Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Analisis Econometrico Con Datos de Seccion Cruzada PDF
Analisis Econometrico Con Datos de Seccion Cruzada PDF
COMPONENTE SOCIOECONÓMICO
PROGRAMA EUROCLIMA
Análisis econométrico con datos de sección
cruzada
TABLA DE CONTENIDO
1. Introducción: el modelo de regresión y
supuestos
2. Modelo de regresión lineal simple (ejemplo)
3. Modelo de regresión lineal múltiple (ejemplo)
4. Estimación
5. Inferencia
6. Formas funcionales de los modelos
econométricos
7. Regresión con Variable Independiente
Dicotómica
8. Violación de los supuestos del modelo de
regresión
9. Ejemplo de aplicación
1. Introducción: el modelo de regresión y supuestos
Yi 1 2 X 2i 3 X 3i ... k X ki ui
Parámetros a estimar
• Pruebas de hipótesis
5
𝐻𝑜 : 𝛽3 = 0 𝑉𝑠. 𝐻𝑎 : 𝛽3 ≠ 0
Y1 X1
Individuo Tiempo Y X
Y2 X2
t=1 Y11 X11
. .
T=2 Y12 X12
Yi Xi
i=1 . . .
. . . . .
Yn Xn . . .
T=t Y1t Y1t
t=1 Y21 X21
T=2 Y22 X22
𝑌𝑡 = 𝛽𝑜 + 𝛽1 𝑋𝑡 + 𝑢𝑡 𝑐𝑜𝑛 𝑡 = 1,2, … , 𝑡
i=2 . . .
. . .
. . .
Y1980 X1980 T=t Y2t Y2t
Y1981 X1981 t=1 Yi1 Xi1
La función de regresión
poblacional denota la media
poblacional de la distribución de
Y dado un Xi, que esta
relacionado con una forma
funcional f(xi)
2. Modelo de regresión lineal simple
𝑌𝑖 = 𝛽𝑜 + 𝛽1 𝑋𝑖 + 𝑈𝑖
Yˆi ˆ ˆX
1 2 i
2. Modelo de regresión lineal simple
Estimadores de MCO
• Min {SCE}
ˆ Y ˆX
0 1
ˆ (Xi X )(Yi Y )
1 2
(Xi X)
3. Modelo de regresión lineal múltiple
Yi 1 2 X 2i 3 X 3i ... k X ki ui i=1,2,…,n
Y1 1 X 21 0 . . . X k1 1 u1
Y2 1 X 22 0 . . . X k2 2 u2
. . . . . . . .
. . . . . . . .
. . . . . . . .
YN 1 X 2n 0 . . . X kn k un
Matriz de VI Vector de Error
Yi 1 2 X 2i 3 X 3i ... k X ki ui i=1,2,…,n
𝑌 = 𝑋𝐵 + 𝑈
ˆ t 1
(X X ) X y t Estimador por MCO de B
Var[ ˆ ] ( X t X ) 1 2
Estimador por de la VAR (B)
1
ˆ var( ˆ1 )
1
2
ˆ var( ˆ )
2 2
. . .
. . .
. . .
k
ˆ var( ˆ k )
k
5. Inferencia: realmente es modelo es bueno?
1
ˆ var( ˆ1 )
1
ˆ var( ˆ )
2 2 2 RR RR
. . .
. . . RNR
. . 𝑡=
𝛽2 .
~𝑡𝑛− 𝑘+1
k
ˆ var(𝛽ˆ2
𝑣𝑎𝑟 )
