Está en la página 1de 4

Universidad Nacional de Huancavelica

Ensayo sobre las cláusulas de caeteris paribus, coeficiente de determinación y regresión lineal
Wilfredo, Pari Taipe
Introducción
La cláusula “caeteris paribus”, es un recurso metodológico, utilizado por los primeros economistas,
para deducir las principales leyes de la economía, Estas premisas no surgían de la observación de los
hechos, sino de un análisis de “introspección”, es decir, de la actitud de “mirar hacia adentro”, para
detectar cómo reaccionan las personas, incluyéndose el mismo economista, ante las distintas situaciones
económicas, entre las cuales se encuentran las primeras aseveraciones sobre la moneda y las leyes de la
oferta y la demanda
Llamado también coeficiente de correlación de Pearson, se representa por r y es una medida que
representa el grado de asociación entre dos variables cuantitativas X e Y. La correlación varía entre -1 y
1, En la mayoría de los problemas, una correlación mayor que .75 o menor que -.75 es considerada
bastante aceptable. Una correlación que cae entre -.3 y .3 es considerada muy baja. Si la correlación es
positiva entonces cuando X aumenta se espera que Y también aumente. Si la correlación es negativa
entonces cuando X aumenta se espera que Y disminuya.
Puntos críticos
La cláusula de caeteris paribus: su tratamiento econométrico
La cláusula de ceatiris paribus era requerida por los efectos inevitables del tiempo sobre las cantidades
económicas. En sus distintas etapas de su desarrollo de la econometría ha fijado supuestos estadísticos
matemáticos para resguardar la cláusula. Los análisis estadísticos de datos económicos se utilizó en las
primeras técnicas de análisis de regresión para estudiar el comportamiento de las variables, el tipo de
análisis estudia la variabilidad de las variables generalmente son X e Y ignorando otras variables que
pudieran afectar, el análisis se complementa calculando un coeficiente de correlación simple como media
de intensidad, las variables eran tratadas simétricamente asignando a ambas categorías.
El modelo inecuacional de regresión lineal es utilizado en econometría para cuantificar relaciones de
causalidad entre las variables X y Y, los supuestos sintetiza en forma implícita los recaudos que debe
cumplir en la econometría, los supuestos constituyen el relato econométrico de las condiciones ceteris
paribus en el razonamiento económico, en ese sentido la causalidad resulta explicada por el modelo y
garantiza la identificación del mismo. El modelo multiecuacional como la oferta y la demanda de un
bien, se compone por varias ecuaciones e igual número de variables dependientes, en estos modelos es
importante la clasificación de las variables exógenas y endógenas. Las primera se determina fuera del
modelo, la segunda son explicadas por el modelo, las variables exógenas encada momento t, forman
parte integrante de los supuestos caeteris paribus. En el modelo uniecuacional las variables a la derecha
del signo igual llamadas también explicativas, son todas exógenas en un modelo multiecuacional las
variables del segundo término puede pertenecer a una categoría u otra. Las cláusulas caeteris paribus en
el modelo aleatoria multiecuacional. Determinar cuáles son las variables endógenas y exógenas del
modelo. Definir la dirección de causalidad, en función de la teoría económica. Asegurar el equilibrio y
correcta distribución entre variables de una y otra categoría, que lograr la identificación unívoca de la
estructura que se desea estimar. Definir las propiedades del término aleatorio de cada ecuación.
1

1 (Heriberto L. Urbisaia y Juana Z. Brufman): la cláusula caeteris paribus : su tratamiento


econométrico
Universidad Nacional de Huancavelica
Regresión lineal
Se denomina regresión lineal cuando la función es lineal, es decir, requiere la determinación de dos
parámetros: la pendiente y la ordenada en el origen de la recta de regresión, y=ax+b. La regresión nos
permite además, determinar el grado de dependencia de las series de valores X e Y, prediciendo el
valor y estimado que se obtendría para un valor x que no esté en la distribución. Vamos a determinar la
ecuación de la recta que mejor ajusta a los datos representados en la figura. Se denomina error ei a la
diferencia yi-y, entre el valor observado yi, y el valor ajustado y= axi+b, tal como se ve en la figura inferior.
El criterio de ajuste se toma como aquél en el que la desviación cuadrática media sea mínima, es decir,
debe de ser mínima la suma

El coeficiente de correlación es otra técnica de estudiar la distribución bidimensional, que nos indica la
intensidad o grado de dependencia entre las variables X e Y. El coeficiente de correlación r es un número
que se obtiene mediante la fórmula.

El numerador es el producto de las desviaciones de los valores X e Y respecto de sus valores medios.
En el denominador tenemos las desviaciones cuadráticas medias de X y de Y. El coeficiente de
correlación puede valer cualquier número comprendido entre -1 y +1.

 Cuando r =1, la correlación lineal es perfecta, directa.


