Econometrı́a

ICO8106

Benjamı́n Villena Roldán

Departamento de Economı́a
Universidad Diego Portales

9 de marzo de 2020

B. Villena ICO8106 9 de marzo de 2020 1 / 31

 Introducción

B. Villena ICO8106 9 de marzo de 2020 2 / 31

Horarios

Clases : Martes y Jueves 10:00- 11:20. Sala B-606

Ayudantı́a : Lunes 10:00 - 11:20. Sala B-506
Hora de atención a alumnos: coordinación caso a caso por e-mail.

B. Villena ICO8106 9 de marzo de 2020 3 / 31

Textos

Wooldridge, J. (2009) Introducción a la Econometrı́a: Un Enfoque

Moderno. Cuarta edición. Thompson. [W]
Stock, J. y M. Watson. (2012). Introducción a la econometrı́a.
Tercera edición. Pearson. [SW]
Hanck, C., Arnold, M., Gerber, A. and M. Schmelzer. (2018).
Introduction to Econometrics with R. Open Review. [HAGS]

B. Villena ICO8106 9 de marzo de 2020 4 / 31

Evaluaciones

Evaluación:
Solemne 30 %, 7 mayo, 12:00 pm.
Examen 30 %
Controles 20 %: Lunes 6 abril, Lunes 8 de julio
Tareas 20 %: Entrega con solemne y examen.
Software:
R con RStudio en PC
https://cran.r-project.org/bin/windows/base/ y
https://www.rstudio.com/.
R en la nube: RStudio Cloud https://rstudio.cloud/

B. Villena ICO8106 9 de marzo de 2020 5 / 31

¿Qué es Econometrı́a?

Rama de Economı́a.
Aplica métodos estadı́sticos y matemáticos para analizar y predecir
fenómenos económicos.
Otorga a la economı́a un carácter empı́rico como Ciencia.
Pero también es la puerta de entrada a una gama de negocios
relacionados con Inteligencia Artificial, Machine Learning, y temas
afines.

B. Villena ICO8106 9 de marzo de 2020 6 / 31

 Motivación Práctica

B. Villena ICO8106 9 de marzo de 2020 7 / 31

Motivación práctica

Data Science o Ciencia de Datos es disciplina en auge en el mundo.

Disponibilidad de datos es abismante:
Retail: Supermercados, farmacias, etc.
Salud: Información médica, exámenes, consultas, licencias.
Búsquedas de empleo en internet: obtenemos tipo de empleo y
habilidades.
Data Science: Énfasis en la Predicción

B. Villena ICO8106 9 de marzo de 2020 8 / 31

Avisos de trabajo con palabra clave “data”

Para ver más: www.trabajando.com

B. Villena ICO8106 9 de marzo de 2020 9 / 31

Datos son el oro del siglo XXI

¿Por qué Cornershop vale tanto?

Compra a pedido y despacho en
sı́ mismo no es un negocio tan
grande.
Datos de recabados sobre
patrones de consumo tienen
enorme valor. . . pero hay que
saber explotarlos.

B. Villena ICO8106 9 de marzo de 2020 10 / 31

Predicción en el corazón del negocio

Ejemplo de un potencial cambio

de modelo de negocio de
Amazon:
Si predicción es mucho más
precisa pasamos de modelo
pedir-enviar a modelo
enviar-devolver
La capacidad predictiva del
comportamiento del consumidor
define el modelo de negocio.
Métodos de predicción son
variados y complejos, pero lo
que veremos en el curso es el
ABC.

B. Villena ICO8106 9 de marzo de 2020 11 / 31

En la era de Data Science

Funcionamiento práctico en la predicción se enfatiza.

Modelos usados no sólo para predecir eventos futuros, si no completar
información de la que se carece.
Ejemplos:
Predecir preferencias de pelı́culas en Netflix.
Predecir/detectar si existe una tumor o lesión en imagen médica.
Predecir/detectar fraude de tarjeta de crédito.
Reducción de tasa de errores de predicción puede tener impacto
dramático en decisiones estratégicas de las empresas.

B. Villena ICO8106 9 de marzo de 2020 12 / 31

 Motivación Cientı́fica / Tradicional

B. Villena ICO8106 9 de marzo de 2020 13 / 31

Motivación cientı́fica

Evidencia empı́rica es esencial al conocimiento cientı́fico.

Inductivismo/Positivismo: Los postulados cientı́ficos son regularidades
de casos individuales. Teorı́a “resume” la evidencia.
Problemas: Pasar de particular a general sin argumento lógico claro
Deductivismo (Karl Popper): La ciencia es un conjunto de postulados
universales que sobreviven la refutación empı́rica.
Problemas: Refutaciones claras son difı́ciles dados inevitables
supuestos auxiliares.