k k
-2= =2
T(0.95; n>30)= 2
5. Inferencia: realmente es modelo es bueno?
Fuente de Suma de
Grados de libertad Medias cuadráticas F
Variación cuadrados
𝑆𝐶𝑅𝑒𝑔
SCReg glReg=K+1 𝐶𝑀𝑅𝑒𝑔 =
Regresión 𝑔𝑙𝑅𝑒𝑔 𝐶𝑀𝑅𝑒𝑔
𝐹= ~𝐹
𝑆𝐶𝐸𝑟𝑟 𝐶𝑀𝐸𝑟𝑟 𝑔𝑙𝑅𝑒𝑔 ,𝑔𝑙𝐸𝑟𝑟
Error SCErr glErr=N-(K+1) 𝐶𝑀𝐸𝑟𝑟 =
𝑔𝑙𝐸𝑟𝑟
𝐻𝑜: 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑘 = 0
Total STC N-1
𝐻𝑜: 𝛽1 ≠ 𝛽2 ≠ ⋯ ≠ 𝛽𝑘 = 0
5. Inferencia: realmente es modelo es bueno?
STC = SCReg
+
STErr
5. Inferencia: realmente es modelo es bueno?
RR
RNR
Yi 1 2 X 2i 3 X 3i ... k X ki ui
Lineal Lineal
𝜕𝑌 𝜕
= 𝛽𝑜 + 𝛽1 𝑋1 + 𝛽2 𝑋2 + ⋯ + 𝛽𝑘 𝑋𝑘 +𝑈𝑖 = 𝛽𝑘
𝜕𝑋𝑘 𝜕𝑋𝑘
Efecto marginal “ante un cambio absoluto de la VI “Xk”, la VD responde en promedio en 𝛽𝑘
manteniendo las demás variables constantes”
Δ𝑌
%𝑌 Δ𝑌 𝑋𝑘 𝜕𝑌 𝑋𝑘 𝑋𝑘
𝜂 = 𝑒𝑙𝑎𝑠𝑡𝑖𝑐𝑖𝑑𝑎𝑑 = = 𝑌 = ∗ = ∗ = 𝛽𝑘 ∗
%𝑋𝑘 ΔXk Δ𝑋𝑘 𝑌 𝜕𝑋𝑘 𝑌 𝑌
X
Elasticidad “ante un cambio porcentual de la VI “Xk”, la VD
𝑋𝑘
responde en promedio en 𝛽𝑘 ∗
𝑌
6. Formas funcionales de los modelos econométricos
INTERPRETACION DE
MODELO ECUACION ELASTICIDAD (η)
LOS COEFICIENTES (Bk)
𝑌𝑖 = 𝛽𝑜 + 𝛽1 𝑋𝑖 + 𝑈𝑖 Efecto marginal 𝑋𝑘
Lineal -Lineal 𝛽𝑘 ∗
𝑌
Logaritmico - 𝐿𝑁 𝑌𝑖 = 𝛽𝑜 + 𝛽1 𝑋𝑖 + 𝑈𝑖 Semielasticidad 𝛽𝑘 ∗ 𝑋𝑘
Lineal
Logaritmico - 𝐿𝑁 𝑌𝑖 = 𝛽𝑜 + 𝛽1 𝐿𝑁 𝑋𝑖 + 𝑈𝑖 Elasticidad 𝛽𝑘
Logaritmico
Lineal - 𝑌𝑖 = 𝛽𝑜 + 𝛽1 𝐿𝑁 𝑋𝑖 + 𝑈𝑖 Semielasticidad 𝛽
Logaritmico 𝑌
2 2
Y a0 a1 X1 a2 X 2 a3 X1 a4 X 2 a5 X1 X 2 Formas
funcionales
Y a0 a1 X1 a2 X2 a3 X1 a4 X 2 a5 X1 X 2 polinómicas
u Modelo Coob -
Y A X1 X2 e Douglas
7. Regresión con Variable Independiente Dicotómica
Las variables explicadas no solo dependen de VI continuas….
También dependen de variables dicótomas, categóricas, de casilla,
discretas, indicadoras, binarias…
DESCRIPCION MODELO
Una variable dependiente continua y una 𝑌𝑖 = 𝛽𝑜 + 𝛽1 𝐷𝑖 + 𝑈𝑖
variable independiente dicótoma de dos 𝐷𝑖 = 1 𝑠𝑖 𝑝𝑜𝑠𝑒𝑒 𝑙𝑎 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
categorías 𝐷𝑖 = 0 𝑠𝑖 𝑛𝑜 𝑝𝑜𝑠𝑒𝑒 𝑙𝑎 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
𝐷𝑖 = 0 𝑠𝑖 𝑛𝑜 𝑝𝑜𝑠𝑒𝑒 𝑙𝑎 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
𝐸 𝑌𝑖 /𝐷𝑖 =1 = 𝛽𝑜 + 𝛽1
𝐸 𝑌𝑖 /𝐷𝑖 =0 = 𝛽𝑜
𝐸 𝑌𝑖 /𝐷𝑖 =1 − 𝐸 𝑌𝑖 /𝐷𝑖 =0 = 𝛽1
7. Regresión con Variable Independiente Dicotómica
Una variable dependiente continua y dos variables independientes: una continua
y una dicótoma de dos categorías
𝐷𝑖 = 0 𝑠𝑖 𝑛𝑜 𝑝𝑜𝑠𝑒𝑒 𝑙𝑎 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
𝐸 𝑌𝑖 /𝐷𝑖 = 1 = 𝛽𝑜 + 𝛽2 + 𝛽1 𝑋𝑖
𝐸 𝑌𝑖 /𝐷𝑖 = 0 = 𝛽𝑜 + 𝛽1 𝑋𝑖
𝐸 𝑌𝑖 /𝐷𝑖 =1 − 𝐸 𝑌𝑖 /𝐷𝑖 =0 = 𝛽2
𝐻𝑜 : 𝛽2 = 0 𝑉𝑠. 𝐻𝑎 : 𝛽2 ≠ 0
7. Regresión con Variable Independiente Dicotómica
𝐷𝑖 = 1 𝑠𝑖 𝑝𝑜𝑠𝑒𝑒 𝑙𝑎 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
Y 𝐷𝑖 = 0 𝑠𝑖 𝑛𝑜 𝑝𝑜𝑠𝑒𝑒 𝑙𝑎 𝑐𝑎𝑟𝑎𝑐𝑡𝑒𝑟𝑖𝑠𝑡𝑖𝑐𝑎
Y
X X
Y
Y
X
X
8. Violación de los supuestos del modelo de regresión
MULTICOLINEALIDAD
HETEROCEDASTICIDAD
AUTOCORRELACION
Yi 1 2 X 2i 3 X 3i ... k X ki ui
𝐶𝑜𝑟𝑟 𝑋2 , 𝑋3
𝐶𝑜𝑟𝑟 𝑋3 , 𝑋𝑘
Aun cuando los estimadores de MCO son MELI, estos presentan varianzas y
covarianzas grandes, que hacen difícil la estimación precisa.
