Clase 1 PDF

Análisis de Datos - ICI2206
Clase 1: Introducción a la Econometría
Ramón H. Cornejo-Muñoz
Universidad Andrés Bello
3 de Agosto 2015
Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 1 / 41

Presentación
Ramón H. Cornejo-Muñoz es Ingeniero Civil Industrial de la Univer-

sidad Técnica Federico Santa María y es Magíster en Economía (c) de la
Universidad de Chile. En el ámbito profesional, ha trabajado tanto en la
industria logística como bancaria. En el ámbito académico, ha realizado
investigación en teoría de redes y economía ambiental. Sus especializa-
ciones son teoría de redes, comercio internacional, economía evolutiva,
economía ambiental y ecológica.
Medio de contacto: ramon.cornejo.munoz@gmail.com

Syllabus
1. Descripción de la asignatura
Aplicar métodos descriptivos multidimensionales a mediciones empíricas

de modelos experimentales; y analizar las propiedades de dichas medi-
ciones.
Se encuentra en el eje Ciencias Básicas, en el que el alumno una vez apro-

bado el eje, se encontrará en condiciones de organizar, presentar, analizar
e interpretar información cuantitativa proveniente del ámbito industrial,
comercial, económico o social y elaborar informes estadísticos descripti-
vos, demostrando capacidades para operar con métodos estadísticos, con
una actitud orientada a la búsqueda de soluciones y productos innovado-
res que generen ventajas competitivas para su organización, cautelando
el impacto de sus decisiones en el entorno.

Syllabus
2. Prerrequisitos, Co requisitos y Horas Pedagógicas
Curso : Análisis de Datos

Código : ICI2206
Tipo de actividad : Teórico/laboratorio
Horas semanales : 2 horas teóricas y 2 horas laboratorio
Requisitos : ICI2204 y FMS176
Co requisitos : No tiene

Syllabus
3. Aprendizajes Esperados
El estudiante desarrollará aprendizajes que le permitirán:
Utilizar software comercial para resolver problemas complejos que

involucran funciones de varias variables y modelos lineales
múltiples.
Utilizar principios de la estadística matemática para combinar, en

un modelo empírico, distribuciones teóricas y observaciones.
Por medio de la investigación empírica, estimar parámetros

desconocidos de distintos modelos, y pronosticar el comportamiento
empírico de variables relevantes en diversos procesos.
Implementar procedimientos de generación y análisis de datos por

medio de recursos computacionales tales como Excel y/o SPSS.

Syllabus
4. Contenidos
Unidad 1: Inferencia y Estadística

Unidad 2: Métodos de Estimación de Parámetros
Unidad 3: Violación de Supuestos en MCO
Unidad 4: Tópicos de Econometría

Syllabus
5. Bibliografía
1 Econometría, Gujarati, Damodar N.

2 Principios de Econometría, Gujarati, Damodar N.
3 Introducción al análisis de regresión lineal, Montgomery, Douglas
C.
4 Introducción a la econometría: un enfoque moderno, Wooldridge,

Jerey M.
5 Introducción al análisis de regresión lineal, Montgomery, Douglas.

6 Microeconometrics using Stata, Cameron, Colin, Trivedi, Pravin
7 Econometric Analysis of Cross Section and Panel Data,
Wooldridge, Douglas.

Syllabus
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%

Syllabus
7. Otros
Los medios de contacto serán vía email y por el Aula Virtual.
El ayudante del curso será Franco Mansilla

(franco.andres.mansilla@gmail.com)

Outline
¾A qué se le llama Econometría?
Inferencia Causal
Causalidad vs Correlación
Objetivo de la Regresión: Elasticidad
Datos y la revisión estadística
Población vs Muestra
Explicación MRL: Linealidad y Rango completo
MCO y FRM
Supuestos de MCO
Estudio del error

