Documentos de Académico
Documentos de Profesional
Documentos de Cultura
http://www.ucm.es/info/ecocuan/ectr1
UNIVERSIDAD COMPLUTENSE Facultad de Ciencias
MADRID Económicas y Empresariales
Este documento puede utilizarse exclusivamente como instrumento para la docencia oficial de la asignatura
ECONOMETRÍA I
http://www.ucm.es/info/ecocuan/jam/ectr1
GUIÓN PÁGINA II
CONTENIDO Y BIBLIOGRAFÍA
CONTENIDO
PRÓLOGO 1
¨ Regresión Lineal: De Simple a Múltiple......................................................... 2
¨ Notación............................................................................................................ 6
T3 EXTENSIONES 55
3.1 Transformaciones lineales............................................................................ 55
3.2 Multicolinealidad ............................................................................................ 56
3.3 Errores de especificación ............................................................................. 59
3.4 Variables explicativas binarias..................................................................... 62
GUIÓN PÁGINA IV
CONTENIDO Y BIBLIOGRAFÍA
GUIÓN PÁGINA V
CONTENIDO Y BIBLIOGRAFÍA
BIBLIOGRAFÍA
– TEMA 1 –
J.M. WOOLDRIDGE (2006): CAPÍTULOS 2 Y 3. SECCIONES 6.2 Y 6.3. APÉNDICES E1 Y E2.
M. VERBEEK (2004): SECCIONES 2.1, 2.2, 2.3, 2.4 Y 3.1.
F. HAYASHI (2000): SECCIONES 1.1, 1.2, 1.3 Y 1.5.
– TEMA 2 –
J.M. WOOLDRIDGE (2006): CAPÍTULO 4. SECCIÓN 6.4. APÉNDICE E3.
M. VERBEEK (2004): SECCIONES 2.5, 2.9 Y 3.3.
F. HAYASHI (2000): SECCIÓN 1.4.
– TEMA 3 –
VER INDICACIONES AL FINAL DE CADA APARTADO DEL GUIÓN.
GUIÓN PÁGINA VI
ECONOMETRÍA I PRÓLOGO
PRÓLOGO
The key question in most empirical studies is: Have enough other factors been held fixed to make
a case for causality? Rarely is an econometric study evaluated without raising this issue. In most
serious applications, the number of factors that can affect the variable of interest – such as […]
wages – is immense, and the isolation of any particular variable may seem like a hopeless effort.
However, we will eventually see that, when carefully applied, econometric methods can simulate
a ceteris paribus experiment. […] As we will see throughout this text, accounting for other
observed factors, such as experience, when estimating the ceteris paribus effect of another
variable, such as education, is relatively straightforward. We will also find that accounting for
inherently unobservable factors, such as ability, is much more problematic. It is fair to say that
many of the advances in econometric methods have tried to deal with unobserved factors in
econometric models.
J.M. WOOLDRIDGE
Introductory Econometrics – A Modern Approach 2006
GUIÓN PÁGINA 1
ECONOMETRÍA I PRÓLOGO
GUIÓN PÁGINA 2
ECONOMETRÍA I PRÓLOGO
Esta expresión (que puede considerarse una extensión de la ecuación [4] en la Definición 2.2
de la Introducción) pone de manifiesto que [ ∆XW ]−1 [ ∆YXW ] ≅ [ FXW ] siempre que
GUIÓN PÁGINA 3
ECONOMETRÍA I PRÓLOGO
GUIÓN PÁGINA 4
ECONOMETRÍA I PRÓLOGO
En este sentido, el modelo RLS del Ejemplo 2.8 de la Introducción puede ampliarse para
recoger explícitamente otras influencias directas sobre Y adicionales a la influencia lineal de
X. Esta ampliación da lugar a un modelo de regresión lineal múltiple (RLM), en el que
todas las influencias que recibe Y se resumen mediante una expresión matemática del tipo
Y = β1 + β2 X 2 + β3 X 3 ... + βK X K + U , [C]
∆YX 2 ∆X 2 ∆X 3.2 ∆X K .2 β ∆U X 2
2
∆YX ∆X ∆X 3 ∆X K .3 β ∆U X
3 2.3 3 3
= + , [D]
∆YX ∆X ∆X K β ∆U X
K 2.K ∆X 3.K K K
[ ∆YX ] [ ∆XX ] β2 [ ∆U X ]
GUIÓN PÁGINA 5
ECONOMETRÍA I PRÓLOGO
o bien, de manera más compacta y explícita (en la línea de la ecuación [B]), como
[ ∆YX ] = [ ∆XX ] × β2 + [ ∆U X ] =
Esta expresión (que puede considerarse una extensión de [6] en el Ejemplo 2.8 de la Introducción) indica que
[ ∆XX ]−1 [ ∆YX ] = β2 siempre que [ ∆U X ] = 0 , es decir, siempre que U en [C] no varíe sistemáticamente con
ninguna variable explicativa. Por lo tanto, si las influencias recogidas en U son independientes de todas las variables
explicativas, entonces tanto β2 como β3 , ..., βK pueden evaluarse de manera fiable a partir de [E] utilizando datos
sobre Y, X2 , X 3 , ..., X K . Por el contrario, como se vio en el Ejemplo 2.8, β2 no podría evaluarse fiablemente a partir
tan sólo de la primera ecuación en [D] (incluso suponiendo que ∆U X 2 = 0 ), a menos que β j × ∆X j .2 = 0 para todo
j = 3, ..., K . La ventaja de incluir a X 3 , ..., X K junto con X2 en [C] en relación con un análisis de causalidad de X2
sobre Y, reside justamente en que la inclusión de X 3 , ..., X K elimina la necesidad de asumir ciertas hipótesis (como
que bien β j = 0 , o bien ∆X j .2 = 0 , para todo j = 3, ..., K ) que pueden resultar difíciles de justificar en la práctica.
NOTACIÓN
Las variables aleatorias (v.a.s) se representan con letras mayúsculas (Y1 , X12 , ...) ; sus
valores observados se representan con las letras minúsculas correspondientes (y 1, x 12, ...).
GUIÓN PÁGINA 6
ECONOMETRÍA I PRÓLOGO
En general, las matrices se representan con letras mayúsculas en negrilla (X, A, Σ, ...)
incluso si sus componentes no son v.a.s. Los vectores se representan con letras minúsculas
en negrilla ( y , x 2 , β , ...). Un vector se representa con una letra mayúscula sólo cuando sus
componentes son v.a.s ( Y, Y ˆ, U
ˆ , ..., cuyos valores observados se representan como
ˆ, ...). Todos los vectores se consideran vectores columna. Se utiliza el símbolo ′ (como
ˆ, u
y, y
en A′, β ′, c′, ...), en lugar de un superíndice T, como símbolo de trasposición. Las cantidades
escalares (matrices de dimensión 1 × 1 ) se representan en cursiva ( β3 , σ2 , t , F , ... ).