B. Villena ICO8106 9 de marzo de 2020 14 / 31

Proceso de investigación empı́rica

Formular hipótesis: Pregunta relevante contestable cuantitativamente.

Especificación de un modelo económico.
Especificación de un modelo econométrico, considerando las
propiedades de el(los) elementos aleatorios o desconocidos (errores).
Recopilación de datos: interacción con decisiones anteriores.
Estimación del modelo: Métodos apropiados dadas caracterı́sticas de
los datos, del modelo propuesto y de los errores aleatorios.
Evaluación del modelo y test de la hipótesis.
Uso del modelo para proyección, explicación, o polı́ticas.

B. Villena ICO8106 9 de marzo de 2020 15 / 31

¿Refutando Hipótesis?

Pese a todo, es difı́cil refutar una hipótesis (técnicamente nunca se

comprueban, sólo no se rechazan)
Calidad y adecuación de datos a la hipótesis testeada.
Evidencia inconcluyente.
Presencia de numerosos supuestos auxiliares no verificables.
Cientı́ficos y practicantes buscan explicaciones aunque sean parciales.
Evidencia que refuta hipótesis incentiva búsqueda de nuevas teorı́as
Sólo una nueva teorı́a derriba a una antigua.(Thomas Kuhn,
Estructura de las Revoluciones Cientı́ficas)

B. Villena ICO8106 9 de marzo de 2020 16 / 31

Modelos económicos y econométricos

Modelos son una representación simplificada de la realidad en la cual

se pretende estudiar un aspecto relevante.
Todos los modelos tienen un alcance limitado, pero permiten conocer
algo de una realidad muy compleja.
Modelos económicos suelen predecir el comportamiento racional de
un agente (hogar, empresa, gobierno, etc) que tiene preferencias y
enfrenta restricciones.
Cuando consideramos que este comportamiento tiene un componente
impredecible, o admitimos que hay aspectos de la realidad que no
pueden ser explicados por la teorı́a, tenemos un modelo econométrico.

B. Villena ICO8106 9 de marzo de 2020 17 / 31

 Causalidad vs Correlación

B. Villena ICO8106 9 de marzo de 2020 18 / 31

Causalidad y correlación

Econometrı́a hace mucho énfasis en distinguir dos conceptos, a

diferencia de la estadı́stica más tradicional y data science.
Mucho del quehacer econométrico es determinar y estimar relaciones
causales correctas, lo cual es difı́cil.
Determinación de causalidad es ciencias naturales es generalmente
más simple: realización de experimentos en los cuales todos los
factores se controlan, salvo uno que se quiere estudiar. Ejemplos:
Tratamientos médicos, nuevas drogas, etc.
En los últimos 15 años, la experimentación directa es mucho más
frecuente en economı́a y otras ciencias sociales, pero el ámbito de
preguntas que pueden responder es limitado.

B. Villena ICO8106 9 de marzo de 2020 19 / 31

Causalidad y correlación

En ciencias naturales es posible hacer “ceteris paribus”, es decir

“todo lo demás constante”.
En ciencias sociales, es mucho más complicado, aun cuando también
hay cierta experimentación. ¿Por qué resulta tan difı́cil?
Problema 1: Variables no observables. ¿Es la educación formal causa
de mayores salarios en las personas? ¿Es el cigarrillo la causa de
enfermedades cardı́acas?
Problema 2: Simultaneidad. ¿Es útil la ayuda de los padres para subir
el rendimiento escolar?
Problema 3: Heterogeneidad de respuestas y selección. ¿Tienen un
efecto positivo programas de capacitación a microempresarios?

B. Villena ICO8106 9 de marzo de 2020 20 / 31

Causalidad y correlación

En general observamos variables X e Y se correlacionan. Esto es

compatible con
X es la causa de Y , X → Y .
Y es la causa de Y , Y → X .
Existe Z (observado o no) tal que Z es la causa de X e Y , Z → X , Y .
Como se establece causalidad? La idea fundamental es ser capaces de
replicar el control experimental.
Si sólo X varı́a y mantengo Z constante, e Y varı́a, concluimos
X → Y.
Esencialmente, el viejo ceteris paribus.

B. Villena ICO8106 9 de marzo de 2020 21 / 31

Causalidad y correlación

Control experimental es complejo en seres humanos por razones de:

Costo: observar todos los factores asociados que podrı́an afectar.
Éticas: observar todo implica recabar información sensible o estudiar
tratamientos posiblemente perjudiciales.
Prácticas: hay cosas con las que no queremos ni podemos experimentar.

