Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Cap1 PDF
Cap1 PDF
Captulo1:Introduccin
AmparoSancho
GuadalupeSerrano
BernardCabrer
coomra 1
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
Captulo 1 Introduccin
Etimolgicamente, coomra
Quesunmodeloeconomtrico?
significa medicin de la economa.
comoladeterminacinempricadelas
Principalesformasfuncionalesysu
leyes econmicas2. Como disciplina
interpretacin
terica,ensuelaboracinseunenlas
Matemticas, la Estadstica y la
TeoraEconmica;comodisciplinaempricasecentraenlainvestigacinsocial.
En este capitulo se realiza una breve resea de los aspectos ms
importantesdelprocesodeestimacindelosmodeloslineales.
Para un anlisis en profundidad de estos temas, se debe acudir a la
bibliografarecomendada.
Quesunmodeloeconomtrico?
Los MODELOSECONMICOSrelacionanunavariabledependienteconotras
independientesoexplicativas.Suponeunarelacinexactaydeterministaentre
lasvariables.
y = f (x 1 , x 2 , x 3 , ... , x k )
Sin embargo, a nivel emprico las relaciones no son deterministas. De
hecho,siseespecificaunarelacinatravsdeunafuncinmatemticaparauna
1 P.A. Samuelson, T.C. Koopmans y J.R.N. Stone, Report of the Evaluative Committee for
Econometrica,Econometrica,vol.22,nm.2,abrilde1954,pp.141146.
2H.Theil,PrinciplesofEconometrics,JohnWiley&Sons,NuevaYork,1964,p.1.
coomra 2
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
muestra determinada con total seguridad habra ms de una observacin que
nocoincidiraconlafuncinpreestablecida.
Para considerar las relaciones inexactas entre las variables del mundo
econmico surgen los MODELOS ECONOMTRICOS. stos, adems de relacionar
una variable dependiente con otras independientes o explicativas (relacin de
comportamiento), introducen una componente aleatoria o trmino de error.
sta tiene un comportamiento estocstico y representa factores determinantes
del comportamiento de la variable endgena que los modelos no pueden
recoger de forma explcita. As, el comportamiento de la variable (y) viene
explicado por un modelo o relacin en la que se puede distinguir una parte
determinista(integradaporlasvariablesexplicativas)yunapartealeatoria.
y = f (x 1 , x 2 , x 3 , ... , x k , u)
Modelomatemtico Modeloeconomtrico
y = +x y = +x + u
Qusonlosestimadorespormnimoscuadradosordinarios(MCO)
yculessonsuspropiedades?
min e i = (y i 1 2 x i ) 2 =
2
(y i y i ) 2
coomra 3
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
Laminimizacinserealizaatravsdelascondicionesdeprimerordendel
problema.Paraellohayqueobtenerlasprimerasderivadasdeyirespectoalos
valores 1 y 2 eigualaracero,llegandoalsiguiente SISTEMADEECUACIONES
NORMALES:
ei2
= 0 y i = N 1 + 2 x i (1)
1
ei2
= 0 x i y i = 1 x i + 2 x i
2
(2)
2
Despejandode(1)seobtiene:
= y - x
1 2
ysustituyendo(1)en(2)seobtieneque;
2 =
x y yx
i i i
=
(x x)(y y)
i i
x xx
2
i i ( x x)
i
2
Asimismo,elestimadordelavarianzadelasperturbacionesdelmodeloes:
2 =
ei2
N 1
Elmodeloderegresinlinealmltipleeslageneralizacindelmodelode
regresin lineal simple, para el caso de que el modelo tenga k1 variables
exgenas. Su resolucin tambin pasa por un problema de minimizacin de
residuos para hallar el vector de estimadores a partir del sistema de k
ecuacionesnormales.
coomra 4
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
FORMAEXTENDIDA FORMAMATRICIAL
Y = X + u
y i = 1 + 2 x 2i + ... + k x ki + u i
Nx1 Nxk kXN Nx1
min e i 2 = (y i y i ) 2
min e e = (Y - X )(Y - X )
1XN Nx1
Sistemadeecuacionesnormales; Sistemadeecuacionesnormales;
[x' x] = x' y
y = N + x 1 2 N
x 2i ..... x
N
1 y
i i
N ki
x y i = 1 x i + 2 x i2
N i =1 i =1
i
x
N N x 2 y
..... x 2i x ki
x 2
2
. = x3 y
i =1
2i
i =1
2i
i =1
.
.
. .