¾A qué se le llama Econometría?
La econometría, resultado de cierta perspectiva sobre el papel que juega

la economía, consiste en la aplicación de la estadística matemática a la
información económica
1 para dar soporte empírico a los modelos
construidos por la economía matemática y obtener resultados

numéricos.
2
El arte del econometrista consiste en encontrar el conjunto de

supuestos que sean sucientemente especícos y realitas, de tal forma
que le permitan aprovechar de la mejor manera los datos que tiene a su
disposición.
3
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.
Inferencia causal: el concepto
En este curso, se revisarán problemas que normalmente no se estudian

en Ingeniería, en el sentido de tomar en cuenta en serio los problemas
relacionados con la CAUSALIDAD.
A diferencia de los problemas determinísticos estudiados en ciencias de-
rivadas a las exactas, la naturaleza estocástica del comportamiento hu-
mano y la múltiples interrelaciones que afectan su comportamiento hacen
más difícil hacer inferencia.
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.

Como ejemplo, se puede tomar cualquier sentencia relativamente simple

y colocarla en un lenguaje estadístico:
La productividad de los ejecutivos de cuenta de la industria bancaria en

Santiago disminuye mientras más utilizan redes sociales durante el
horario laboral.
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.
Como estas variables (conceptos) son difícilmente cuanticables, se bus-

can PROXIES que las reemplacen y, a su vez, esten estrechamente rela-
cionadas.

Así, las proxies seleccionadas son:
x el tiempo (medido en segundos al día) de conexión a Facebook,

Twitter o Whatsapp, e
y el monto total generado al día por concepto de apertura de

cuentas, colocaciones y captaciones.
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)

Por lo tanto, los datos podrían ser ordenados de la siguiente forma,
   
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)
Nótese que ahora es posible acuñar otros términos: X es una variable

explicativa, mientras que y es la variable explicada.
Pero la variable explicativa es una APROXIMACIÓN de la variable expli-

cada, dada la naturaleza de las variables aleatorias. O sea, cada variable
es considerada como una variable aleatoria que sigue una distribución en
particular y puede ser entendida como tal.
La fuente de diferencias entre X e Y pueden ser dos:
Todas las xi pueden estar por sobre o bajo la media de Y.

Al ser una distribución de probabilidad la generación de X hace que
sea la misma distribución para Y, pero esto para cada individuo no
necesariamente son iguales para cada realización del individuo i.

Para la primera fuente de diferencia, la igualdad de(2) se logra al agre-

gar una constante y al mismo tiempo un factor de escala a la variable
explicativa, mientras que para la segunda se puede añadir una variable
aleatoria que ajuste exactamente la ecuación. Así, se tiene la relación,
yi =(constante) + (factor de escala) × xi + (variable aleatoria)
En el lenguaje que se ocupará en el curso, se tiene,
yi = β0 + β1 xi + εi
⇒ Y = Xβ + ε
Note que hemos ocupado un supuesto fundamental a la hora

de relacionar las dos proxies propuestas: ½estas interactúan de
forma LINEAL!
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.

Volvamos a la representación de los datos. Recordemos que en nuestro

modelo de la productividad de los ejecutivos, tenemos una variable ex-
plicativa (x ) y una variable explicada (y ).
Y = Xβ + ε (3)
Ahora, las matrices tienen una forma distinta a la vista anteriormente

donde simplemente se ve como se conguran los datos. Las matrices son,
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!!!
Esta ecuación (que viene de una relación conceptual) tiene varios su-
puestos incorporados, pero hasta el momento los más importantes son
dos:
1 LINEALIDAD: claramente, la relación entre X e Y es lineal en

parámetros, esto es, la variable puede ser no lineal pero los
parámetros son lineales con respecto a la regresión.
2 CAUSALIDAD: Se entiende que la causalidad va desde X a Y y

NO VICEVERSA. Esto es tremendamente importante, y es por la
razón que este tipo de modelos son utilizados de forma muy simple
y sin mayor relevancia.

La ecuación (3) se utilizará además para cuando las variables explicativas

son numerosas y todas ayudan a explicar el fenómeno. Por lo tanto, Xy
β deben incorporar más variables con la forma,
yi = β0 + β1 xi1 + β2 xi2 + ... + βm xim + εi
≡
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.
Ahora, ya entendemos que estamos haciendo. Dado que hemos supuesto

que la relación entre las variables el LINEAL, hicimos pasar una recta
a través de los datos, que de una manera que aún no conocemos, SE
AJUSTA DE LA MEJOR MANERA POSIBLE.
Por lo tanto, el objetivo dicho de una forma muy práctica en todo nuestro
curso será:
Determinar de la forma más precisa posible el valor de todos

los parámetros, llamados en la ecuación β , sabiendo que hay
una componente probabilistica, que hace esta tarea más
compleja.