Factor inflador de varianza
los intervalos de confianza tienden a ser mucho más amplios, conduciendo a una
aceptación más fácil de la hipótesis nula .
El estadístico de los coeficientes tiende a ser no significativo.
Aun cuando el estadístico de uno o más coeficientes sea estadísticamente no
significativo, el , la media global de bondad de ajuste, puede ser muy grande
Los estimadores MCO y sus errores estándar pueden ser sensibles a pequeños
cambios en la información.
Como detectarla?
Medidas remediales
Información a priori
Combinación de información de corte transversal y de series
de tiempo
Eliminación de una(s) variable(s) y el sesgo de especificación:
Transformación de variables:
Datos nuevos o adicionales
Reducción de la colinealidad en las regresiones polinomiales
HETEROCEDASTICIDAD
La heteroscedasticidad se presenta cuando las varianzas de ui no son las mismas a lo largo de las observaciones.
Simbólicamente,
2
E [u i ] i
Los intervalos de confianza basados en los estimadores de MCO son muy amplios.
Como resultado, es probable que las pruebas y den resultados imprecisos
La característica más sobresaliente de estos resultados es que los MCO, con o sin
corrección por heteroscedasticidad, sobreestiman consistentemente el verdadero
error estándar obtenido mediante el procedimiento correcto.
Como corregirla:
P P t I nxn
PY PXB Pu
Y * X * * u*
Autocorrelacion
Yi 1 2 X 2i 3 X 3i ... k X ki ui
Y1 1 X 21 0 . . . X k1 1 u1
𝐶𝑜𝑟𝑟 𝑢1 , 𝑢2
Y2 1 X 22 0 . . . X k2 2 u2
. . . . . . . .
. . . . . . . . 𝐶𝑜𝑟𝑟 𝑢2 , 𝑢𝑛
. . . . . . . .
YN 1 X 2n 0 . . . X kn k un
Autocorrelaciones Residuales
Errores para ajustado exportAL
autocorrelacionados
Tendencia lineal = 3,66265 + 0, 00700862 t
1
Autocorrelaciones
0, 6
0, 2
-0,2
-0,6
-1 ErroresEstimadas
Autocorrelaciones no autocorrelacionados
para RESIDUALS
0 5 10 15 20 25
Retardo 1
Autocorrelaciones
0, 6
0, 2
-0,2
-0,6
-1
0 5 10 15 20 25
Retardo
Ejemplos……
Proyecciones de población DANE. 1985
– 2020
• Población inicial: 42.888.592 a 2005
• Tasa de crecimiento 2000-2005: 1,25%
• Tasa de crecimiento proyectada 2015-2020: 1,09%
• Población final: 50.249.912 a 2020
𝑘2
𝑁 𝑡 = 𝑘1 +
1 + exp
(∝𝑜 +∝1 𝑡)
𝑘2
𝑁 𝑡 −𝑘1 =
1 + exp
(∝𝑜 +∝1 𝑡)
𝑘2
1 + exp
(∝𝑜 +∝1 𝑡) =
𝑁 𝑡 −𝑘1
𝑘2
exp ∝𝑜 +∝1 𝑡 = −1
𝑁 𝑡 −𝑘1
𝑘2
∝𝑜 +∝1 𝑡 = 𝑙𝑛 −1
𝑁 𝑡 −𝑘1
Reorganizando:
𝑘2
𝑙𝑛 − 1 =∝𝑜 +∝1 𝑡
𝑁 𝑡 −𝑘1
83.000.000
𝑁 𝑡 = 350.000 +
1 + exp
(2,146394439 − 0,033571754𝑡)
Gracias por su atención
Harold Coronado Arango