Los momentos muestrales (estadísticos) se representan como X (media), S X 2 (varianza),
GUIÓN PÁGINA 7
ECONOMETRÍA I PRÓLOGO
símbolo Var[ ⋅] representa la varianza de una v.a. cuando dicha v.a. es escalar, en cuyo caso
a veces se emplea el símbolo Σ[ ⋅] , o bien una matriz de varianzas-covarianzas cuando dicha
v.a. es vectorial, en cuyo caso a veces se emplea el símbolo Σ[ ⋅] (en negrilla). El símbolo
Cov[ ⋅, ⋅] ( Côv[ ⋅, ⋅]) representa la covarianza (estimada) entre dos v.a.s de cualquier tipo. Los
símbolos Σ ˆ W [ ⋅] y Σ ˆ W [ ⋅] representan estimadores (que dependen de W) de la varianza
correspondiente, cuyos valores observados (estimaciones) se representan como Σ ˆ [ ⋅] y Σ
ˆ [ ⋅]
(sin el subíndice W), o simplemente como Vâr[ ⋅] . El símbolo ∑ (más grande que el símbolo
Σ anterior) se emplea con mucha frecuencia para representar un sumatorio como ∑ iN=1 .
GUIÓN PÁGINA 8
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
– TEMA 1 –
ESPECIFICACIÓN Y ESTIMACIÓN DEL MODELO LINEAL GENERAL
Se pretende cuantificar una supuesta relación estocástica unidireccional entre cierta variable
Y (variable dependiente) y K ≥ 1 variables X1 , X 2 , ..., X K (variables explicativas), sobre
las que se dispone de una colección de datos o muestra
y1 x 11 x 12 x1K
y 2 x 21 x 22 x2K
w≡ ≡ [ y , x1 , x 2 , ..., x K ].
yN x N 1 x N 2 x NK
Observación preliminar I: Con el fin de simplificar el álgebra matricial que se utiliza en la definición y el análisis del
modelo lineal general (MLG), para especificar un modelo con término constante (como un modelo RLS, o un modelo
RLM como [C]) la matriz w anterior se define de manera que x i1 ≡ 1 ( i = 1, 2, ..., N ) ( ⇒ x1 ≡ [1, 1, ..., 1]′ ). En este
caso solamente hay K − 1 variables explicativas "reales" ( X 2 , ..., X K , como en el modelo RLM [C]), ya que X1 es de
hecho una constante "artificial".
GUIÓN PÁGINA 9
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
GUIÓN PÁGINA 10
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
Los datos disponibles son una realización particular de una colección de variables aleatorias
Y1 X11 X12 X1 K
Y2 X 21 X 22 X2K
W≡ ≡ [ Y , X1 , X2 , ..., XK ]
Y X X X NK
N N1 N2
tal que
Yi = β1 X i 1 + β2 X i 2 + ... + βK X iK + U i = ∑ K
j =1 β j X ij + U i (i = 1, 2, ..., N ) , [1]
donde β1 , β2 , ..., βK son K parámetros cuyos valores (desconocidos) son los mismos en
todos los puntos muestrales, y U i (1 ≤ i ≤ N ) es una perturbación aleatoria no observable
asociada con el i -ésimo punto muestral.
Observación preliminar II: Para modelos con término constante, Xi 1 ≡ 1 ( i = 1, 2, ..., N ) ( ⇒ X1 ≡ [1, 1, ..., 1]′ ).
GUIÓN PÁGINA 11
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
GUIÓN PÁGINA 12
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
Observación 2: El MLG tiene término constante cuando X i 1 ≡ 1 para todo i = 1, 2, ..., N . En este caso, [1] queda
donde β1 es el término constante y β2 , ..., βK son las pendientes del modelo. Las ecuaciones [2] - [3] siguen siendo
válidas en este caso, redefiniendo la matriz X para que su primera columna sea ahora X 1 ≡ [1, 1, ..., 1]′ (de manera
que la i -ésima fila de X sea ahora Xi′ ≡ [1, Xi 2 , ..., XiK ]):
1 X12 X1K
1 X 22 X 2K
X≡ .
1 XN 2 X NK
Observación 3 - Muy importante: El MLG es lineal porque los parámetros que figuran en su lado derecho lo hacen de
forma lineal (a lo sumo, están multiplicados por un término que no depende de ningún parámetro del modelo), como
en [1] y [1′]. No obstante, en el MLG pueden aparecer cualesquiera transformaciones lineales y no lineales de las
variables originales de interés, como en los ejemplos siguientes (donde Q y P representan variables originales):
GUIÓN PÁGINA 13
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
1
Modelo recíproco Qi = β1 + β2 Pi
+ Ui . [M5]
Modelo cuadrático Qi = β1 + β2 Pi + β3 Pi2 + U i . [M6]
Modelo con interacción Qi = β1 + β2 Pi 1 + β3 Pi 2 + β4 ( Pi 1 × Pi 2 ) + U i . [M7]
[M1]-[M7] son casos particulares del MLG con término constante [1′] (como puede comprobarse definiendo
adecuadamente Yi , Xij y K en cada caso). [M1] implica que una variación absoluta unitaria en Pi tiene el mismo
efecto sobre Qi con independencia de los valores de partida de Qi y de Pi . Esto no es así en [M2]-[M7]; ver Tabla 1 y
Figura 1 (ver también el Apéndice A en Ectr1-JAM-Intro.pdf). Los modelos [M1]-[M7] pueden combinarse entre sí para
formular modelos RLM que resultan muy flexibles en la práctica; ver Ejercicio nº 1.
