Buenos días

De la manera más atenta, me permito realizar el envió de mi resumen de acuerdo a la indagación

del libro Gujarati (2009), Capítulo 17, Secciones 17.1, 17.2 y 17.3, estableciendo cómo y por qué se
utilizan rezagos de variables explicadoras.

“MODELOS ECONOMÉTRICOS DINÁMICOS: MODELOS AUTORREGRESIVOS Y DE

REZAGOS DISTRIBUIDOS”

En el análisis de regresión con datos de series de tiempo, cuando el modelo de regresión

incluye no sólo valores actuales sino además valores rezagados (pasados) de las
variables explicativas (las X), se denomina modelo de rezagos distribuidos

 El papel del “tiempo” o “rezago” en economía

La dependencia de una variable Y (dependiente) respecto de otra u otras variables X

(explicativas) pocas veces es instantánea. Con frecuencia Y responde a X en un lapso, el
cual se denomina rezago

En forma más general, escribiríamos

Yt = α+β0Xt +β1Xt−1 +β2Xt−2 +···+βkXt−k +ut

(que es el modelo de rezagos distribuidos con un rezago finito de k periodos. El

coeficiente β0 se conoce como multiplicador de corto plazo o de impacto porque da el
cambio en el valor medio de Y que sigue a un cambio unitario en X en el mismo periodo.)

 Razones de los rezagos

Razones psicológicas. Como resultado de la fuerza del hábito (inercia), la gente no

cambia sus hábitos de consumo de inmediato tras una reducción de precios o de un
incremento en el ingreso, quizá debido a que el proceso de cambio conlleve alguna
desventaja inmediata. Así, quienes de pronto se convierten en millonarios al ganar la
lotería quizá no cambien el estilo de vida al cual estaban acostumbrados durante largo
tiempo por no saber cómo reaccionar a una ganancia repentina como ésa.

Razones tecnológicas. Suponga que se reduce el precio del capital relativo al trabajo, de
modo que es económicamente factible sustituir mano de obra por capital. Desde luego, la
adición de capital toma tiempo (periodo de gestación). Además, si se espera que la caída
de precios sea temporal, las empresas pueden no apurarse a sustituir mano de obra por
capital, en especial si esperan que luego de la caída temporal el precio del capital tal vez
aumente más allá de su nivel anterior.

Razones institucionales. Estas razones también contribuyen a los rezagos. Por ejemplo,
las obligaciones contractuales pueden impedir que las empresas cambien de una fuente
de trabajo o de materias primas a otra.

 Estimación de modelos de rezagos distribuidos

a) ad hoc
Como se supone que la variable explicativa Xt es no estocástica (o por lo menos no
correlacionada con el término de perturbación ut), igualmente son no estocásticas Xt−1,
Xt−2, y así sucesivamente. Por consiguiente, en principio, es aplicable el método de
mínimos cuadrados ordinarios (MCO).

Éste es el enfoque de Alt y Tinbergen, quienes sugieren que para estimar (17.3.1) se
proceda secuencialmente, es decir, primero la regresión Yt sobre Xt, luego la de Yt sobre
Xt y Xt−1, después la regresión de Yt sobre Xt, Xt−1 y Xt−2, y así sucesivamente. Este
procedimiento secuencial se detiene cuando los coeficientes de regresión de las variables
rezagadas empiezan a ser estadísticamente insignificantes y/o el coeficiente de por lo
menos una variable cambia su signo de positivo a negativo, o viceversa

Desventajas:

1. No hay guía a priori sobre la longitud máxima que debe tener el rezago.

2. A medida que se estiman rezagos sucesivos, quedan menos grados de libertad, con lo
cual se debilita un poco la inferencia estadística.

3. En la información de series de tiempo económicas, los valores (de rezagos) sucesivos

tienden a estar altamente correlacionados

4. La búsqueda secuencial de la longitud de los rezagos hace que el investigador pueda

incurrir en la minería de datos.

Quedo atento de sus comentarios.

Muchas gracias.
Buenas noches estimada tutora

Agradezco sus correcciones y retroalimentaciones, sobre mis aportes, de igual forma me

permito realizar el envió del modelo de Autoregresivo como lo solicita.

 Estimación de modelos autorregresivos

a) Koyck

Yt =α(1−λ)+β0Xt +λYt−1 +vt

b) Expectativas adaptativas

Yt γβ0 +γβ1Xt +(1−γ)Yt−1 +[ut −(1−γ)ut−1]

c) Ajuste parcial

Yt δβ0 + δβ1Xt + (1 − δ)Yt−1 + δut

Todos estos modelos tienen la forma común siguiente:

Yt α0 + α1Xt + α2Yt−1 + vt

(es decir, todos son autorregresivos por naturaleza. Por consiguiente, debemos ver ahora
el problema de estimación de dichos modelos, porque los mínimos cuadrados clásicos
pueden no ser aplicables directamente a ellos. La razón es doble: la presencia de
variables explicativas estocásticas y la posibilidad de correlación serial.)