Nuestro obtetivo es determinar esta matriz, o sea, todos los PARÁME-

TROS que aparecen en nuestra relación matemática.
Tal como es posible notar, a estas expresiones se les llaman PARÁME-

Causalidad v/s Correlación
Tal como hemos visto anteriormente, la causalidad es un aspecto funda-

mental a la hora de querer estudiar sentencias y sus posibles relaciones.
Aún así, es común tener un concepto erróneo sobre la relación entre cau-
salidad y correlación.
CAUSALIDAD: Es la característica que muestra la implicancia que

presentan dos conceptos. Un ejemplo es simple es el de la alimentación si
una persona se alimenta en exceso entonces su Índice de Masa Corporal
subirá.
CORRELACIÓN: Es la característica que muestra cómo dos variables
se mueven siempre en favor en contra al mismo tiempo. Un ejemplo
simple es el de si una persona corre 1 hora diaria entonces

Revisemos la siguiente relación. Tamaño del pene (en centímetros) de un

país explicaría el PIB (GDP) entre un rango de años determinado. ½Note
que SI EXISTE una relación lineal entre ambas variables!
¾Se le puede ocurrir una historia en que esto fuese posible?

¾alguna explicación? ¾esta relación tiene sentido alguno?
Aún cuando dos variable presenten un comovimiento claro (tanto positivo

como negativo) la relación entre ellos puede deberse simplemente al azar.
Figura: Edad de Miss América vs Asesinatos por vapor, vapores y objetos.

Clara correlación que difícilmente sería causal.
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.
Como conclusión, siempre se debe recordar la siguiente armación:
Correlación NO IMPLICA Causalidad
Es nuestro deber, a la hora que querer explicar un suceso cualquiera con

el uso de datos, que estos tengan una relación CAUSAL y no meramente
las variables se encuentren relacionadas.
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.
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.
Clasicación sobre orden de los datos

Datos de Corte Transversal : Datos que se colectan en un instante
del tiempo. Un ejemplo es el Censo de un año determinado.
Datos de Corte Longitudinal : Son datos que se colectan en

distintos instantes durante un tiempo. Se les llaman también series
temporales.
Datos de Panel : Es la mezcla de los dos anteriores. Un buen

ejemplo son las encuestas, ya que se repiten cada cierto tiempo
haciendo las mismas preguntas.

Clasicación sobre orden de los datos
Figura: a) Datos de corte transversal, b) Datos de corte longitudinal, c) Datos

de panel.

Clasicación sobre completitud

Datos Poblacionales : Estos son los que componen el conjunto
universo. El ejemplo más natural es el Censo, ya que para estudiar
cualquier relación con para un país con los datos censales, en
teoría, se tendrían absolutamente todos los datos. Así, los
parámetros encontrados serías los VERDADEROS. De acá se
origina la población.
Datos Muestrales : Estos son sólo una parte de los datos

poblacionales, por lo que se dice que se utiliza una muestra. Esto
genera que los parámetros encontrados no sean los verdaderos, pero
se parezcan mucho a ellos, dependiendo de ciertas condiciones.

Tipos de Modelos
Ya que conocemos el problema que tenemos que solucionar, daremos un

poco más de estructura a la modelación en Econometría. Para realizar la
modelación, el econometrísta y/o investigador genera 4 tipos de modelos
distintos, cada uno predecesor del siguiente:
1 Modelo Matemático : Este modelo entrega la relación entre las