TABLA 1
Efectos "Ceteris Paribus" y Elasticidades en Diferentes Modelos de Regresión Lineal
∂Qi Qi
[M2] ∂Pi
= β2 Pi
⇒ % ∆Qi ≈ β2 % ∆Pi β2
∂Qi
[M3] ∂Pi
= β2Qi ⇒ % ∆Qi ≈ (100 β2 )∆Pi β2 Pi
GUIÓN PÁGINA 14
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
[M4]
∂Qi
∂Pi
= β2 1
Pi
⇒ ∆Qi ≈ ( 100
β2
) %∆Pi β2 1
Qi
≈ ( 100 P ) % ∆Pi
∂Qi 1 −β 2 1
[M5] ∂Pi
= − β2 ⇒ ∆Qi − β2
Pi2 i Qi Pi
∂Qi P
[M6] ∂Pi
= β2 + 2 β3 Pi ( β2 + 2 β3 Pi ) Qi
i
∂Qi P
[M7] ∂Pi 1
= β2 + β4 Pi 2 ( β2 + β4 Pi 2 ) Qi 1
i
Observación 4: Modelos como Qi = β1 Pi 1 + β12 Pi 2 + U i y Qi = µ0Piβ11 Piβ22 + U i son no lineales con respecto a sus
parámetros (ninguno de ellos es un caso particular del MLG). Un modelo como Qi = µ0Piβ11 Piβ22 eU i es equivalente
(tomando el logaritmo neperiano en ambos lados) a ln Qi = β0 + β1 ln Pi 1 + β2 ln Pi 2 + U i , con β0 ≡ ln µ0 , que sí
es lineal con respecto a los parámetros β0 , β1 y β2 . En general, un modelo de regresión es no lineal cuando ni es
lineal en su formulación original, ni se puede convertir en un modelo lineal mediante alguna transformación.
Observación 5 - Muy importante: En última instancia, la finalidad de escoger una forma funcional concreta o de
transformar las variables de interés en un modelo de regresión, es obtener un modelo cuyas perturbaciones tengan unas
propiedades estadísticas (ver H3, H4 y H5) que garanticen la validez de los métodos de inferencia (estimación,
contrastes de hipótesis y previsión) que vayan a ser utilizados. También deben tenerse en cuenta las implicaciones de
cada forma funcional sobre el significado de los efectos ceteris paribus de cada variable explicativa de interés.
GUIÓN PÁGINA 15
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
FIGURA 1 A
Formas Funcionales Alternativas en Modelos de Regresión Lineal
[M1]: Qi = β1 + β2 Pi [M2]: ln Qi = β1 + β2 ln Pi ⇒ Qi = exp ( β1 + β2 ln Pi )
β2 > 0 β2 = 1
−1 < β2 < 0
Qi Qi 0 < β2 < 1
β2 = −1
β2 < 0
β2 > 1
Pi Pi
GUIÓN PÁGINA 16
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
FIGURA 1 B
Formas Funcionales Alternativas en Modelos de Regresión Lineal
[M3]: ln Qi = β1 + β2 Pi ⇒ Qi = exp ( β1 + β2 Pi ) [M4]: Qi = β1 + β2 ln Pi
β2 > 0
β2 < 0
Qi Qi
β2 > 0
β2 < 0
Pi Pi
GUIÓN PÁGINA 17
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
FIGURA 1 C
Formas Funcionales Alternativas en Modelos de Regresión Lineal
[M5]: Qi = β1 + β2 1
Pi
[M6]: Qi = β1 + β2 Pi + β3 Pi2
β3 < 0
β2 > 0
Qi Qi
β2 < 0 β3 > 0
Pi Pi
GUIÓN PÁGINA 18
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
Observación sobre terminología: El MLG [1] se denomina a veces una regresión lineal de Y sobre X1, X 2 , ..., X K . El
MLG [1′] se denomina a veces una regresión lineal de Y sobre X 2 , ..., X K con término constante. Esta terminología se
emplea especialmente cuando se considera la estimación de un modelo dado.
H3 Exogeneidad estricta
Observación 6: La hipótesis H3 constituye un enunciado formal de la idea de independencia entre influencias omitidas
e influencias incluidas en un análisis aplicado, mencionada repetidamente en la Introducción a la asignatura y en el
Prólogo al Guión. Cuando E[ U X ] = 0 , se dice que los regresores del MLG son estrictamente exógenos, en el sentido
que el valor esperado de las influencias incluidas en cada perturbación del modelo es independiente de lo que valga
GUIÓN PÁGINA 19
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
cualquier variable explicativa (regresor) en cualquier punto muestral (entidad observable o momento). En particular,
E[ U X ] = 0 implica que E[Xt′ U i ] = 0 ( ⇒ Cov[Xt′ , U i ] = Corr[ Xt′ , U i ] = 0 ) para todo t, i = 1, …, N (ortogonalidad
entre regresores y perturbaciones). Según los datos empleados, la exogeneidad estricta puede requerir lo siguiente:
¹ En muchas ocasiones, puede suponerse razonablemente que una colección de datos de sección cruzada procede de
una muestra aleatoria del tipo [Yi , Xi′ ] ( i = 1, ..., N ), con cada una de sus observaciones independiente de las
demás. En este contexto, la hipótesis de que E[U i Xi ] = 0 para todo i = 1, ..., N es suficiente para garantizar H3.
¹ En general, una colección de datos de series temporales suele proceder de una secuencia de variables aleatorias del
tipo [Yt , Xt′ ] ( t = 1, ..., N ) en la que cada observación está correlacionada con las anteriores. En este contexto, H3
no permite la presencia de variables explicativas que estén correlacionadas con valores pasados de U t , lo que
excluye la presencia de retardos de la variable dependiente (Yt −1 , Yt −2 , ...) en el lado derecho del modelo.
GUIÓN PÁGINA 20
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
Observación 7: Var[U] es una matriz escalar (diagonal con los elementos de su diagonal principal iguales entre sí).
H5 Normalidad
U | X ∼ N(0, σ 2 I).
Observación 8: Las hipótesis H1 - H5 caracterizan al MLG como un modelo estadístico completo que propone como
origen de unos datos observados una colección W ≡ [ Y, X ] de variables aleatorias tal que
Y | X ∼ N(Xβ, σ 2 I).
La Figura 2 contiene una representación gráfica de la expresión anterior en el caso del modelo RLS.
Observación sobre notación: Para abreviar, en adelante no vuelve a emplearse la notación ⋅ | X ("condicionado por
X"). No obstante, cualquier esperanza, varianza, covarianza, correlación o, en general, cualquier distribución de
probabilidad, debe entenderse siempre condicionada por X. Cuando una esperanza, varianza, covarianza, correlación o
distribución de probabilidad no depende de X, entonces también puede entenderse como una esperanza, varianza,
covarianza, correlación o distribución de probabilidad incondicional (marginal).
