coomra

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.

Existen muchas definiciones para

QusonlosestimadoresporMCOy
esta disciplina cientfica que van
culessonsuspropiedades?
desde las ms complejas, como el

anlisis cuantitativo de fenmenos

QusonlosestimadoresporMVy
econmicos reales, basados en el
culessonsuspropiedades?
desarrollo simultneo de la teora y la

observacin, relacionados mediante

Culessonloscriteriospara
mtodos apropiados de inferencia1
discriminarentremodelos?
hasta otras ms simplificadoras

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)

Un sencillo ejemplo para una mejor distincin consiste en suponer una

relacinlinealentreuna variabledependientey y la independientex. He aqu
losmodelos:

Modelomatemtico Modeloeconomtrico

y = +x y = +x + u

Cuandose tieneuna muestra de tamaoNdelapoblacin,el modeloqueda

especificadocomo y i = 1 + 2 x i + u i i=1,,N.

Qusonlosestimadorespormnimoscuadradosordinarios(MCO)
yculessonsuspropiedades?

El modelo de regresin lineal simple es el ms sencillo e incluye

nicamenteunavariableindependiente:
y i = 1 + 2 x i + u i

En general, el problema que se plantea es la bsqueda del valor de los

parmetrosdelarectaquemejorseajustaalanubedepuntosqueformacada
pardeobservaciones(yi,xi).Paraelloseminimizaladistanciaentrelarecta y y
todos los puntos observados yi , es decir se minimizan la suma de errores al
cuadradoparaquelossignos(+)ylos()nosecompensen:

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

Vectordeestimadores MCO = (XX) -1 XY

(ee)
Estimadordelavarianzadeu: MCO
2
=
N k

CUADRO 1: Hiptesis clsicas del modelo de regresin lineal

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:

El valor esperado de la PERTURBACIN ALEATORIA es cero.

E (u i ) = 0 E (u) = 0

HOMOCEDASTICIDAD varianza constante de las perturbaciones a lo largo de la

distribucin.
E (u i ) 2 = 2 u E(uu ) = 2 u I

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

El cumplimiento de los supuestos de No Autocorrelacin y de Homocedasticidad recibe el

nombre de Esfericidad. En este caso se habla de perturbaciones esfricas.

Las variables X son FIJAS, esto es, NO ALEATORIAS en el muestreo.

E (x i u i ) = 0 E (x'u) = 0

AUSENCIA DE MULTICOLINEALIDAD entre las variables explicativas (modelo de rango pleno).

(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

MCO = (X ' X ) 1 X ' Y =f (Y)

y dado que las x son fijas en la muestra :

MCO = (X ' X ) 1 X ' Y = f (Y)=f(u)

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 )

Las perturbaciones aleatorias que as se distribuyen se conocen como ruido

blanco.

Bajo este supuesto se podran obtener un nuevo tipo de estimadores: los
de Mxima Verosimilitud. Para ello, bastara con resolver un problema de
maximizacin de la funcin de probabilidad o verosimilitud. Se realizar esta
demostracinparaelmodeloderegresinsimple.

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

Para hallar la funcin de probabilidad conjunta P(u) se realiza el

productoriodelasdistribucionesindividuales;dadoqueesunvector.

1
ui2
1
P(u i ) = P (u) = (2 2 ) N/2 e 2 2u
i =1

Laperturbacinaleatoriaenelmodeloderegresinsimplepuedeponerse
enfuncindelasvariablesyiyxi:

u i = y i - (1 + 2 x i )

De este modo se llega a la FUNCIN DE VEROSIMILITUD, que es la que se

maximizar:

1
(yi 1 2 x i ) 2
1 2 2u
L = P (u/X, ) = e
(2 2 ) N/2

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

Son asintticamente eficientes menor varianza asinttica que

cualquierotroestimadorconsistente.

Los estimadores obtenidos por el mtodo de Mxima Verosimilitud siguen

unadistribucinasintticamenteNormal,sonconsistentesyasintticamente
eficientes.

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.

Este supuesto de normalidad de las pertubaciones aletorias hay que

contrastarlo. Para ello se utiliza el test de JarqueBera, aplicado sobre los
residuosdelmodeloestimadoporMCO.

EJEMPLO 1: Test de Jarque-Bera o de Normalidad de los residuos

El Test de Jarque-Bera se formula bajo la hiptesis nula de Normalidad de los residuos. Se

construye de la siguiente manera:

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

z - stat < N (0,1)) NoRechazarH0lavariablenoessignificativa.

z - stat > N (0,1) RechazarH0lavariableessignificativa.

El anlisis de la SIGNIFICATIVIDAD GLOBAL permite contrastar si todo el

modelo en su conjunto es significativo para explicar el comportamiento de la
variable endgena. Generalmente se considera la inclusin de todas las
variables explicativas simultneamente, comprendiendo todos los parmetros
salvolaconstanteotrminoindependiente.Lahiptesisacontrastar,portanto,
serlasiguiente:

H0:2=3==k=0

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

donde L R se corresponde con la funcin de verosimilitud del modelo

restringido y L G con la funcin de verosimilitud del modelo general o sin
restringir.Enestecasosedistinguen2modelos:elgeneralyelrestringido.El
primerodeelloseselmodeloqueseestsometiendoaanlisis;elsegundoes
aquelenelqueseintroducelarestriccin,estoes,enelquesehaceefectivala
hiptesisnula.

