UNA INTRODUCCIÓN A LA

ECONOMETRÍA Y A LAS SERIES DE

TIEMPO PARA FINANZAS

Ulises Cárcamo C.

Universidad EAFIT
 Naturaleza de la Econometría
• Consumo = F(Ingreso)
• Demanda de un bien Qd = f(P, Ps, Pc, I)
P= Precio, Ps = Precio de sustituto, Pc= Precio
de complementario, I = ingreso
• Oferta de un bien Qs= f(P, Pc, Pf)
P= Precio, Pc= Precio de competencia,
pf=precios de factores
 Naturaleza de la Econometría (2)
• Ri = F(rf, rM)
• Cr = G(L, H, T, E, CD, NR, Ed, R, Pib, Rt)
Cr= Riesgo de Crédito, L= liquidez, H =Hedging,
T =tamaño, E= eficiencia, CD= composición de
la deuda, NR= número de relaciones con
entidades de crédito, Ed=“Edad”, R =
rentabilidad, Rt = tasa real para préstamos.
 Naturaleza de la Econometría (3)
• Rit =αi + β1 IPt+ β2 EIt +β3 UIt+ β4 CGt + β5 GBt
IP = Cambio en la producción Industrial, EI = cambio en la
Inflación esperada , UI= cambio en al inflación no anticipada,
CG = exc. ret de los bonos corporativos sobre los bonos de
largo plazo del gob., GB = Exc. Ret de los bonos de largo plazo
del gob. sobre los T-bills

• E(ri) = rf + βiM [E(RM) – rf] + βiE [E(RE) – rf]

βiM = Beta del portafolio con respecto al port. Del Mercado
βiE = Beta del portafolio con respecto al precio de riesgo de la
energía
 Un Modelo Econométrico
Nivel de ventas como función de dos medios de propaganda
2000

1800

1600

1400

1200

1000 Sales
Modelo
800

600

400
Vt = F(X1t, X2t) + et
200

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
Colecciones de Datos
Regresión Simple. Casos
 Concepción Determinística
• Promedio
• Descripción aproximada
• Pronósticos y “proyecciones” no muy
sofisticadas.
• Estudio exploratorio
• No requiere supuestos estadísticos
• Limitaciones Obvias
 Modelo de Regresión Lineal Simple
• La línea de regresión (teórica) es una línea recta
que describe la dependencia del valor promedio
(media condicional ) de una variable con respecto a
la otra.
Y intercepto Pendiente Error
Aleatorio

Variable
Dependiente Variable
(Respuesta) Línea de Independiente
Regresión (Explicatoria)
(media condicional)
Modelos No Lineales
 ¿Cómo estimar 1 y 2 a partir de los
datos?
• Aunque nunca conoceremos exactamente 1
y 2 , podemos estimarlos a partir de los
datos.
• Suponemos un conjunto de datos observados:
(x1, y1), (x2, y2), …., (xn, yn), que se suponen
representativos del fenómeno.
 Método de mínimos cuadrados

yi

ei
Β1 + β2 xi

xi

Relaciones entre xi, yi y la recta de regresión

 Estimación por Mínimos Cuadrados

• b1 y b2, estimadores de β1 y β2, respect.

• S(β1, β2) = =

•
.

Valores Esperados

• Para X v.a. continua con función de densidad f(x), el valor esperado, o esperanza

de X, se define como : µ = E(x) x.f(x) dx

• Propiedades:
1. Si f=f(x) tiene un eje de simetría, µ está sobre ese eje.
2 .
 Varianza
• Var (X) = σ2 =E[(X - µ)2]
• Propiedades:

Covarianza
XY = Cov(X,Y) = E[(X - E[X]).(Y - E[Y])] = E[X.Y] -E[X].E[Y]
• Propiedades:

El Coeficiente de Correlación lineal ρ

𝐶𝑜𝑣(𝑥,𝑦)
𝜌𝑥 𝑦 = 𝜎𝑥 𝜎𝑦

Independencia y Covarianza: Si X e Y son independientes, entonces

Cov(x,y) = 0
 Supuestos del Modelo (I)
• 1. E(y /x) = β1 + β2x
• 2. Var(y/x) = σ2 Constante (Homocedasticidad)
• 3. Cov(yi, yj) = 0, para todo i ≠ j
• 4. x no es aleatoria, y toma al menos dos
valores diferentes
• 5. y ~N[(β1 + β2x), σ2 ]
 El supuesto 5

E(y /x) = β1 + β2x

X
 Supuestos del Modelo (II)
• 1.y = β0 + β1 x +e, para cada valor de x
• 2. E( e ) = 0
• 3. Var( e ) =σ2 (Heterocedasticidad)
• 4. Cov(ei, ej ) = 0 , para todo i y todo j
• 5. x es no aleatoria y toma al menos dos
valores
• 6. e~N(0, σ2 )
 Estimación por Mínimos Cuadrados

• b1 y b2, estimadores de β1 y β2, respect .

• S(β1, β2) = =

•
 Propiedades de los estimadores
• Bajo los supuestos 1 a 5, versión (II)
•

•
 Teorema de Gauss-Markov

• Bajo los supuestos 1 a 5, versión (II)

• Los estimadores b1 y b2 tienen la menor
varianza de todos los estimadores lineales
insesgados.
• BLUE (Best Linear Unbiased Estimators)
Distribuciones de b1 y b2 para Grandes
Muestras.
• Bajo el supuesto adicional 6 (II), e~N(0, σ2 ):
• Si el tamaño de la muestra (N) es
suficientemente grande,

•
 Estimadores de la varianza del error y otros