GUIÓN PÁGINA 21
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
FIGURA 2
Representación Gráfica del Modelo de Regresión Lineal Simple bajo H1 - H5
Y : VARIABLE DEPENDIENTE
E[ Yi | X i ] = β1 + β 2 X i
y1
u1 > 0
β1 + β 2 x1 E[ Y1 | X1 = x1 ]
β1 + β 2 x2 E[ Y2 | X 2 = x2 ]
β1
y2
u2 < 0
0 x2 x1
X : VARIABLE EXPLICATIVA
GUIÓN PÁGINA 22
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
GUIÓN PÁGINA 23
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
¹ Problema:
N N
Minimizar S ( b ) ≡ ∑ ei ( b ) = ∑ (yi − xi′ b )2 = e ( b )′ e( b ) = ( y − Xb )′ ( y − Xb ).
2
i =1 i =1
¹ Solución:
• ˆ = X ′y (ecuaciones normales) ¹ β
Condición de primer orden: X ′Xβ ˆ = (X ′X)−1 X ′y .
• ˆ ≡ Xβ
Interpretación: y ˆ (valores ajustados), u ˆ ≡ y−y ˆ (residuos). Nótese
ˆ ≡ y − Xβ
ˆ ≡ Xβ
que ŷ y û son realizaciones particulares de Y ˆ W y de Uˆ ≡ Y−Y ˆ ≡ Y − XβˆW ,
respectivamente, asociadas con una realización particular w de W dada.
GUIÓN PÁGINA 24
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
FIGURA 3
El Modelo de Regresión Lineal Simple Estimado
y1
uˆ1 > 0
βˆ1 + βˆ2 x1 ˆ Y1 | X1 = x1 ]
yˆ1 = E[
βˆ1 + βˆ2 x2 ˆ Y2 | X 2 = x2 ]
yˆ2 ≡ E[
uˆ2 < 0
y2 La pendiente de
esta recta es βˆ2
βˆ1
0 x2 x1
X : VARIABLE EXPLICATIVA
GUIÓN PÁGINA 25
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
x 11 x 21 x N 1 x 11 x 12 x 1K βˆ1 x x xN 1 y1
11 21
x 12 x 22 x N 2 x 21 x 22 x 2K βˆ x x xN 2 y2
2 12 22
=
x 1K x 2K x NK x N 1 x N 2 x NK x x yN
βˆK 1K 2K x NK
X′ X ˆ
β X′ y . [4]
K ×N N ×K K ×1 K ×N N ×1
GUIÓN PÁGINA 26
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
En modelos con término constante ( x i1 ≡ 1 para todo i = 1, ..., N ), [4] y [5] quedan:
1 1 1 1 x 12 x 1K βˆ1 1 1
1 y1
x x
x 12 x 22 xN 2 1 x 22 x 2K βˆ2 = 12 22 xN 2 y2
, [6]
x x
x 1K x 2K x NK 1 xN 2 x NK βˆ x NK yN
K 1K 2K
N ∑ xi2 ∑ x iK βˆ1 ∑ yi
ˆ ∑x y
∑ x i 2 ∑ x i22 ∑ x i 2x iK β2
=
i2 i
. [7]
∑ x iK yi
∑ x iK ∑ x iK x i 2 2
∑ x iK βˆ
K
GUIÓN PÁGINA 27
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
¹ E[ β ˆ W ] ≡ Var[ β
ˆ W ] = β , Σ[ β ˆ W ] = σ 2 ( X ′X )−1 , y Teorema de Gauss-Markov.
FIGURA 4 A
Valor Esperado - Insesgadez
f β̂ f βW
W
k1 β k2 δ
GUIÓN PÁGINA 28
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
FIGURA 4 B
Varianza - Eficiencia Relativa
f β̂
W
f βW
k1 β k2
GUIÓN PÁGINA 29
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
¹ ˆ ′u
[3] ⇒ [4] u ˆ = y ′y − y
ˆ ′y ˆ ′X′Xβ
ˆ = y ′y − β ˆ = y ′y − β
ˆ ′X′y .
¹ En modelos con término constante, [1] ⇒ [5] ∑iN=1 uˆi = 0 ⇒ [6] ∑iN=1 yi = ∑iN=1 yˆi .
¹ [8] SEC ≡ y ˆ − Ny 2 . Puede ser negativa; pero en modelos con término constante:
ˆ ′y
¹ [12] R 2 ≡ SEC / STC = 1 − SRC / STC (por [11]; [4] ⇒ fórmulas alternativas.)
¹ Propiedades del R 2 :
• [13] R 2 ≥ 0 sólo en modelos con término constante (por la primera parte de [12]).
GUIÓN PÁGINA 30
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
¹ Ej.1: Expresiones analíticas para R 2 en modelos con término constante. (Ver A.2.)
• R 2 = ryy
2
ˆ en yi = βˆ1 + βˆ2x i 2 + ... + βˆK x iK + uˆi .
• R 2 = 0 en yi = βˆ + uˆi .
¹ ˆ ] = 0 , Var[U
E[U ˆ ] = σ 2M =
/ σ 2I (residuos autocorrelacionados y heteroscedásticos).
GUIÓN PÁGINA 31
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
2
¹ Los estimadores σˆW ˆ ′U
=U ˆ /(N − K ) y Σ ˆ W ] = σˆ2 ( X ′X )−1 son insesgados.
ˆ W [β
W
¹ Estudiar A.3.
¹ Estudiar A.4.
GUIÓN PÁGINA 32
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
1.8 NORMALIDAD
¹ Resultados auxiliares I:
¹ N −K 2
σˆW = 1 ˆ ′U
U ˆ = 1 U ′MU ∼ χ 2 ( N − K ) por [A2] ⇒ σˆW
2 ∼ σ2 χ 2 ( N − K ).
σ2 σ2 σ2 N −K
GUIÓN PÁGINA 33
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
Var[ β ˆ W ] Cov[ β
ˆ W , σˆ2 ] σ 2 ( X ′X )−1 0
ˆ W K ×1
Var[ θ W ] = = .
2
Cov[ σˆW , βˆ W ] Var[ σˆ ]
2 0′ 2σ4
W 1×K N −K
¹ Cota de Cramér-Rao (CCR): Bajo ciertas condiciones de regularidad sobre f (y; θ) (que
se cumplen en el MLG), la matriz de varianzas de cualquier estimador insesgado θ W
de θ es tal que Var[ θ W ] − I(θ)−1 es una matriz semidefinida positiva para todo θ ,
donde
GUIÓN PÁGINA 34
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
∂ 2 ln f ( Y ; θ )
I( θ ) ≡ − E ≡ − E[ ∇2 ln f ( Y ; θ )]
∂θ∂θ ′ θ
se denomina matriz de información sobre θ . En el MLG,
∂ 2 ln f ( Y ; θ ) ∂ 2 ln f ( Y ; θ )
12 ( X ′X ) 0
∂β∂β ′
I( θ ) = − E 2
∂β∂σ 2 = σ K ×1
,
∂ 2 ln f ( Y ; θ )
N
∂ ln f ( Y ; θ ) 0 ′
∂σ 2 ∂β ′ ∂σ 2 ∂σ 2
1×K 2 σ
4
luego
σ 2 ( X ′X )−1 0
K ×1
I( θ )−1 = .