variables y viene directamente de la teoría conceptual que se haya
diseñado con anterioridad. Ej. yi = β0 + β1 xi
2 Modelo Poblacional : Dado que el modelo matemático considera que
ambas variables se determinan exactamente de forma determinista,
el modelo poblacional da la posibilidad de que exista aleatoriedad,
5
pero se calcula el valor esperado de la relación . Tal como lo dice
su nombre, se utilizan los datos poblacionales, o sea, se tiene todo
el universo de individuos o de información disponibles, por lo
tanto, se utilizan loa PARÁMETROS POBLACIONALES. Ej:
E[yi |X] = β0 + β1 xi
5
Esto lo revisaremos en detalle en la Clase 2.
Tipos de Modelos
1 Modelo Muestral : Este modelo utiliza un subconjunto de los datos

poblacionales, por lo que no es posible determinar los parámetros
poblacionales. En cambio, es posible encontrar los PARÁMETROS
MUESTRALES. Ej. yi = β0 + β1 xi + εi
2 Modelo Estimado : Es es el modelo que es estimado por el
econometrista. Todos los anteriores son teóricos, en
cambio este es el que se calcula con el uso de los datos.
Note que lo único que es estimado son las variables
explicativas, ya que se asumen dadas. Ej: ŷi = β̂0 + β̂1 xi

Tipos de Modelos
Acá se presenta el orden lógico en que se relacionan los distintos modelos

y cómo se van generando uno a uno.

Tipos de Variables
Existen distintos tipos de clasicaciones de variables, y es importante que

entendamos qué signica cada una de estas denominaciones. Utilizaremos
una regresión estándar para usarla de ejemplo:
Y = Xβ + ε
Variables Explicativas ( X ): Son las variables que explican o causan

un fenómeno, en este caso, a Y.
Variables Explicadas ( Y ): Es la variable que está siendo explicada.
Variables Exógenas ( X ): Son las variables que no se determinan
dentro del modelo. En es taso, coinciden con las explicativas
porque se asume que se cumple la causalidad de X a Y.
Variables Endógenas ( Y ): Son las variables que se determinan
dentro del modelo. Obviamente, Y es endógena porque la
determinan las X.
Tipos de Variables
Variables Determinísticas ( X ): Es la componente sistemática que

explica a Y . Son las variables que se asumen no estocásticas. El
enfoque de Econometría que usaremos en este curso es asumiendo
las X como dadas y no aleatorias.
Variables Aleatorias (ε): Es la componente impredecible que explica

a Y . Representa la naturaleza aleatoria de la regresión. A esta
variable se le conoce comúnmente como el error.
Variables Independientes ( X ): Como es una ecuación nalmente,

las variables que no son manejadas son las que vienen desde afuera
y que no dependen de otra variable. Esta noción es muy similar a
la de exogeneidad.
Variables Dependientes ( Y ): Estas son las variables que dependen

de otras en el modelo. Tiene mucha relación con el concepto de
endogeneidad.

Tipos de Variables
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.

La Regresión
La palabra regresión tiene su origen en un cientíco llamado Galton quien

notó que las personas de una sociedad determinada tienen a medir lo que
mide la población. Así, la altura regresaba hacia una altura promedio.
En nuestro caso, una regresión será ajustar una curva de la mejor forma
posible a una nube de puntos. Algunas veces trataremos de ajustar una
recta cuando suponemos una relación lineal, pero otras podrán ajustarse
mejor otras curvas, como una parábola, una cúbica, una logarítmica, etc.

La Regresión
Este ajuste se realiza usando un criterio que podemos elegir libremente.

Un par de criterios por podemos escribir así:
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.

Volvamos a nuestro ejemplo más simple:
¾Cuál es la VARIACIÓN de la productividad de un trabajador bancario

cuando este modica en 1 minuto el uso de redes sociales?
Esta pregunta es la más importante a responder en este curso

tal como hemos mencionado anteriormente, nos interesa conocer los pa-
rámetros que se encuentran en la representación, en principio lineal, que
hemos imaginado mejor se ajusta a los datos a través de una regresión.
Desde un punto de vista cuantitativo, en una representación muy simple,
lineal y que supone causalidad, que es de la forma,

Y = Xβ + ε
β tiene la siguiente interpretación: si X aumenta en una unidad,

entonces Y varía β unidades.
A esto se le llama ELASTICIDAD y puede ser encontrada teóricamente

haciendo una derivada sobre la regresión:
∂Y
∂X
=β
Más adelante analizaremos los distintos tipos de regresiones y cuáles

serán las elasticidades junto con su interpretación.

