...,n

Modelos uniecuacionales

Mnimos cuadrados
Mnimos cuadrados generalizados o mtodo de Aitken
Mnimos cuadrados condicionados
Mxima verosimilitud
Modelos multiecuacionales
Mnimos cuadrados bietpicos
Mnimos cuadrados trietpicos
Mxima verosimilitud

Medidas de ajuste:
Coeficiente de determinacin r2
Criterios de Akaike y de Schwarz

Contrastes diagnsticos sobre el modelo estimado

Tests sobre la especificacin
Tests T para la inclusin/exclusin de
variables
Anlisis de los residuos
Congruencia econmica de los resultados
Lgica en las predicciones

Naturaleza de las perturbaciones aleatorias

1, 2,....., n
Variables aleatorias
i N(0, 2 ),
centradas,
homocedsticas
no autocorreladas Cov(i , j) = 0 i j
La estructura (ideal) de las perturbaciones es
ruido blanco
Representan a todas las variables
explicativas de y, no incluidas en el modelo,
por ser cada una de stas poco influyentes
Naturaleza de los residuos e1, e2, ...., en
Valores numricos, positivos y negativos
Son los errores cometidos en la estimacin
No deben tener tendencia en variabilidad
(heterocedasticidad), ni estar relacionados
unos con otros (autocorrelacin)

3. DESARROLLO HISTRICO DE LA ECONOMETRA

Anlisis estadstico actuarial: Renacimiento

Series temporales: accidentes, precios, seguros, .
Siglos XVII a XIX: desarrollo de la Teora de
Probabilidad
Siglo XX: desarrollo de la Estadstica
Crisis del ao 1929
1930 Fundacin de la Econometric Society
1933 Revista Econometrica
1933 Comisin Cowles
1949 Jan Tinbergen: primer tratado de
Econometra
1957 M.H. Quenouille Modelos Arma
1970 G.E.P. Box y G.M. Jenkins: Time Series
Analysis Forecasting and Control
1980 Difusin de paquetes economtricos en
ordenador
1990 Acceso masivo a informacin econmica

4. FUENTES DE ESTADSTICAS ECONMICAS

EUROSTAT

INTERNET

INE
BANCO DE ESPAA

M. DE ECONOMIA

IEA
Empresas

Ceprede

I.N.E.
Boletn Mensual de Estadstica
Anuario Estadstico de Espaa
Estadsticas de Poblacin
Censos de poblacin, viviendas, edificios
E.P.A.
Movimientos de poblacion, mortalidad,
natalidad
Estadsticas sociales
Censo electoral
Estadsticas enseanza, hospitalarias,
judiciales, indicadores sociales
Encuesta de presupuestos familiares
Estadsticas econmicas
Contabilidad Nacional
Tablas Input-Output
Macromagnitudes de la economa espaola
I.P.C. y otros ndices de precios
Estadsticas de salarios, mercantiles,....
Coyuntura
Estadsticas agrarias, industriales y del sector
servicios

5. PAQUETES ECONOMTRICOS EN ORDENADOR

DOS
TSP
TSP
Taste
WINDOWS
EViews
Rats
Forecast Pro
SCA
Autobox
Seats-Tramo
SAS/ETS
UNIX
Rats
SCA
SAS/ETS

OTROS SISTEMAS OPERATIVOS

EJEMPLO DE CONSTRUCCION DE UN MODELO

RENDIMIENTO DE UN CULTIVO
En una empresa agraria se realiza un experimento
para evaluar la cantidad de fertilizante ptima
para maximizar la ganancia, experimentando en
n = 10 parcelas en las que se miden las variables:
x = kg/ha de fertilizante
Y = beneficios adicionales/ha en miles de ptas.
Y
55
45
49
62
73
51
5
79
69
72

80

60

x
15
10
12
19
30
14
21
31
25
28

40

20

0
5

10

15

20
X

25

30

35

ESTIMACION DE UN MODELO LINEAL SIMPLE

LS // Dependent Variable is Y
Sample: 1 10
Included observations: 10
Variable Coefficient Std. Error t-Statistic Prob. p
----------------------------------------------------------------------C
26.85126
18.21619 1.474033 0.1787
X
1.421890
0.836962 1.698869 0.1278
----------------------------------------------------------------------R-squared

0.265122 = R2

Mean dependent var

Adjusted R-squared 0.173

56.0

S.D. dependent var 21.28 =

sy

S.E. of regression

19.35 =

Akaike info criterion

6.1

Sum squared resid 2995.364 = Se

Schwarz criterion

6.2

Log likelihood -42.70056

F-statistic

2.886 = F

Durbin-Watson stat 2.2533 = DW

Prob(F-statistic)

0.127 = p

se

Modelo estimado:
Yi = 26.85 + 1.422 xi + ei =
i = 1,2,...,10

Yi

+ ei

VALORES ESTIMADOS Y RESIDUOS

i
Y
e
Y
obs Actual
Fitted
Residual
Residual Plot
------------------------------------------------------------------------------------1
55
48.18
6.82
|
. |* .
|
2
45
41.07
3.93
|
. |* .
|
3
49
43.91
5.09
|
. |* .
|
4
62
53.87
8.13
|
. |* .
|
5
73
69.51
3.49
|
. |* .
|
6
51
46.76
4.24
|
. |* .
|
7
5
56.71
-51.71
|* . | .
|
8
79
70.93
8.07
|
. |* .
|
9
69
62.40
6.60
|
. |* .
|
10
72
66.66
5.34
|
. |* .
|

80
60
40
20
20

0
-20
-40
-60
1

Residual

6
Actual

9
Fitted

10

MODELO SIN EL DATO ANORMAL

LS // Dependent Variable is Y
Sample: 1 6 8 10
Included observations: 9
---------------------------------------------------------------------Variable Coefficient
Std. Error t-Statistic Prob.
----------------------------------------------------------------------c
31.4975
1.7016
18.51
0.0000
X
1.4757
0.078
18.95
0.0000
----------------------------------------------------------------------R-squared
0.981
Mean dependent var 61.667
Adjusted R-squared 0.978
S.D. dependent var
12.176
S.E. of regression 1.800
Akaike info criterion 1.3688
Sum squared resid 22.68
Schwarz criterion
1.4127
Log likelihood
-16.93
F-statistic
358.99
Durbin-Watson stat 2.402
Prob(F-statistic)
0.000000
------------------------------------------------------------------------------Modelo estimado: Yi = 31.4975 + 1.4756 xi + ei =
i = 1,2,...,6,8,9,10
80
70
60
4

50

40

0
-2
-4
1

3
Residual

5
Actual

9
Fitted

10

Yi

+ ei