0′ 2σ4
1×K N
¹ 2 ]=
Var[ σˆW 2σ4 > 2σ4 2
; no obstante, σ̂ W es el (único) MVUE de σ 2 en el MLG.
N −K N
GUIÓN PÁGINA 35
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
GUIÓN PÁGINA 36
ECONOMETRÍA I TEMA 1 - ESPECIFICACIÓN Y ESTIMACIÓN DEL MLG
• σW ˆW ) = 1 U
2 = 1 ( Y − X β ) ′ ( Y − Xβ ˆ ′U
ˆ =
/ σ
ˆ 2
N W N W es único.
¹ ˆ W = (X′X)−1 X′Y Normal y MVUE (por 1.8), CAN y AE (por ser un EMV).
βW = β
N −K N −K 2 2( N −K )
¹ 2 =
σW N
2 ⇒ E[ σ 2 ] =
σˆW W N
σ 2 < σ 2 y Var[ σ W ]= σ4:
N2
2 2
• σW no es insesgado, pero E[σ W ] → σ 2 y Var[σ W
2
] → 0 cuando N → ∞ .
2 2 ( N −K )2 2 2 .
• Var[ σ W ]/ Var[ σˆW ]= < 1 ⇒ Var[σ W ] < Var[σˆW ]
N2
2 ] /[(2 / N )σ 4 ] =
• Var[ σ W N −K < 1 ⇒ Var[ σ 2 ] < 2 σ 4 (CCR).
N W N
2
K +2( N −K ) 4
2 2
• Comparar ECM[ σ W ]= 2 σ con ECM[ σˆW ]= 2
N −K
σ4 .
N
GUIÓN PÁGINA 37
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
– TEMA 2 –
CONTRASTES DE HIPÓTESIS Y PREVISIÓN
¹ Componentes de un contraste:
GUIÓN PÁGINA 38
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
• Q2 = N −2K σˆW
2 = 1 U ˆ ′U
ˆ = 1 U ′MU ∼ χ 2 ( N − K ) por [A2].
σ σ 2 σ2
GUIÓN PÁGINA 39
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
ˆ W − β) = A(X′X)−1 X′U .]
• Q1 y Q2 son independientes por [A5]. [En Q1 , A(β
∗ = N −K Q
• FW M
× Q1 ∼ F ( M , N − K ) por [A6], es decir,
2
o bien
∗ =
FW 1 ˆ W − β )]′ Σ
[ A( β ˆ W ]−1 [ A( β
ˆ W [ Aβ ˆ W − β )] ∼ F ( M , N − K ),
M
GUIÓN PÁGINA 40
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
con Σ ˆ W ] = σˆW
ˆ W [ a ′β a ′( X ′X )−1 a .
GUIÓN PÁGINA 41
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
¹ ˆ W = βˆj W (1 ≤ j ≤ K ) . Estadístico:
Cuando a ′ = [0, ..., 1, ..., 0] ⇒ a ′β = β j y a ′β
βˆj W − c
tW = ∼ t ( N − K ),
ˆ W [ βˆj W ]
Σ
con ˆ W [ βˆj W ] =
Σ 2 [( X ′X )−1 ]
σˆW jj (1 ≤ j ≤ K ) . Si, además, c = 0,
βˆj W
tW = ∼ t ( N − K ).
ˆ W [ βˆj W ]
Σ
GUIÓN PÁGINA 42
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
• El contraste de H 0 : β j = 0 frente a H 1 : β j =
/ 0 es un contraste de significación
individual de β j .
• p-value: α∗ = 2 × Pr[t(N − K ) ≥ t ] = 2 × (1 − Pr[t(N − K ) ≤ t ]) .
GUIÓN PÁGINA 43
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
ˆ
• t ∈ C R = (−∞, t α ] ⇒ rechazar H 0 ; esta regla es equivalente a que t < t α ⇒ a ′β
es "suficientemente" menor que c.
• p-value: α∗ = Pr[t(N − K ) ≤ t ].
GUIÓN PÁGINA 44
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
FIGURA 5
Valor Crítico y "p-value" para Contrastes basados en el Estadístico F
f F ( M, N− K ) f F ( M, N− K )
α α∗
0 F1−α 0 F
P-value = α∗
No rechazar H0 Rechazar H0 Prob. de obtener un valor mayor que F
GUIÓN PÁGINA 45
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
FIGURA 6
Valores Críticos y "p-value" para Contrastes de Dos Colas (Bilaterales) basados en Estadísticos t
ft ( N − K ) ft ( N − K )
α α α∗ α∗
2 2 2 2
GUIÓN PÁGINA 46
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
FIGURA 7
Valor Crítico y "p-value" para Contrastes de Una Cola (Unilaterales) por la Derecha basados en Estadísticos t
ft ( N − K ) ft ( N − K )
α α∗
0 t1−α 0 t
P-value = α∗
No rechazar H0 Rechazar H0 Prob. de obtener un valor mayor que t
GUIÓN PÁGINA 47
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
FIGURA 8
Valor Crítico y "p-value" para Contrastes de Una Cola (Unilaterales) por la Izquierda basados en Estadísticos t
ft ( N − K ) ft ( N − K )
α α∗
tα 0 t 0
P-value = α∗
Rechazar H0 No rechazar H0 Prob. de obtener un valor menor que t
GUIÓN PÁGINA 48
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
/ c ⇔ c ∉ a ′β
• Rechazar H 0 : a ′β = c en favor de H 1 : a ′β = ˆ ± t α Vâr[ a ′βˆW ] .
2
FIGURA 9
Valores Críticos para la Obtención de Intervalos de
Confianza
ft ( N − K ) 1− α
α α
2 2
tα 0 t1− α
2 2
GUIÓN PÁGINA 50
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
¹ ˆ∗ = β
Minimizar S (b) ≡ e′e sobre Ab = c ⇒ β ˆ + (X′X)−1 A′[A(X′X)−1 A′]−1(c − Aβ
ˆ ):
ˆ∗ = β
• Estimador MCR: β ˆ W + (X′X)−1 A′[A(X′X)−1 A′]−1(c − Aβ
ˆ W ) ⇒ Aβ
ˆ∗ = c.