 Cuando r =-1, la correlación lineal es perfecta, inversa
 Cuando r =0, no existe correlación alguna, independencia total de los valores X e Y

Errores frecuentes en la interpretación del coeficiente de determinación lineal


Coeficiente de determinación.
La hipótesis que establecemos es de la siguiente forma que describe la relación entre X e Y, que es
mediante una línea recta.

Para obtener los valores numéricos de los parámetros que determina la ecuación lineal y que expresa la
relación de Y con X

El tamaño muestral no es la única magnitud que influye en el valor de 𝑅 2 . El número de variables


explicativas consideradas en el modelo también condiciona el valor de este coeficiente, ya que 𝑅 2 es una
función no decreciente del número de variables exógenas o regresoras presentes en el modelo, de forma
que a medida que aumenta el número de variables regresoras 𝑅 2 aumenta. Según esto, 𝑅 2 mide la
Universidad Nacional de Huancavelica
capacidad explicativa de la variable X sobre la variable Y. Al introducir en el modelo otra variable
regresora el nivel explicativo será mayor entre las dos que sólo con la primera o, en todo caso, no
disminuirá, pues la primera variable continúa como explicativa Así pues, en la interpretación de 𝑅 2 no
sólo es preciso considerar el tamaño de la muestra, sino también el número de variables explicativas
incluidas en el modelo de regresión. En una palabra, hay que tener en cuenta los grados de libertad del
modelo, definidos como la diferencia entre el número de datos y el número de coeficientes de la

ecuación. En la literatura econométrica podemos encontrar varias soluciones al del incremento artificial
del valor de 𝑅 2 . Una de ellas es proponer un coeficiente de determinación corregido o ajustado,
denotado por 𝑅 2 , y definido como. Donde k es el número de parámetros en el modelo, incluyendo el
término indep2endiente. Es fácil comprobar la relación que mantienen 𝑅 2 y ̅̅𝑅̅2̅. Observemos que para
k> 1, 𝑅 2 <𝑅 2 , lo cual implica que a medida que el número de variables exógenas aumenta, R2 ajustado
aumenta menos que R2 no ajustado.

Observemos que, en este caso, (k> 1), sí. , puede ser negativa, a pesar de que 𝑅 2 sea una,

magnitud no negativa. Si esto ocurre ̅𝑅̅̅2̅, se interpreta como si su valor fuese 0. No obstante, esta opinión
no es compartida totalmente, ya que se pueden proponer otras formas de corregir el aumento indeseado
de 𝑅 2 . Ahora bien, debemos tener en cuenta que la utilización de cualquiera de los coeficientes
alternativos propuestos, 𝑅 2 ajustado o 𝑅 2 corregido tiene problemas propios de interpretación y no
resuelve siempre las deficiencias de 𝑅 2 .
Conclusión
Las consideraciones destacadas en los distintos apartados no invalidan la utilización de 𝑅 2 como medida
de la bondad del ajuste, si nos atenemos a interpretarlo de acuerdo con su definición: medida, que recoge
cómo en términos generales la recta de regresión ajustada resume o describe los datos. Los problemas
de interpretación surgen cuando intentamos que el coeficiente de determinación avale la dependencia
entre variables y, a partir de ella, predecir o extrapolar, en el tiempo o en el espacio, la recta de regresión.
En este sentido, si 𝑅 2 es alto se considera que el ajuste es válido y que la ecuación obtenida representa
adecuadamente la relación cuantitativa entre las variables, pudiendo, por tanto, aplicarse para determinar
los valores de una de ellas, conocidas las demás. Este razonamiento es el que desvirtúa el uso y la
interpretación del coeficiente de determinación lineal. Medida que, a pesar de las deficiencias que
presenta, no debe ser desechada como medida de evaluación complementaria. Por otra parte, siempre
que su interpretación se ajuste a su definición, su utilización será correcta.

La función miembro lineal, calcula la pendiente a, y ordenada en el origen b de la recta de regresión.


Se hace uso de variables auxiliares para guardar resultados intermedios. Para obtener el coeficiente de
correlación hemos de calcular primero el valor medio <x> de la serie de datos X, y el valor
medio <y> de Y. No calculamos las desviaciones cuadráticas medias sino que empleamos una
expresión equivalente a la dada anteriormente para el coeficiente de correlación.

 2 ACHEN, C.H., I n t e r p reting and Using Regre s s i o n., Dage Publicaciones, California 1982, pp. 56-67
 GRANGER, C., y NEWBOLD, P., «R2and the Transformation of the Regression Variables», en Journal of
Econometrics, vol. 4 (1976) 205-210.
Universidad Nacional de Huancavelica
Referencias bibliográficas
Heriberto l. Urbisaia y Juana z. brufman: clausula caeteris paribus : su tratamiento econométrico
Julio H. Cole Profesor de Economía Universidad Francisco Maroquín: nociones de regresión lineal
Elena Martínez rodríguez (real centro universitario): errores frecuentes en la interpretación del coeficiente de
determinación lineal

También podría gustarte