Modelocompletoogeneralelmodelosinlarestriccin.

y i = 1 + 2 x 2i + 3 x 3i + ... + k x ki + u i seraelmodelogeneral.

Modelorestringidoelmodeloendondesecumplelahiptesisnula

enunciadaanteriormente.

SiH0escierta y i = 1 seraelmodelorestringido.

Apartirdelarazndeverosimilitudsedefineelestadsticosiguiente:

RV = -2 log = -2 (log LR - log LG ) 2 restricciones en la Ho

quepermitecontrastarlasrestriccionesdelahiptesisnulademaneraque:

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

1. Estimar el modelo original tal cual estaba previsto:

y i = 1 + 2 x 2i + u i (1)

2. Obtener la variable y i : y i = 1 + 2 x 2i

3. Incluir la variable y i en el modelo original (debe incluirse al cuadrado) como regresor

adicional:
2
y i = 1 + 2 x 2i + 3 y i + ui (2)

4. Estimar el nuevo modelo (2) y contrastar la significatividad individual de la nueva variable

incluida.

4.a Habitualmente, se recurre al estadstico t de Student:

H0: 3 = 0
t N-K
H1: 3 0

Lgicamente, el hecho de que la inclusin de la nueva variable no fuera significativa

implicara una correcta especificacin inicial del modelo.

si 3 = 0 el modelo es correcto, es decir, est bien especificado.

si 3 0 el modelo est mal especificado. En este caso, las predicciones

explicaran mejor el modelo que el modelo en s.

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

Las conclusiones son exactamente idnticas a las anteriores. Si la inclusin de la variable no

es significativa quiere decir que el modelo estaba correctamente especificado en su origen.

Este test detecta fallos en la forma funcional y omisin de variables.

coomra 13
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
Culessonloscriteriosparadiscriminarentremodelos?

La eleccin de un modelo entre varios que presenten la misma variable

endgenasepuederealizaratravsdedistintosestadsticosy/ocriteriosquese
presentanacontinuacin:
Criterio R 2 o bien R 2 : Se escoger aquel con mayor valor del indicador,
queesunestadsticodecarcterdescriptivo.
ConloscriteriosdeValordelaFuncindeVerosimilitudydelLogaritmo
de la Funcin de Verosimilitud: Se escoger el modelo que presenta mayor
valor de ambos estadsticos, siendo habitual su utilizacin en el caso de
muestrasmuy grandes, y tambin en el caso de modelos con distinta variable
dependiente.
Tambinparamuestrasgrandes,loscriteriosdeinformacindeAkaikey
Schwartz tendrn un valor menor para aquel modelo que presente un mejor
ajuste.
ElcriteriodeinformacindeAkaike(AIC)sedefinecomo;

2 2k
AIC = ln L +
T T

Siendo mejor el modelo que menor AIC presente, una vez realizadas las
correlaciones pertinentes para tener en cuenta las posibles diferencias en la
variables dependiente de los modelos. Sin embargo, se elegir como mejor
modelo el que presente mayor lnL (de nuevo realizando las correcciones
pertinentesantediferenciasenlamedidadelavariabledependiente).

ElcriteriodeSchwartzseutilizatambinparacompararmodeloscomoel
AIC,peroademsestecriteriopenalizaeltamaomuestral.

2 k ln T
Schwartz = ln L +
T T

AligualqueenelcasodelAIC,seelegiraquelmodeloconmenorcriterio
deSchwartz.

Los criterios antes descritos permitirn la eleccin de la forma funcional

quemejorseadaptealaestructuradelosdatos,entrelasdiferentespropuestas
para el modelo. Cuando se pretende discriminar entre un modelo con la
variableendgenaenniveles,yi,yotroquepresentacomovariabledependiente
ellogaritmoneperianodedichavariable,lnyi,elcriterioautilizareselcriterio

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

A menudo una mera lnea recta (modelo lineal) no es la especificacin

funcional ms adecuada para ajustar la nube de puntos de las observaciones
muestrales.Enocasionesresultamejoremplearformasfuncionalesalternativas.
Estaesunadelasrazonesporlasquesurgelanecesidaddecompararmodelos
yelegiraquelqueimpliqueunmejorajuste.

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

Frente a los modelos matemticos, los modelos economtricos se

caracterizanporincluiruntrminodeperturbacinodeerror,decarcter

estocsticooaleatorio.

LosestimadoresdelosparmetrosdeunmodelolinealporMCO,bajo

las hiptesis bsicas de homocedasticidad y no autocorrelacin de las

perturbaciones aleatorias y de variables explicativas fijas en el muestreo,

sonlinealesenlosparmetros,insesgadosyptimos(ELIO).

LosestimadoresporMVdelosparmetrosdeunmodelolinealsiguen

una distribucin Normal y son adems consistentes y asintticamente

eficientes,bajolashiptesisbsicasestablecidas.

Existennumerososestadsticosycriteriosparaescogerunmodeloentre

varias especificaciones. Cuando presentan la misma variable endgena,

son el coeficiente de determinacin ajustado y el criterio de informacin

de Akaike, estadsticos que hay que maximizar y minimizar

coomra 16
Becarios: Fernando Pascual, Carlos Salvador, Joan Crespo
 respectivamente.Todosellospermitenelegirlaformafuncionalquemejor

expliqueelcomportamientodelavariabledependientedelmodelo.

Cuando se quiere comparar un modelo que presenta la variable

endgenaennivelesfrenteaotroconellogaritmoneperianodeesamisma

variable como variable dependiente, se debe utilizar el AIC de Akaike

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