W W
ˆ ∗ ] = β (insesgado), pero Aβ ≠ c ⇒ E[β
• Aβ = c ⇒ E[β ˆ ∗ ] ≠ β (sesgado).
W W
ˆ ∗ ] = σ 2(X′X)−1 − σ 2(X′X)−1 A′[A(X′X)−1 A′]−1 A(X′X)−1 siempre.
• Var[β W
¹ Contraste de H 0 : Aβ = c frente a H 1 : Aβ =
/ c mediante sumas residuales:
ˆ∗ − β
(β ˆ W )′ X ′X( β
ˆ∗ − β
ˆW )
W W
FW = 2
∼ F ( M , N − K ),
M σˆW
GUIÓN PÁGINA 51
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
RW2
N −K
FW = × ∼ F ( K − 1, N − K ) – EV.10 .
K − 1 1 − R2
W
GUIÓN PÁGINA 52
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
2.6 PREVISIÓN
¹ ˆW:
Error de previsión asociado con el estimador Yˆ0 ≡ x ′0 β
ˆ W ).
• V0 ≡ Y0 − Yˆ0 = U 0 + x ′0 (β − β
ˆ W ] = σ 2 [1 + x 0′ ( X ′X )−1 x 0 ].
• E[V0 ] = 0 , Var[V0 ] = σ 2 + Var[ x 0′ β
GUIÓN PÁGINA 53
ECONOMETRÍA I TEMA 2 - CONTRASTES DE HIPÓTESIS Y PREVISIÓN
Y0 − Yˆ0 Y0 − x 0′ β ˆW
= ∼ t ( N − K ),
ˆ −1
ΣW [V0 ] σˆW 1 + x 0′ ( X ′X ) x 0
GUIÓN PÁGINA 54
ECONOMETRÍA I TEMA 3 - EXTENSIONES
– TEMA 3 –
EXTENSIONES
¹ Ejemplo 1: [MO] yi = βˆ1 + βˆ2x i + uˆi , [MT] yi = βˆ1∗ + βˆ2∗x i∗ + uˆi∗ , donde x i∗ = x i + a
(i = 1, ..., N ) , a ≠ 0 (constante) ⇒ cambio de origen en la variable explicativa:
∑ ( x i∗ −x ∗ )( yi −y ) ∑ ( x i −x )( yi −y )
• βˆ2∗ = = = βˆ2 , porque xi∗ − x ∗ = (x i + a ) − (x + a ) .
∑ ( x i∗ −x ∗ )2 ∑ ( x i −x )2
• βˆ1∗ = y − βˆ2∗x ∗ = y − βˆ2x ∗ = y − βˆ2(x + a ) = βˆ1 − βˆ2a , porque y − βˆ2x = βˆ1 .
¹ Ejemplo 2: [MO] yi = βˆ1 + βˆ2x i + uˆi , [MT] yi∗ = βˆ1∗ + βˆ2∗x i∗ + uˆi∗ , donde yi∗ = λyi ,
x i∗ = µx i + a (i = 1, ..., N ) , λ ≠ 1 , µ ≠ 1 , a ≠ 0 (constantes) ⇒ cambio de escala en
GUIÓN PÁGINA 55
ECONOMETRÍA I TEMA 3 - EXTENSIONES
3.2 MULTICOLINEALIDAD
GUIÓN PÁGINA 56
ECONOMETRÍA I TEMA 3 - EXTENSIONES
¹ Multicolinealidad aproximada.
• Definición: rango(X) = K con K < N (no se incumple H2), pero al menos una
columna de X es una combinación lineal aproximada de otra(s), como en
x2 ≅ a1 x1 + a 3 x 3 + ... + aK x K ,
donde al menos uno de los a1 , a 3 , ..., aK es distinto de cero. (Ejemplos: factores de
producción empleados en una proporción dada, tendencias temporales comunes, ...)
• Consecuencia 1: las varianzas de los estimadores MCO pueden ser grandes, como en
Var[βˆ2 W ] = σ2 ,
(1−R22 ) ∑iN=1 ( x i 2 −x 2 )2
GUIÓN PÁGINA 57
ECONOMETRÍA I TEMA 3 - EXTENSIONES
• Consecuencia 1 ⇒ (1) Los estimadores MCO son poco precisos (las estimaciones
MCO son poco fiables) porque los intervalos de confianza son amplios, y (2) los
valores de los estadísticos t para los contrastes de significación individuales son
pequeños, incluso cuando los valores del R 2 y del estadístico F para el contraste de
significación global son grandes.
• A pesar de todo, las previsiones implicadas por un modelo estimado con variables
ligadas por una relación de dependencia lineal aproximada, pueden ser fiables si
dicha relación se mantiene en los puntos de previsión.
• Remedios: eliminar variables (ver 3.3), obtener más y mejores datos, utilizar
información extramuestral (imponer restricciones sobre β ; ver 2.4), ...
¹ Ver J.M. Wooldridge (2006) pp. 103-107, M. Verbeek (2004) pp. 42-44.
GUIÓN PÁGINA 58
ECONOMETRÍA I TEMA 3 - EXTENSIONES
• [ME.1] Yi = β1 + β2 Xi 2 + Vi , donde Vi ≡ β3 Xi 3 + U i .
• [ME.2] Yi = β1 + β2 Xi 2 + β3 X i 3 + U i , donde β3 = 0 .
GUIÓN PÁGINA 59
ECONOMETRÍA I TEMA 3 - EXTENSIONES
∑ X i 2Yi = β1 ∑ X i 2 + β2 ∑ Xi22 + β3 ∑ X i 2 X i 3 + ∑ X i 2U i ,
por lo que
∑ Xi 2 Xi 3
E[ β2 W ] = β2 + β3 ,
∑ Xi22
GUIÓN PÁGINA 60
ECONOMETRÍA I TEMA 3 - EXTENSIONES
Var[βˆ2 W ] = σ2 , Var[ β2 W ] = σ2 .
(1−R22 ) ∑ Xi22 ∑ Xi22
¹ Omisión de variables relevantes (4): omisión del término constante en un modelo RLS.
GUIÓN PÁGINA 61
ECONOMETRÍA I TEMA 3 - EXTENSIONES
Var[βˆ2 W ] = σ2 , Var[ β2 W ] = σ2 .