¾Preguntas?
¾Preguntas?

Clase 1 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase 1 PDF

Cargado por

Copyright:

Formatos disponibles

Análisis de Datos - ICI2206

Clase 1: Introducción a la Econometría

Universidad Andrés Bello

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 1 / 41

Ramón H. Cornejo-Muñoz es Ingeniero Civil Industrial de la Univer-

Medio de contacto: ramon.cornejo.munoz@gmail.com

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 2 / 41

Aplicar métodos descriptivos multidimensionales a mediciones empíricas

Se encuentra en el eje Ciencias Básicas, en el que el alumno una vez apro-

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 3 / 41

2. Prerrequisitos, Co requisitos y Horas Pedagógicas

Curso : Análisis de Datos

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 4 / 41

El estudiante desarrollará aprendizajes que le permitirán:

Utilizar software comercial para resolver problemas complejos que

Utilizar principios de la estadística matemática para combinar, en

Por medio de la investigación empírica, estimar parámetros

Implementar procedimientos de generación y análisis de datos por

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 5 / 41

Unidad 1: Inferencia y Estadística

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 6 / 41

1 Econometría, Gujarati, Damodar N.

4 Introducción a la econometría: un enfoque moderno, Wooldridge,

5 Introducción al análisis de regresión lineal, Montgomery, Douglas.

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 7 / 41

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 8 / 41

Los medios de contacto serán vía email y por el Aula Virtual.

El ayudante del curso será Franco Mansilla

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 9 / 41

¾A qué se le llama Econometría?

Objetivo de la Regresión: Elasticidad

Datos y la revisión estadística

Explicación MRL: Linealidad y Rango completo

Estudio del error

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 10 / 41

La econometría, resultado de cierta perspectiva sobre el papel que juega

construidos por la economía matemática y obtener resultados

El arte del econometrista consiste en encontrar el conjunto de

En este curso, se revisarán problemas que normalmente no se estudian

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 12 / 41

Como ejemplo, se puede tomar cualquier sentencia relativamente simple

La productividad de los ejecutivos de cuenta de la industria bancaria en

Como estas variables (conceptos) son difícilmente cuanticables, se bus-

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 13 / 41

Así, las proxies seleccionadas son:

x el tiempo (medido en segundos al día) de conexión a Facebook,

y el monto total generado al día por concepto de apertura de

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 14 / 41

Por lo tanto, los datos podrían ser ordenados de la siguiente forma,

Nótese que ahora es posible acuñar otros términos: X es una variable

Pero la variable explicativa es una APROXIMACIÓN de la variable expli-

La fuente de diferencias entre X e Y pueden ser dos:

Todas las xi pueden estar por sobre o bajo la media de Y.

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 16 / 41

Para la primera fuente de diferencia, la igualdad de(2) se logra al agre-

yi =(constante) + (factor de escala) × xi + (variable aleatoria)

En el lenguaje que se ocupará en el curso, se tiene,

Note que hemos ocupado un supuesto fundamental a la hora

Ramón H. Cornejo-Muñoz (2014) Clase 1: Introducción a la Econometría 3 de Agosto 2015 18 / 41

Volvamos a la representación de los datos. Recordemos que en nuestro

Ahora, las matrices tienen una forma distinta a la vista anteriormente

1 LINEALIDAD: claramente, la relación entre X e Y es lineal en

2 CAUSALIDAD: Se entiende que la causalidad va desde X a Y y

La econometría, resultado de cierta perspectiva sobre el papel que juega

El arte del econometrista consiste en encontrar el conjunto de

Como estas variables (conceptos) son difícilmente cuanticables, se bus-

Como conclusión, siempre se debe recordar la siguiente armación:

Clasicación sobre orden de los datos

Clasicación sobre orden de los datos

Clasicación sobre completitud

Existen distintos tipos de clasicaciones de variables, y es importante que

Variables Independientes ( X ): Como es una ecuación nalmente,

La palabra regresión tiene su origen en un cientíco llamado Galton quien