Aunque la estimación por MCO del modelo de ajuste de existencias, o parcial,

proporciona una estimación consistente debido a la estructura simple del término de error
en un modelo así, no debemos suponer que puede aplicarse en lugar del modelo de
Koyck o de expectativas adaptativas

Quedo atento de sus comentarios y sugerencias.

Muchas gracias.
174
  Método de Koyck para los modelos de rezagos distribuidos

Koyck propuso un método ingenioso de estimación de los modelos de rezagos

distribuidos. Su- ponga que empezamos con un modelo de rezagos distribuidos infinito “Si
todas las β tienen el mismo signo”, Koyck da por hecho que se reducen geométricamente
de la siguiente manera.

k
βk = β0λ k= 0, 1, …

donde λ, tal que 0 < λ < 1, se conoce como tasa de descenso, o de caída, del rezago
distribuido y donde 1 − λ se conoce como velocidad de ajuste.

Características del esquema de Koyck:

1) Al suponer valores no negativos para λ, Koyck elimina la posibilidad de que las β

cambien de signo.

2) al suponer que λ < 1, le da un menor peso a las β en el pasado distante que a las
actuales.

3) asegura que la suma de las β, que proporciona el multiplicador de largo plazo.

a) Mediana de los rezagos

La mediana de los rezagos es el tiempo requerido para la primera mitad, o 50%, del
cambio total ocurrido en Y como consecuencia de un cambio unitario sostenido en X.

Mediana de los rezagos −log(%)/logλ

b) Rezago medio

Rezago medio λ /1−λ

 Racionalización del modelo de Koyck: modelo de expectativas adaptativas

Se le conoce como coeficiente de expectativas. La hipótesis, se conoce como hipótesis de

expectativas adaptativas, expectativas progresivas o de aprendizaje por error,
popularizada por Cagan y Friedman.

Hasta la llegada de la hipótesis de expectativas racionales (ER), planteada primero por J.

Muth y difundida después por Robert Lucas y Thomas Sargent, la hipótesis EA fue muy
popular en la economía empírica. Los proponentes de la hipótesis de ER sostienen que la
hipótesis de EA es inadecuada porque la formulación de expectativas se basa tan sólo en
los valores pasados de una variable

Mientras que la hipótesis de ER supone “que los agentes económicos individuales utilizan
información actual disponible y relevante en la formación de sus expectativas y no se
apoyan únicamente en la experiencia pasada”
Fase 4 - Pronósticos con modelos
econométricos
Buenas noches estimad tutora y compañeros

Me permito realizar el envió de mi aporte de acuerdo al siguiente punto.

2. Realizar un resumen analítico de Gujarati (2009), Capítulo 16, Secciones 16.1 y
16.2, identificando las diferencias y tipologías de los datos de panel

MODELOS DE REGRESIÓN CON DATOS DE PANEL

Los datos de panel combinan series temporales con unidades de sección cruzada
o de corte transversal (países, regiones, empresas, hogares, etc.) durante varios
períodos de tiempo. Se presentan en la dimensión de espacio y la del tiempo.
Existen otros nombres para los datos en panel, como:
- Datos agrupados (agrupamiento de observaciones de series de tiempo y
transversales);
- Combinación de datos en series de tiempo y transversales;
- Datos en micropanel;
- Datos longitudinales (un estudio a lo largo del tiempo de una variable de
una variable o grupo de temas);
- Análisis de historia de sucesos (por ejemplo, el examen del movimiento de
sujetos a lo largo del tiempo y a través de sucesivos estados o
condiciones);
- Aanálisis de compañeros (es decir, dar seguimiento a la trayectoria
profesional de los egresados en una escuela de un año determinado).

16.1 ¿Por qué datos de panel?

1. Puesto que los datos relacionan individuos, empresas, estados, países, etc a lo
largo del tiempo, no existe límite alguno para heterogeneidad en estas
unidades, al permitir la existencia de variables específicas individuales.
2. Al combinar las series de tiempo de las observaciones transversales, los datos
en panel proporcionan una mayor cantidad de datos informativos.
3. Los datos en panel resultan más adecuados para estudiar la dinámica del
cambio.
4. Los datos de panel pueden detectar y medir mejor los efectos que
sencillamente no pueden ni si quiera observarse en datos puramente
transversales o series de tiempo.
5. Los datos de panel permiten estudiar modelos de comportamiento más
complejos.
6. Se pueden minimizar el sesgo pudiera resultar si se agregan individuos o
empresas en amplios conjuntos añadidos.
En este proceso se enriquece el análisis empírico de maneras que no serían
posibles si solo se utilizarían los datos transversales o de series de tiempo.