∑ Xi22 (1−R22 ) ∑ Xi22
¹ Ver J.M. Wooldridge (2006) pp. 96-101 y 107-108, M. Verbeek (2004) pp. 55-59.
¹ Una variable explicativa binaria se utiliza para clasificar todas las observaciones de una
muestra entre dos o más categorías exhaustivas y excluyentes de una característica
determinada, como en los ejemplos siguientes:
• Dividir una serie temporal en dos períodos para contrastar la estabilidad de los
parámetros de un modelo entre dichos períodos (cambio estructural).
• Clasificar una sección cruzada en dos grupos (por ejemplo hombres y mujeres) para
contrastar la homogeneidad de los parámetros de un modelo entre dichos grupos.
GUIÓN PÁGINA 62
ECONOMETRÍA I TEMA 3 - EXTENSIONES
• [MR.1] Yi = β1 + β2 Xi + U i .
GUIÓN PÁGINA 63
ECONOMETRÍA I TEMA 3 - EXTENSIONES
• El contraste de H 0 : β1 A = β1 B ( ⇔ αAB = 0) , H 1 : β1 A =
/ β1B ( ⇔ αAB =
/ 0) es
un simple contraste de significación individual de αAB en el modelo anterior (que
también puede llevarse a cabo comparando la SRC de [MNR.1] con la de [MR.1];
ver 2.4).
GUIÓN PÁGINA 64
ECONOMETRÍA I TEMA 3 - EXTENSIONES
FIGURA 10
Términos Constantes Diferentes – Pendientes Iguales
A: E[ Yi | X i ] = β1A + β 2 X i
Y : VARIABLE DEPENDIENTE
α AB
β1A
Pendiente = β 2
β1B
B: E[ Yi | X i ] = β1B + β 2 X i
0
X : VARIABLE EXPLICATIVA
GUIÓN PÁGINA 65
ECONOMETRÍA I TEMA 3 - EXTENSIONES
FIGURA 11
Términos Constantes Iguales – Pendientes Diferentes
Y : VARIABLE DEPENDIENTE
A: E[ Yi | X i ] = β1 + β 2 A X i
Pendiente = β 2 A
Pendiente = β 2 B
β1
B: E[ Yi | X i ] = β1 + β 2 B X i
0
X : VARIABLE EXPLICATIVA
GUIÓN PÁGINA 66
ECONOMETRÍA I TEMA 3 - EXTENSIONES
FIGURA 12
Términos Constantes y Pendientes Diferentes
Y : VARIABLE DEPENDIENTE
A: E[ Yi | X i ] = β1A + β 2 A X i
Pendiente = β 2 B
Pendiente = β 2 A
β1A
β1B B: E[ Yi | X i ] = β1B + β 2 B X i
0
X : VARIABLE EXPLICATIVA
GUIÓN PÁGINA 67
ECONOMETRÍA I TEMA 3 - EXTENSIONES
• [MR.1] Yi = β1 + β2 Xi + U i .
GUIÓN PÁGINA 68
ECONOMETRÍA I TEMA 3 - EXTENSIONES
• [MR.1] Yi = β1 + β2 Xi + U i .
• [MNR.3] Yi = β1 A DAi + β1 B DBi + β2 A ( DAi X i ) + β2 B ( DBi X i ) + Vi .
• ⇒ E[Yi | DAi = 1, X i ] = β1 A + β2 A X i , E[Yi | DBi = 1, X i ] = β1 B + β2 B X i .
• DAi + DBi = 1 (i = 1, ..., N ) ⇒ DBi = 1 − DAi (i = 1, ..., N ) (también valdría
DAi = 1 − DBi ), por lo que [MNR.3] puede escribirse como:
Yi = β1 B + ( β1 A − β1 B )DAi + β2 B Xi + ( β2 A − β2 B )( DAi Xi ) + Vi
[MNR.3]
= β1 B + αAB DAi + β2 B Xi + δAB ( DAi Xi ) + Vi ,
GUIÓN PÁGINA 69
ECONOMETRÍA I TEMA 3 - EXTENSIONES
general (el menos restringido de todos), que puede utilizarse junto con alguno de los
modelos anteriores para contrastar diferentes hipótesis sobre la estabilidad o la
homogeneidad de los parámetros entre las dos categorías consideradas.
GUIÓN PÁGINA 70
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
N ∑ x i2 − (∑ xi )2 = N ∑ x i2 − (N x )2 = N (∑ x i2 − N x 2 ) = N ∑(x i − x )2 = N 2s x2 ,
GUIÓN PÁGINA 71
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
∑ x i2 ∑ yi − ∑ xi ∑ xi yi = Ny ∑ x i2 − N x ∑ x iyi ,
GUIÓN PÁGINA 72
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
[1] SEC ≡ ∑iN=1(yˆi − y )2 = ∑iN=1 yˆi2 + Ny 2 − 2N yyˆ = ∑iN=1 yˆi2 − Ny 2 = Ns yˆ2 (solamente
en modelos con término constante; ver [6] en 1.4).
GUIÓN PÁGINA 73
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
GUIÓN PÁGINA 74
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
−1
donde B22 ≡ (A22 − A21A11 A12 )−1 .
GUIÓN PÁGINA 75
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
A.3 ESTIMACIÓN POR MCO CON DATOS EN DESVIACIONES CON RESPECTO A LA MEDIA
o bien
GUIÓN PÁGINA 76
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
GUIÓN PÁGINA 77
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
βˆ1 = y − x ′β
ˆ2, [2]
ˆ 2 = (X′X)−1 X′y ,
β [3]
y1 − y
1 ′
y ≡ Dy = y − i N i y = ,
y
y
N − y
la estimación por MCO del MLG con término constante puede llevarse a cabo utilizando
datos en desviaciones con respecto a sus medias correspondientes, estimando primero el
vector de pendientes según [3] y luego el término constante según [2].