N
N N
k xk y
x ki x ki x 2i ..... x ki2
i =1 i =1 i =1
A continuacin se exponen los supuestos bsicos (tambin conocidos como clsicos) que se
asumen como punto de partida del modelo de regresin lineal. En principio, dicho modelo se
supone bien especificado, es decir, la ecuacin es correcta y no falta ni sobra ninguna
variable. Las hiptesis bsicas son:
coomra 5
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
NO AUTOCORRELACIN las perturbaciones no estn autocorrelacionadas a lo largo de la
distribucin.
E (u i u j ) = 0, i j
E (x i u i ) = 0 E (x'u) = 0
(x' x) = k
stas son las hiptesis bsicas sobre las que descansa el modelo de regresin lineal clsico. A
lo largo del curso se va a ir viendo que son excesivamente rigurosas y en la mayora de
ocasiones dejan de cumplirse.
Siseestablecenunashiptesisdecomportamientoenelmodelocomolas
expuestas en el cuadro anterior, los Estimadores obtenidos por Mnimos
Cuadrados Ordinarios (MCO) presentan las siguientes PROPIEDADES
PROBABILSTICAS3:
LINEALESENY
INSESGADEZ
( ) [ ] [
E MCO = E (XX)-1 XY = E (XX)-1 X(X + u) = ]
[ ]
= (XX)-1 XX + E (XX)-1 X u
144244 3
=I
= + (XX)-1 X E(u) =
=0
3 ParaundesarrollomscompletepuedeacudirseaURIEL,E.etal.(1990)
coomra 6
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
E ( MCO ) =
9 Los estimadores por MCO son insesgados bajo el supuesto de que las x son
fijas.
OPTIMALIDADYEFICIENCIA
( ) [ ] [ ]
V MCO = E ( - ) ( - ) = E (XX)-1 Xu uX (XX)-1 =
[ (XX) (XX) ] =
= 2 u E (XX)-1 -1 2
u (XX)-1
( )
V MCO = 2 u (XX)-1
Puede demostrarse, a travs del Teorema de GaussMarkov, que el
resultadoobtenidoesdevarianzamnima.
9 LosestimadoresporMCOsonlinealesinsesgadosyptimosbajolossupuestos
dehomocedasticidadynoautocorrelacin( E (u i u j ) = 2 I ).
QusonlosestimadoresporMximaVerosimilitud(MV)ycules
sonsuspropiedades?
Seplanteaunnuevosupuestoadicionalalashiptesisbsicasplanteadas
anteriormente: La perturbacin aleatoria sigue una distribucin Normal de
acuerdoconestaestructura:
u i N(0, 2 u )
coomra 7
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
Laideaquesubyaceesladeencontraraquellosvaloresdelosparmetros
que hacen mxima la probabilidad de que la muestra disponible proceda de
unapoblacincaracterizadapordichosparmetros.
La FUNCIN DE PROBABILIDAD CONJUNTA puede descomponerse en el
productorio de las individuales, dado que las perturbaciones aleatorias son
independientesunasdeotras(supuestodenoautocorrelacin):
P (u 1 , u 2 , u 3 ,..., u N ) = P (u 1 ) P (u 2 ) P (u 3 ) ... P (u N )
us independientes
ComosehaasumidoquelaperturbacinsigueunadistribucinNormal,
su FUNCIN DE PROBABILIDAD INDIVIDUAL ui viene definida por la conocida
expresin:
1
u2
1 2 2u
P (u i ) = e
2
2
Laperturbacinaleatoriaenelmodeloderegresinsimplepuedeponerse
enfuncindelasvariablesyiyxi:
u i = y i - (1 + 2 x i )
Paraelloesprecisorealizarantesunatransformacin:linealizarlafuncin
deverosimilitud.Bastacontomarlogaritmos:
N N 1
l = ln L = ln 2 ln 2u (y i 1 2 x i ) 2
2 2 2
2 u
coomra 8
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
Para resolver cualquier problema de maximizacin, se obtienen las
CONDICIONES DE PRIMER ORDEN, derivando la funcin respecto de las variables
decontroleigualandoa0.
