Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Tema 1 P
Tema 1 P
Contenido
1 Datos Económicos
Introducción
Tipos de Datos. Tratamiento de la Información
Tipos de Datos
1 Series Temporales: los datos de nuestra variable están ordenados
temporalmente
Ejemplos:
Hombre/Mujer
Sí/No
Bueno/Regular/Malo
Coche/Autobús/Tren
Histograma
Con datos de sección cruzada, un gráco de líneas NO es informativo
porque el orden no importa.
Podemos representar la distribución de distintas categorías de valores
1 Elegir los intervalos de valores
2 Calcular las frecuencias muestrales en cada intervalo
3 Realizar un gráco de barras (de las frecuencias en cada intervalo)
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Métodos grácos.
Gráco de Dispersión
Muchas veces, estaremos interesados en analizar relaciones entre dos o
más variables
Aunque no es fácil mediante grácos, se pueden explorar mediante
grácos de dispersión
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Métodos grácos.
En este ejemplo, parece existir una relación positiva entre el salario de los
ejecutivos y los benecios que obtienen las empresas
Estadísticos descriptivos
Una distribución se puede resumir en una tabla de frecuencias
(equivalente al histograma)
útil cuando la variable tiene pocos valores diferentes
PERO puede contener demasiada información para ser interpretable
Correlación
Correlación: mide numéricamente la relación entre dos variables
PN
i =1 Yi − Y Xi − X
r = rYX = rXY = r
PN 2 rP
N X −X 2
i =1 Yi − Y i =1 i
−1 6 r 6 1
r XX = 1
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Correlación
r =1 r = 0,51
r =0 r = −0,58
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Correlación
En notación vectorial
t = X t β + ut
0
Y
T
Para datos de corte transversal, suponemos que (Yt , Xt0 ) 0 t =1 i.i.d.
T
Para datos de series temporales, suponemos que (Yt , Xt0 ) 0 t =1 es
un proceso estocástico estacionario
por tanto, {ut }T
t =1
también es un proceso estocástico estacionario
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Modelo de Regresión Lineal con Regresores Aleatorios
(a) E ( ut | Xt ) = 0, ⇐⇒ E ( Yt | Xt ) = Xt0 β
Esto implica: E ( u Xt ) = 0
t
(d.2) u t ∼ AR (p ), ut ∼ MA(q ), . . .
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Estimador de MCO
Estimador MCO
E Xt Xt 0 −1
E ( Xt Y
β= t )
T
X
!−1 T
X
!
β
b= 1
T
Xt Xt
0
T
1
Xt t
Y
t =1 t =1
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Estimador de MCO
En notación matricial,
Y = Xβ + u
donde
Y1
u1
Y2 u2
Y u
(T × 1)
= . y = . son vectores
. .
. .
YT uT
X 100
X2
(T × k )
X= .
es una matriz
.
.
XT 0
El estimador de MCO es
X 0Y
−1
β
b = (X 0 X)
e1
e2
e=Y
− Xβ
b = .
.
.
e T
donde e t = Yt − Xt 0β
b, t = 1, 2, .., T
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Estimador de MCO
Varianza
Var b X = (X 0 X)−1 X 0 ΩX (X 0 X)−1
β
donde
u1
u2
Ω = Var (u ) = Var
.
.
.
uT
Var b X = σ2 (X 0 X)−1
que β
Los programas informáticos también calculan errores estándar
robustos (y otros estadísticos de contraste) usando la formula general
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Estimador de MCO
Es consistente
p
b MCO →
β β
Es asintóticamente normal
b MCO ' N β, Var β
β b
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Estimador de MCO
y el estadístico de contraste
b j − β0
β
t = j ' N (0, 1)
SE cj H0
β
(a ) H0 : Rβ = r (b ) H0 : Rβ = r (c ) H0 : Rβ = r
H1 : Rβ 6= r H1 : Rβ > r H1 : Rβ < r
Efectos Marginales
β1 = E [ Y | X2t = 0, . . . , Xkt = 0]
δ
β2 = E [ Y | X2t , X3t = x3 , . . . , Xkt = xk ]
δX2t
El coeciente de una variable discreta (digamos, Xk ) también es un
efecto marginal (discreto)
δ
E Y | X2t = x2 , . . . , Xj −1,t = xj −1 , Xj ,t , Xj +1,t = xj +1 , . . . , Xkt = xk
βj =
δXjt
Modelos no lineales
El modelo de regresión lineal puede estimarse por MCO siempre que
la especicación sea lineal en los parámetros
3
1
Y t = β1 + β2 X2t + β3 + ut
X3
2
1
Y t = β1 + β2 X2t + β3 X2t + β4 + β5 X3t + ut
X2 t
En el modelo,
1
Y t = β1 + β2 + β3 X3t + ut
X2 t
¾cuál es el efecto marginal (causal) de X2 sobre Y ?
δ 1
E [ Yt | X2t , X3t ] = β2
δX2t X
2
2 t
3
Y t = β1 + β2 X2t + β3 X22t + β4 X2t X3t + β5 X22t X3t + β6 X3t + ut
δ
E [ Yt | X2t , X3t ] = β2 + 2β3 X2t + β4 X3t + 2β5 X2t X3t
δX2t
Depende de varios parámetros
Depende del valor de X2t y de X3t
Ejemplo:
Y t = β0 + β1 X1t + β2 X2t + ut
Sólo nos interesa el efecto de X1 (se estima un modelo reducido):
Y t = δ0 + δ1 X1t + t
Si δ1 = β1 , este modelo reducido sí proporciona el verdadero efecto
causal de interés de X1 sobre Y
Se puede mostrar fácilmente que
Cov (X1 , X2 )
δ1 = β 1 + β 2
Var (X1 )
En general, omitir una variable sesga el coeciente: no coincide con
el efecto causal
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Efectos Marginales
Cov (X1 , X2 )
δ1 = β1 + β2
Var ( X1 )
Predicción: R 2
E [ Y | X2 , . . . , X
t t kt ] = β1 + β2 X2t + · · · + βk Xkt
Se puede predecir el valor esperado de la variable dependiente (en función
de las variables explicativas):
Yb t =β b 2 X2t + · · · + β
b1 + β b k Xkt
Var
d (Y ) Var
d Y + Var
d (et )
t = b t
X
T 2 X
T 2 X
T
Y t −Y = Yb t −Y + e2
t
t= 1 t= 1 1
t=
2
SCE SCR
R = =1−
SCT SCT
2
Un mayor valor de R indica mejor capacidad predictiva, pero NO
nos informa sobre la interpretación causal de los coecientes del
modelo.
Datos Económicos Análisis Básico de los Datos Relación entre Variables Modelo de Regresión Lineal
Modelo con Regresores Binarios
Regresores Binarios
El modelo de regresión admite datos cuantitativos o cualitativos
Una variable binaria (o dummy) es una forma de transformar
variables cualitativos en cuantitativos
1, si el individuo es mujer
D t=
0, si el individuo es hombre
También se puede interactuar una variable binaria con otra variable del
modelo; por ejemplo,
δ
E [ Yt | X2t , Dt , X3t ] = β2 + β3 Dt
δX2t