GUIÓN PÁGINA 78
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
x 12 x 22 x N 2 x 12 x 13 x 1K ∑ x i22 ∑ x i 2x i 3 ∑ x i 2x iK
x x x N 3 x 22 x 23 x 2K ∑ x i 3x i 2 ∑ x i23 ∑ x i 3x iK
13 23
X ′X = = ,
x 1K x 2K x NK x N 2 x N 3 x NK ∑ x iK x i 2 ∑ x iK x i 3 2
∑ x iK
(K −1)×N N ×(K −1) (K −1)×(K −1)
x 12 x 22 xN 2 y1 ∑ x i 2yi
x x N 3 y ∑x y
13 x 23 2 i3 i
X ′y = = ,
x 1K x 2K x NK yN ∑ x iK yi
(K −1)×N N ×1 (K −1)×1
GUIÓN PÁGINA 79
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
ˆ ′u
SRC ≡ u ˆ ′X′y = y′y − β
ˆ = y ′y − β ˆ ′2X′y = y′[I − X(X′X)−1 X′]y ⇒ SEC = β
ˆ ′2X′y , [5]
GUIÓN PÁGINA 80
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
GUIÓN PÁGINA 81
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
y (usando la primera de las dos expresiones anteriores para invertir matrices particionadas)
que
(Xa′ Mb Xa )−1 −(Xa′ Mb Xa )−1 Xa′ Xb (Xb′ Xb )−1
(X′X)−1
= ,
−(Xb′ Xb )−1 Xb′ Xa (Xa′ Mb Xa )−1 (Xb′ Xb )−1 + (Xb′ Xb )−1 Xb′ Xa (Xa′ Mb Xa )−1 Xa′ Xb (Xb′ Xb )−1
GUIÓN PÁGINA 82
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
GUIÓN PÁGINA 83
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
Por último, si las covarianzas (o las correlaciones lineales simples) muestrales entre las
variables explicativas contenidas en Xa y las contenidas en Xb son todas iguales a cero, de
manera que Xa′ Xb = 0 (⇒ Xa′ Mb = Xa′ y Xb′ Xa = 0 ), entonces [7] y [8] quedan
ˆ a = (Xa′ Xa )−1 Xa′ y ,
β
que coinciden con las estimaciones MCO de las pendientes en las regresiones con término
constante de y sobre Xa y de y sobre Xb , respectivamente.
Aplicaciones
AP1 Cuando Ka = 1 (en referencia a una variable explicativa cualquiera dada, por ejemplo
la número j con 2 ≤ j ≤ K ), la estimación MCO de β j puede escribirse según [7] como
x ′j M− j y
βˆj = ( x j′ M− j x j )−1 x j′ M− j y = , [9]
x ′j M− j x j
GUIÓN PÁGINA 84
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
′ j X− j )−1 X−
donde M− j ≡ I − X− j (X− ′ j con X−j ≡ [x 2, ..., x j −1,x j +1, x K ] ; por otro lado, de
acuerdo con la expresión para (X′X)−1 obtenida al principio de A.4, la varianza del
estimador MCO de β j es
Var[βˆj W ] = σ2 . [10]
x ′j M− j x j
′ j X− j )−1 ( X−
x ′j M− j x j = x j′ x j − ( x ′j X− j )( X− ′ j x j ) = (1 − R j2 )x ′j x j , [11]
′ j X− j )−1 ( X−
x ′j M− j y = x j′ y − ( x j′ X− j )( X− ′ j y ), [12]
GUIÓN PÁGINA 85
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
• las correlaciones lineales simples (covarianzas) muestrales entre x j y cada una de las
restantes variables explicativas (a través de x ′j X− j ),
• las correlaciones lineales simples (covarianzas) muestrales entre cada par de las
′ j X− j ), y
restantes variables explicativas (a través de X−
• las correlaciones lineales simples (covarianzas) muestrales entre y y cada una de las
′ j y j ).
restantes variables explicativas (a través de X−
Var[βˆj W ] = σ2 = σ2 . [14]
(1−R j2 ) x ′j x j (1−R j2 ) ∑iN=1 ( x ij −x j )2
GUIÓN PÁGINA 86
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
En particular, [13] implica que en cualquier MLG con término constante y K ≥ 3 : (1) la
estimación βˆj puede ser distinta de cero aunque x j′ y = 0 , es decir, aunque la correlación
lineal simple (covarianza) muestral entre x j e y sea igual a cero, y (2) si las correlaciones
lineales simples (covarianzas) muestrales entre x j y cada una de las restantes variables
explicativas son iguales a cero (de manera que x ′j X− j = 0 ), entonces βˆj = x ′j y / x ′j x j , que
coincide con la estimación de la pendiente de la regresión lineal simple de y sobre x j .
AP2 El coeficiente de correlación lineal parcial (CCP) muestral entre y y x j se define como
el coeficiente de correlación lineal simple (CCS) muestral entre: (1) los residuos MCO de la
regresión con término constante de y sobre X−j y(2) los residuos MCO de la regresión con
término constante de x j sobre X−j . Por lo tanto, el CCP entre y y x j mide su grado de
asociación lineal una vez se ha extraído tanto de y como de x j la posible influencia lineal
del resto de variables explicativas del modelo. Los residuos mencionados en (1) y (2) se
pueden calcular, respectivamente, como (ver [6] al final de A.4) M−j y y M−j x j (cuya
media muestral en ambos casos es 0), de manera que el CCP entre y y x j es
GUIÓN PÁGINA 87
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
( M− j x j )′ ( M− j y ) x ′j M− j y
ryx j ( X− j ) ≡ = . [15]
( M− j x j )′ ( M− j x j ) ( M− j y )′ ( M− j y ) x ′j M− j x j y ′M− j y
por lo que, en general ryx j (X−j ) ≠ ryx j . Por último, βˆj en [9] puede escribirse como:
( M − j x j ) ′ ( M− j y )
βˆj = . [17]
( M− j x j )′ ( M− j x j )
que coincide con la estimación de la pendiente de la regresión lineal simple de los residuos
M−j y sobre los residuos M−j x j .
De [15] y [17] se deduce que en cualquier MLG con término constante y K ≥ 3 : (3) si el
CCP entre y y x j es igual a cero, entonces la estimación βˆj también es igual a cero, y (4)
βˆj coincide con la estimación de la pendiente de la regresión lineal simple de los residuos
M−j y sobre los residuos M−j x j , por lo que βˆj mide el grado de asociación lineal entre y y
GUIÓN PÁGINA 88
ECONOMETRÍA I APUNTES ADICIONALES PARA EL TEMA 1
x j una vez se ha extraído tanto de y como de x j la posible influencia lineal del resto de
variables explicativas del modelo.
Problemas
2 Utilizando las fórmulas [15], [12] y [11] anteriores, comprobar en el mismo modelo que:
( x 2′ y )−( x 2′ x 3 )( x 3′ x 3 )−1 ( x 3′ y ) ryx2 −rx2 x 3 ryx 3
ryx 2 ( x 3 ) = = ,
(1−rx22 x 3 )( x 2′ x 2 ) (1−ryx
2 )( y ′y )
3 (1−rx22 x 3 ) (1−ryx
2 )
3
GUIÓN PÁGINA 89