Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Ramón H. Cornejo-Muñoz
3 de Agosto 2015
1. Descripción de la asignatura
3. Aprendizajes Esperados
4. Contenidos
5. Bibliografía
6. Evaluación
Se encuentra detallada en el Syllabus. Aún así, se muestra una tabla con
los porcentajes de cada actividad:
Solemne 1 20 %
Solemnes Solemne 2 20 %
Solemne 3 20 %
Laboratorio 10 %
Minicontroles y/o Guías 10 %
Propuesta de Problemática 2%
Avance Preliminar 3%
Proyecto Final Escrito Final 5%
Video 5%
Presentación
Presencial 5%
7. Otros
Inferencia Causal
Causalidad vs Correlación
Población vs Muestra
MCO y FRM
Supuestos de MCO
1
Acá se puede reemplazar por social, sicológica, antropológica, etc.
2
Methodology of Mathematical Economics and Econometrics, Gerbard Tinter,
The University of Chicago Press, 1968, p.74.
3
Statistical Methods of Econometrics, E. Malinvaund, Rand McNally, Chicago,
1966, p. 514.
Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 11 / 41
Inferencia causal: el concepto
Esto no quiere decir que problemas del medio ambiente o mecánicos ten-
gan un comportamiento determinístico solamente, simplemente se hace
especial énfasis en los problemas de CIENCIAS SOCIALES a la hora de
estudiar la inferencia causal.
Para probar esta sentencia, se pueden elegir dos variables que reejen la
implicacia reejada, x muestra el uso de redes sociales por parte de los
trabajadores en horario laboral e y la productividad de estos.
Por lo tanto, se tiene que, para cada individuo i en un mismo día con
i = 1, ..., n, la relación puede ser escrita como,
xi ⇒ yi (1)
y1 x1
y2 x2
. .
. ;
Y = X =
.
. .
yn xn
Por lo tanto, la relación (1), SI ES CONSIDERADA CAUSAL DE X A
Y, se tiene cuantitativamente para cada individuo i,
yi ≈ xi ⇒ Y ≈ X (2)
yi = β0 + β1 xi + εi
⇒ Y = Xβ + ε
Es claro en que las guras (a) y (c) los datos se ajustan más a una recta.
si pensamos A PRIORI en una relación
Esto quiere decir que,
LINEAL entre x e y , los datos representados en esas guras
avalan nuestro presentimiento.
En cambio, en (b) y (d) los datos no representan una relación lineal entre
las variables.
Y = Xβ + ε (3)
1
y1 x1 ε1
y2 1 x2 ε2
X = 11
Y
. . β .
β= 0 ;
=
. ;
; ε=
. β1 .
1
. . .
yn 1 xn εn
¾Qué signica esa columna de 1's en la matriz X ? ½½½La Constante!!!
Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 19 / 41
Inferencia causal: el concepto
Esta ecuación (que viene de una relación conceptual) tiene varios su-
puestos incorporados, pero hasta el momento los más importantes son
dos:
≡
1 x11 . . . x1m
y0 β0
y1 1 x21 . . . x2m β1
X = 11
Y
. . .
=
. ;
; β=
. .
1
. . .
yn 1 xn1 . . . xnm βm
Note que n representa la cantidad de individuos con datos y m son la
cantidad de variables explicativas consideradas para explicar a Y.
Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 21 / 41
Inferencia causal: el concepto
Por lo tanto, el objetivo dicho de una forma muy práctica en todo nuestro
curso será:
Para ver más ejemplos, puedes ingresar a esta pagina. Además, un video
explicativo muy entretenido lo puedes encontrar acá, en donde se explican
las correlaciones espúreas, o sea, que no tienen ninguna relación causal.
Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 26 / 41
Causalidad v/s Correlación
Esto puede no cumplirse y aún así encontrar relaciones entre las variables,
pero en un principio dentro del curso, no podremos hacerlo .
4
4
Más adelante, en la segunda parte del curso, veremos cómo afecta este hecho a
nuestros cálculos.
Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 27 / 41
Datos y la revisión estadística
Ahora nos enfocaremos en revisar qué tipo de datos son usados para en-
contrar el valor de los parámetros en los modelos que estamos estudiando.
Y = Xβ + ε
El libro Gujarati muestra una gura con los distintos nombres de las
variables que podrían ser usados como sinónimos y, aunque no lo son,
en nuestro nivel podremos intercambiarlos a rasgos generales.
n
mn
X
|εi | ⇒ LAD
ε i
i
n
mn ε2i ⇒ MCO
X
ε i
i
Es claro que la mejor curva que pasar por una nube de puntos es la que
minimiza el ERROR o la componente no predicha por el modelo.
Más adelante en el curso, veremos que la segunda alternativa (Mínimos
Cuadrados Ordinarios o MCO) es la forma más usada para ajustar curvas
que se piensan lineales y estudiaremos esta forma de ajuste en detalle
durante gran parte del curso.
Y = Xβ + ε
∂Y
∂X
=β
¾Preguntas?