B. Villena ICO8106 9 de marzo de 2020 22 / 31

Ejemplo Concreto (1): Evaluación de un programa

Impacto de programa Chile Solidario que “promueve la incorporación

de familias y personas en situación de extrema pobreza a las redes
sociales, ası́ como su acceso a mejores condiciones de vida para que
superen la indigencia.”
Comparar promedios simples entre participantes y no participantes?
Problema: participación y esfuerzos son decisiones endógenas.

B. Villena ICO8106 9 de marzo de 2020 23 / 31

Ejemplo Concreto (2): Predicciones

Proyecciones de variables importantes en macroeconomı́a (PIB,

IMACEC, inflación, desempleo, etc) y en finanzas (tasas de interés,
ı́ndices accionarios, etc).
De alta relevancia para la polı́tica macroeconómica y las decisiones de
inversión financiera privadas.
Aplicaciones más recientes: búsquedas en Google, mix de productos
en amazon.com
Importancia de aspectos dinámicos e incertidumbre asociada a la
proyección.

B. Villena ICO8106 9 de marzo de 2020 24 / 31

Ejemplo Concreto (3): Contrafactuales, Discriminación
salarial femenina

Promedio salarial de hombres y mujeres difiere.

Medición básica: comparar medias hombre y mujer.
Sin embargo, hombres y mujeres pueden tener salarios diferentes por
razones distintas a su género.
Discriminación: tomamos individuo hombre y lo “convertimos” en
mujer. ¿Cuánto ganarı́a?

B. Villena ICO8106 9 de marzo de 2020 25 / 31

Ejemplo Concreto (3): Contrafactuales, Discriminación
salarial femenina

Mujeres tienen educación parecida a hombres en promedio, pero

menos experiencia (maternidad, roles culturales tal vez)
Mujeres tienen menor desempeño promedio en matemáticas y mayor
en lenguaje, y escogen ocupaciones e industrias de menor
remuneración promedio dados su nivel educacional. Mujeres más
frecuentes en educación, comercio, servicios; hombres en industria,
transporte, construcción, y minerı́a.

B. Villena ICO8106 9 de marzo de 2020 26 / 31

 Tipos de datos

B. Villena ICO8106 9 de marzo de 2020 27 / 31

Tipos de datos: Corte-transversal

Muestra de individuos, hogares, empresas, ciudades o paı́ses (u otras

unidades) en un momento del tiempo determinado.
Ignoramos diferencias del tiempo de muestreo que sean menores.
Habitualmente tenemos muestreo aleatorio de la población de interés.
Ejemplos: encuesta CASEN distintos años es un corte-transversal
repetido, no se siguen a las mismas personas. Censos, etc.

B. Villena ICO8106 9 de marzo de 2020 28 / 31

Tipos de datos: Datos temporales o series de tiempo

Muestra de un individuo, empresa, región, paı́s (más usualmente) a

través de distintos perı́odos de tiempo.
Frecuencia de los datos anual, semestral, trimestral, mensual para
mayor parte de datos.
Incluso datos diarios, o intradiarios para información financiera.
Aspectos fundamentales: tendencias, ciclos, persistencia,
estacionalidad.
Ejemplos: datos macroeconómicos como Cuentas Nacionales,
inflación, tipo de cambio. Datos financieros: ı́ndices bursátiles, precios
de commodities, etc.

B. Villena ICO8106 9 de marzo de 2020 29 / 31

Tipos de datos: Panel o Longitudinal

Muestra de individuous, empresas, paı́ses, etc. a través de diferentes

momentos en el tiempo (combina caracterı́sticas de corte-transversal
y series de tiempo)
Permite incorporar en el análisis la heterogeneidad individual y la
evolución general en el tiempo.
Mucha mayor riqueza de información, pero mayores desafı́os.

B. Villena ICO8106 9 de marzo de 2020 30 / 31

Tipos de datos: Panel o Longitudinal

Ejemplos en Chile: Encuesta Financiera de Hogares (BCCh); CASEN

Panel; parcialmente, encuestas de empleo (panel rotativo), entre
otras.
En el mundo el panel más largo es el Panel Study for Income
Dynamics (PSID) una muestra de unos cuantos miles de familias y
sus descendientes que se siguen anualmente desde 1968 en EEUU
(desde 1997 es bianual). G-SOEP - German Socio-Economic Panel,
entre muchos otros.

B. Villena ICO8106 9 de marzo de 2020 31 / 31