Enestecaso,lasvariablesdecontroldelproblemademaximizacin,son
losparmetrosparalosquesebuscamaximizarlafuncin; 1 , 2 y 2 .
ln L 2
=+ (yi 1 2 x i ) = 0
yi = N % 1 + % 2 x i
1 2 2u
~
1 MV = 1 MCO
ln L 2
=+ x i (yi 1 2 x i ) = 0
x y i i = % 1 x i + % 2 x i 2
2 2 2u
~
2MV = 2MCO
ln L N 1
= ( (yi 1 2 x i ) 2 ) + ( 2 u ) 2 = 0
u 2 2
2 u 2
~ ee ee
2 u MV = 2 u MCO =
N Nk
varianza cuasivarianza
As, se puede comprobar que los estimadores MCO por MCO son lineales,
insesgadosyptimosbajolashiptesisbsicasestablecidas:
E (u) = 0 E (u i u j ) = 2 I
Si suponemos adems que u i N (0 , 2 u ) , entonces coinciden con los
estimadoresdemximaverosimilituddelmodeloderegresinlinealsimple.
LosestimadoresobtenidosporelmtododeMximaVerosimilitud(MV)
presentanunasPROPIEDADESmuydeseables.Asaber:
~
SiguenunadistribucinasintticamenteNormal MV N
coomra 9
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
Sonconsistentes
~
lim prob MV
N
cualquierotroestimadorconsistente.
Deaqusededucelaimportanciadelsupuestodequelapertubacinaleatria
tengaunadistribucinnormal,yaqueelloconduceaquelosestimadorespor
MCO tengan tambin las mismas propiedades que los estimadores de MV.
Igualmente este supuesto permite establecer una funcin de distribucin para
los estimadores por MCO y con ello determinar intervalos de confianza y
realizarcontrastesdehiptesis.
s 2 (k 3) 2 2
JB = N + 2
6 24
donde N es el tamao muestral, s el coeficiente de asimetra y k la kurtosis o apuntamiento.
Bajo la H0 de normalidad, el estadstico JB se distribuye como una 2 de dos grados de
libertad.
Si el valor obtenido del estadstico de Jarque-Bera es menor que el valor crtico tabulado,
no se rechaza la hiptesis nula de normalidad. En caso contrario se rechaza la normalidad de
la variable.
coomra 10
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
Asimismo, pese a que la estimacin por MV resulte muy recomendable,
debe someterse a pruebas de validacin. Para ello se realizan diversos
CONTRASTESsobrelosparmetrosysobreelmodeloens,quediferirnen
cierta medida de los que se aplicaban habitualmente tras la estimacin por
MCO.
Encuantoalainferencia,loscontrastesde SIGNIFICATIVIDADINDIVIDUAL
de las variables explicativas se pueden realizar a partir de la distribucin
Normal (0,1), en muestras muy grandes . Ahora bien, en el caso de que se
cumpla el supuesto de normalidad asinttica y /o se conozca la varianza del
estimadoresposiblecalcularelsiguienteestadstico:
~
i - i
z - stat = ~ N(0,1)
V~ ar
i
Estos contrastes se emplean para analizar si una variable, por s misma,
explica parte del comportamiento de la variable endgena. De este modo, las
hiptesisdeestecontrastebilateralodedoscolassonlassiguientes:
H0:i=0
H1:i0
H1:Algni0
ParaanalizarlasignificatividadglobaldeunmodeloestimadoporMCO
sepodaacudiraladistribucinFdeSnedecor.Enlamayoradeocasioneslos
coomra 11
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
valores generados eran muy elevados, existiendo una tendencia irrevocable
haciaelrechazodelahiptesisnulao,loqueeslomismo,laaceptacindela
significatividad de los modelos estimados. Por ello, para el contraste de la
significatividad conjunta de los modelos estimados por MV se realiza un test
genrico:elTESTDELARAZNDEVEROSIMILITUDque parte de la expresin:
L
= R Ratioorazndeverosimilitud
LG
Modelocompletoogeneralelmodelosinlarestriccin.
y i = 1 + 2 x 2i + 3 x 3i + ... + k x ki + u i seraelmodelogeneral.
Modelorestringidoelmodeloendondesecumplelahiptesisnula
enunciadaanteriormente.
SiH0escierta y i = 1 seraelmodelorestringido.
Apartirdelarazndeverosimilitudsedefineelestadsticosiguiente:
SiH0ciertaelmodelonoessignificativoensuconjunto.
SiH0noesciertaelmodeloessignificativoensuconjunto.
Eltestderazndeverosimilitudtieneotrasutilidadesynoesnicamente
vlido para contrastar la significatividad conjunta del modelo. Siempre va a
poderemplearseelvalordelafuncindeverosimilituddelmodelorestringido
y del modelo general para contrastar cualquier otra hiptesis sobre los
parmetrosqueseconsidererelevante.
coomra 12
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
EJEMPLO 2: Test de omisin de variables o de errores de especificacin (Test reset de
Ramsey)
Este ejemplo pone de manifiesto uno de los mltiples usos del test de razn de verosimilitud.