16.2 Datos de panel: un ejemplo ilustrativo

Con el objeto de ver el escenario, considérese un ejemplo concreto. Véanse los
datos proporcionados en la tabla 16.1, los cuales se tomaron de un famoso
estudio de la teoría de inversiones propuesta por Y. Grunfeld. Grunfeld estaba
interesado en descubrir corno la inversión bruta real (Y) depende del valor real de
la empresa (X2) y del capital social real (X3). Aunque el estudio original abarcaba
varias empresas, para propósitos ilustrativos se consideraran los datos en cuatro
empresas, General Electric (GE), General Motor (GM), U.S, Steel (US) y
Westinghouse. Se dispone de los datos para cada una de estas compañías
respecto a las citadas tres variables, para el periodo 1935-1954. En consecuencia,
existen cuatro unidades transversales y 20 periodos. En total, por lo tanto, se
tienen 80 observaciones. A priori, se espera que esté relacionada de manera
positiva con X2 y X3. En principio, se podrían hacer cuatro regresiones de series
de tiempo (una para cada compañía), o se podrían llevar a cabo 20 regresiones
transversal (una para cada año); aunque en la última opción, surgiría una
preocupación concerniente con los grados de libertad.
Agrupando o combinando las 80 observaciones, se puede expresar la función
inversión de Grunfeld como:

Y it = β1 + β 2 X 2 it + β3 X 3 it +U it
i=1,2,3,4
t=1.2 , ….,20

donde i significa la i -ésirna unidad transversal y t el tiempo t . Como convención, i

denotara el identificador transversal yt el identificador de tiempo. Se supone que
hay un máximo de N unidades transversales U observaciones, y un máximo de T
periodos. Si cada unidad transversal tiene el mismo número de observaciones de
series de tiempo, entonces dicho panel (de datos) se llama panel balanceado.
Los modelos de regresión de panel se basan en los datos de panel, los cuales
consisten en observaciones sobre las mismas unidades transversales, o
individuales, a lo largo de varios intervalos de tiempo.

Referencias bibliográficas
Gujarati, D. (2009) Econometría, (5a. ed.), Ed. Mc Graw Hill.
https://scalleruizunp.files.wordpress.com/2015/04/econometria_-_damodar_n-
_gujarati.pdf. 

Buenas noches estimada tutora

Me dirijo a usted para comentarle por qué no fue posible entregar mi actividad de
la Fase 2 - Metodología de la investigación en economía y econometría en las
fechas correspondientes como lo he realizado hasta el momento, ya que en dicho
momento me encuentra limitado de mi portátil y había estado adelantando mis
aportes desde el computador de la empresa para la cual laboro. Ya que mi portátil
está dañado su disco duro y se necesitaba cambiarlo, por lo que lo tenía donde un
amigo para que me colaborara con este problema y hace aproximadamente 2
semanas me puedo entregar esta herramienta de trabajo y había estado
participando en ese momento desde mi celular, pero ha sido muy complejo el
ingreso a la plataforma por este medio.

Por favor le solicito de la manera más respetada que pueda usted revisar mi
actividad sobre esta fase la cual esta vencida y tengo calificación de (0,0). Por
favor espero que usted me pueda colaborar de la manera que considere pertinente
ya que no quiero perder mi curso y me quedaría muy difícil volver a repetirlo.

De ante mano agradezco su amable colaboración y comprensión.

Muchas gracias.

SOLICITUD REVISIÓN – FASE 4

Buenas tardes estimado director.

Comedidamente me dirijo a usted con el fin de darle a conocer la problemática la

cual me impido presentar mis actividades a tiempo como las solicitan las guías de
trabajos que el curso nos suministra. Como es del conocimiento de la tutora
Melissa Soler M. tengo dificultad para enviar estas actividades debido a que mi
principal herramienta de trabajo “computador” está dañado por lo que me he visto
en la penosa obligación de pedir prestado un computador el cual presenta fallas
en el procesamiento de información. Debido a la pandemia que estamos viviendo
el técnico encargado de mi computador no pudo adquirir los accesorios para
arreglarlo.
Es por ello que me tomo el atrevimiento de realizar él envió de todas las fases que
pude desarrollar en este equipo, ya que con mucha dificultad logré culminar las
actividades que estaba estipuladas por el curso.
Muy acomedidamente, le solicito por favor me ayude a que mis actividades sean
reevaluadas para poder alcanzar un porcentaje adecuado con el cual me permita
culminar de buena manera el curso Técnica de Pronostico.

Espero que me pueda colaborar de la manera que usted considere pertinente

De ante mano agradezco su amable colaboración y comprensión.

Atte.: Samael Guerrero.