1

I. INTRODUCCIÓN A LOS MODELOS

ECONOMÉTRICOS

1. MODELOS ECONÓMICOS Y MODELOS

ECONOMÉTRICOS

MODELO ECONOMICO: TEORIA ECONOMICA

NO CUANTIFICAN LAS RELACIONES
SE ESTUDIAN LAS PROPIEDADES

MODELO ECONOMETRICO:

LAS RELACIONES SE FORMULAN DE FORMA EXPLI-

CITA, 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 INTRODU-

CEN UNAS VARIABLES O PERTURBACIONES ALEA-
TORIAS PARA INDICAR LA PARTE NO EXPLICADA POR
EL MODELO

Ejemplo: propensión marginal al consumo

elasticidad del consumo respecto de la renta

C = f(R) PM =
dC EC|R=
d lnC
dR d lnR
1
Libro: ECONOMETRÍA: MODELOS ECONOMÉTRICOS Y SERIES TEMPORALES con los
paquetes  TSP y TSP. Editorial Reverté (calle Loreto 13-15). Barcelona. España 1998. Autor: José Mª
Caridad y Ocerin. ISBN 84-291-2613—9 (dos tomos)
 EJEMPLO DE MODELO
La evolución del consumo de acero (millones de Tm) en un Espa-
ña durante los (17) años 1969 a 1985 aparece en la siguiente tabla

5.98 7.46 8.03 9.53 10.81 11.48 11.09 10.98 11.17

11.35 12.18 12.64 12.90 13.18 13.04 13.50 14.19

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

segunda década de los 80.

16

14

12

10

4
70 72 74 76 78 80 82 84 86 88 90

ACERO
Información gráfica:

Tendencia

Inflexión en 1974

Oscilaciones cíclicas

Ayuda en la elección 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
yt =  0 +  1 yt-1 +  2 t +  3 t2 + t
 Ajuste de una recta:
18

16

14

12

10

4
70 72 74 76 78 80 82 84 86 88 90

ACERO YEST ACEROF

Recta estimada: Acerot = 7.383 + 0.41828 t + et

t = 1, 2, 3, ......, 17

r2 = 0.87

Predicciones:

1986: t = 18 Acêro18 = 7.383 + 0.41828  18 = 14.49

1987: t = 19 Acêro19 = 7.383 + 0.41828  19 = 14.91

Límites en el uso del modelo:

Horizonte de predicción

Especificación: forma funcional

bondad del ajuste
variables causales o explicativas

Uso del conocimiento económico

2. ELEMENTOS DE UN MODELO ECONOMÉTRICO

variables: endógena (y)

predeterminadas: exógenas (x1,x2,....)
endógena retardada
perturbaciones aleatorias ()
parámetros (, , 1, 2,.....)

Clases de modelos: estáticos o de corte transversal

dinámicos

uniecuacionales
multiecuacionales

lineales
no lineales

modelos con variable endógena numérica

modelos con variable endógena cualitativa

Especificación de la forma estructural

y=+x+

y = 0 + 1x1 + 2x2 + ..... + kxk + 

ln y =  +  x + 

y = 0 + 1x + 2x2 + 

y =  ex +  ln y = * + x + *

y =  x11x22 +  ln y = * + 1lnx1 + 2lnx2 + *

1
y=  (  x ) +
1 e
 Elementos de ayuda para la especificación:

1. conocimiento económico

diagramas causales

2. diagramas de dispersión

medidas de asociación entre variables

tests y otras técnicas estadísticas

3. probar varias especificaciones alternativas

análisis estadístico de los errores

4. análisis de los resultados obtenidos y su lógica

económica

predicciones

¿Qué ocurre si una especificación es inadecuada?

¿Cómo decidir si una especificación es inadecuada?

Un modelo no es la realidad, sino una representación

abstracta que debe ayudar a comprender mejor la
realidad.

No tiene porqué existir un mejor modelo, ni siquiera

poder afirmar categóricamente que un modelo es
mejor que otro.
FASES EN LA CONSTRUCCIÓN DE UN MODELO

Especificación:

Se basa en la Teoría Económica y en el conocimiento

de la situación a modelizar

No hay que perder nunca de vista los objetivos

Existen herramientas estadísticas de ayuda

Estimación de un modelo:

Datos: (y1,x1), (y2,x2), .... , (yn,xn)

Modelo teórico: y =  +  x + 

yi = +  xi + i i = 1,2,...,n

Modelo estimado: y = a + b x + e

yi =a + b xi + ei i = 1,2,...,n

Métodos de estimación: Modelos uniecuacionales

Mínimos cuadrados
Mínimos cuadrados generalizados o método de Aitken
Mínimos cuadrados condicionados
Máxima verosimilitud

Modelos multiecuacionales

Mínimos cuadrados bietápicos

Mínimos cuadrados trietápicos
Máxima verosimilitud
 Medidas de ajuste:

Coeficiente de determinación r2

Criterios de Akaike y de Schwarz

Contrastes diagnósticos sobre el modelo estimado

Tests sobre la especificación

Tests T para la inclusión/exclusión de

variables

Análisis de los residuos

Congruencia económica de los resultados

Lógica en las predicciones

Naturaleza de las perturbaciones aleatorias
 1,  2,.....,  n

Variables aleatorias
i  N(0, 2 ),
centradas,
homocedásticas
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 éstas poco influyentes

Naturaleza de los residuos e1, e2, ...., en

Valores numéricos, positivos y negativos

Son los errores cometidos en la estimación

No deben tener tendencia en variabilidad

(heterocedasticidad), ni estar relacionados
unos con otros (autocorrelación)
3. DESARROLLO HISTÓRICO DE LA ECONOMETRÍA

Análisis estadístico actuarial: Renacimiento

Series temporales: accidentes, precios, seguros, .

Siglos XVII a XIX: desarrollo de la Teoría de

Probabilidad

Siglo XX: desarrollo de la Estadística

Crisis del año 1929

1930 Fundación de la Econometric Society

1933 Revista Econometrica

1933 Comisión Cowles

1949 Jan Tinbergen: primer tratado de

Econometría

1957 M.H. Quenouille Modelos Arma

1970 G.E.P. Box y G.M. Jenkins: Time Series

Analysis Forecasting and Control

1980 Difusión de paquetes econométricos en

ordenador

1990 Acceso masivo a información económica

4. FUENTES DE ESTADÍSTICAS ECONÓMICAS

EUROSTAT INTERNET

INE

BANCO DE ESPAÑA M. DE ECONOMIA

IEA

Empresas Ceprede

I.N.E.
Boletín Mensual de Estadística
Anuario Estadístico de España

Estadísticas de Población
Censos de población, viviendas, edificios
E.P.A.
Movimientos de poblacion, mortalidad,
natalidad

Estadísticas sociales
Censo electoral
Estadísticas enseñanza, hospitalarias,
judiciales, indicadores sociales
Encuesta de presupuestos familiares

Estadísticas económicas
Contabilidad Nacional
Tablas Input-Output
Macromagnitudes de la economía española
I.P.C. y otros índices de precios
Estadísticas de salarios, mercantiles,....
Coyuntura

Estadísticas agrarias, industriales y del sector

servicios
5. PAQUETES ECONOMÉTRICOS 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 óptima
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.

x Y
15 55
10 45
12 49
19 62
30 73
14 51
21 5
31 79
25 69
28 72

80

60

40
Y

20

0
5 10 15 20 25 30 35

X
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 56.0

Adjusted R-squared 0.173 S.D. dependent var 21.28 =

sy

S.E. of regression 19.35 = se 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

Modelo estimado:

Yi = 26.85 + 1.422 xi + ei = Yˆi + ei

i = 1,2,...,10
 VALORES ESTIMADOS Y RESIDUOS

i Y Ŷ e
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 2 3 4 5 6 7 8 9 10

Residual Actual Fitted

 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 = Yˆi + ei

i = 1,2,...,6,8,9,10

80

70

60
4
50
2
40
0

-2

-4
1 2 3 4 5 6 9 10

Residual Actual Fitted