Suponer que se parte de un modelo de regresin lineal simple muy sencillo bajo la siguiente
especificacin:
y i = 1 + 2 x 2i + u i
Para analizar si el modelo est bien especificado, una vez realizada la estimacin, se
realizan los siguientes pasos
2. Obtener la variable y i : y i = 1 + 2 x 2i
H0: 3 = 0
t N-K
H1: 3 0
4.b Sin embargo, este contraste tambin se puede realizar a travs de la razn de
verosimilitud. La hiptesis a contrastar ser tambin 3 = 0. El modelo (2) ser el
modelo general; a partir de su estimacin podr obtenerse el ln L G . El modelo (1), que
incorpora la hiptesis nula de 3 = 0, ser el modelo restringido; a partir de su
estimacin podr obtenerse el ln L R .
RV = -2 (log LR - log LG ) 12
coomra 13
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
Culessonloscriteriosparadiscriminarentremodelos?
coomra 14
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
de informacin de Akaike corregido, que permite comparar modelos con
formasfuncionalesdistintasdelamismavariableendgena.
AIC C = AIC L + 2 ln Y
siendoAICLelcriterioAICdelmodeloconlnyicomovariabledependiente
Principalesformasfuncionalesysuinterpretacin
Enelsiguientecuadroserecogenlasespecificaciones,formasfuncionales
o modelos ms habituales, lineales o bien linealizados que se pueden estimar
porMCOyMV.Parafacilitarlainterpretacindeloscoeficientesestimadosen
cadaunodelosmodelossedetallanlapropensinmarginalylaelasticidadde
lavariabledependienteantevariacionesdeX.
Cuadro:Formasfuncionales
Modelo PropensinMarginal Elasticidad
enelpuntomedio
muestral
LINEAL yi = + x i + u i x
y
INVERSO 1 1 1
yi = + + ui - -
xi x2 xy
SEMILOGARTMICO y i = + ln x i + u i 1 1
x y
DOBLEMENTE ln y i = + ln x i + u i y
LOGARTMICO
x
LOGARTMICOLINEAL ln y i = + x i + u i y x
LOGARTMICO 1 y 1
INVERSO ln y i = + + ui - 2 -
xi x x
coomra 15
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
Losmodeloslogartmicosdelcuadroanteriortienensuorigenenmodelos
exponenciales que se han linealizado posteriormente para su especificacin.
Convienetenerpresentesuespecificacinoriginal:
Modelooriginal Modelolinealizado
DOBLEMENTELOGARTMICO yi = e x i ui
e ln y i = + ln x i + u i
LOGARTMICOLINEAL
y i = e +x i + u i ln y i = + x i + u i
Conclusiones
caracterizanporincluiruntrminodeperturbacinodeerror,decarcter
estocsticooaleatorio.
LosestimadoresdelosparmetrosdeunmodelolinealporMCO,bajo
sonlinealesenlosparmetros,insesgadosyptimos(ELIO).
LosestimadoresporMVdelosparmetrosdeunmodelolinealsiguen
eficientes,bajolashiptesisbsicasestablecidas.
Existennumerososestadsticosycriteriosparaescogerunmodeloentre
coomra 16
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
respectivamente.Todosellospermitenelegirlaformafuncionalquemejor
expliqueelcomportamientodelavariabledependientedelmodelo.
endgenaennivelesfrenteaotroconellogaritmoneperianodeesamisma
corregidoparadiscriminarentreambasespecificaciones.
coomra 17
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
Lecturaspropuestas
Alseruncaptulointroductorio,acontinuacinseexponenlosmanuales
que mejor se adaptan a la estructura del curso. En cualquier caso, en cada
captulosecitarnlosmsapropiadosparalamateriaqueseesttratando.
CABRERB.,SANCHO,A:,SERRANOG:(2001):Microeconometriaydecisin.Ed.
Pirmide.
GREENE,W.(2001),Econometra,Madrid,PrenticeHall,,3ed.
GUJARATI,D.N.,(2003):Econometra,Madrid,McGrawHill,,4ed.
JOHNSTON,J.yDINARDO,J.(2001): Mtodosdeeconometra,Barcelona,Vicens
Vives,
NOVALES,A.,(1993):Econometra,McGrawHill,,2ed.
URIEL,E.etal.,(1990).Econometra,Madrid,EdAC.
coomra 18
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo