Expectativas condicionales y conceptos relacionados en econometría

2.1 El Papel de las Expectativas Condicionales en Econometría

Como sugerimos en la Sección 1.1, la expectativa condicional juega un papel
crucial en el análisis econométrico moderno. Aunque no siempre se menciona
explícitamente, el objetivo de la mayoría de los estudios econométricos aplicados
de una variable con nombre variable, la variable dependiente, la regressand, o la
variable de respuesta, y usualmente denotada y-condicional variables explicativas,
variables independientes, regresores, variables de control o covariables

generalmente denotado
Una parte sustancial de la investigación en metodología econométrica puede ser
interpretada como encontrar formas de estimar las expectativas condicionales en
los numerosos escenarios que surgen en aplicaciones económicas. Como
discutimos brevemente en la Sección 1.1, la mayoría de tiempo nos interesan las
expectativas condicionales que nos permiten inferir la causalidad de una o más
variables explicativas a la variable de respuesta. En la configuración de Sección
1.1, estamos interesados en el efecto de una variable w en el valor esperado de y,
manteniendo fijo un vector de controles, c. La expectativa condicional de interés

es que llamaremos una expectativa estructural condicional. Si podemos

coleccionar datos sobre y, w y c en una muestra aleatoria de la población
subyacente de interés, entonces es bastante sencillo estimar
-Especialmente si estamos dispuestos a hacer una suposición sobre su forma

funcional, en cuyo caso el efecto de w en sosteniendo c fijo, se estima

fácilmente.
Lamentablemente, a menudo surgen complicaciones en la recopilación y el
análisis de datos debido a la naturaleza no experimental de la economía.
Observaciones económicas las variables pueden contener errores de medición, o
a veces se ven correctamente como el resultado de un proceso simultáneo. A
veces no podemos obtener un azar muestra de la población, lo que puede no

permitirnos estimar .Quizás el problema más frecuente es que

algunas variables nos gustarían controlar (elementos de c) no se puede observar.
En cada uno de estos casos hay una expectativa condicional (CE) de interés, pero
generalmente involucra variables para las cuales el econométrico no puede
recopilar datos o requiere un experimento que no se puede llevar a cabo.
Bajo suposiciones adicionales, generalmente llamadas suposiciones de
identificación, a veces puede recuperar la expectativa estructural condicional
originalmente de interés,
incluso si no podemos observar todos los controles deseados, o si solo
observamos el equilibrio resultados de variables. Como veremos a lo largo de este
texto, los detalles difieren dependiendo del contexto, pero la noción de expectativa
condicional es fundamental.
Además de proporcionar un entorno unificado para interpretar los modelos
económicos, el operador CE es útil como herramienta para manipular ecuaciones
estructurales en ecuaciones estimables. En la siguiente sección damos una
descripción general de las características importantes del operador de
expectativas condicionales. El apéndice de este capítulo contiene una lista más
extensa de propiedades.
2.2 Características de las expectativas condicionales
2.2.1 Definición y ejemplos
Deje y ser una variable aleatoria, a la que nos referimos en esta sección como la

variable explicada, y dejemos que ser un 1 x K vector

aleatorio de variables explicativas. Si entonces hay una función,

digamos tal que

o La función determina cómo cambia el valor promedio de y

como elementos de x cambio. Por ejemplo, si y es salario y x contiene varias
características individuales, como educación, experiencia e IQ,
; es el valor promedio del salario para los valores dados
de educ, exper y IQ. Técnicamente, debemos distinguir , que es una
variable aleatoria porque x es un vector aleatorio definido en la población, desde la

expectativa condicional cuando x toma un valor particular, .

Hacer esta distinción pronto se vuelve engorroso y, en la mayoría de los casos, no
es demasiado importante; en su mayor parte lo evitamos. Cuando se discuten las
características probabilísticas de x necesariamente se ve como una
variable aleatoria.

Como es una expectativa, puede obtenerse a partir de la densidad

condicional de y dada x por integración, suma o una combinación de ambas
(dependiendo de la naturaleza de y). Se deduce que el operador de expectativa
condicional tiene las mismas propiedades de linealidad que el operador de
expectativa incondicional, y varias propiedades adicionales que son consecuencia
de la aleatoriedad de Algunas de las afirmaciones que hacemos están
probadas en el apéndice, pero las pruebas generales de otras aseveraciones
requieren probabilidades probabilísticas de medida. Usted es referido a Billingsley
(1979) para un tratamiento detallado.
La mayoría de las veces en la econometría se especifica que un modelo para una
expectativa condicional depende de un conjunto finito de parámetros, lo que da un
modelo paramétrico de Esto estrecha considerablemente la lista de
posibles candidatos para
Ejemplo 2.1: Para K = 2 variables explicativas, considere los siguientes ejemplos
de Expectativas condicionales

El modelo en la ecuación (2.2) es lineal en las variables explicativas x 1 y x 2. La

ecuación (2.3) es un ejemplo de una expectativa condicional no lineal en x 2,
aunque es lineal en x 1. Como veremos brevemente, desde una perspectiva
estadística, las ecuaciones (2.2) y (2.3) pueden tratarse en el mismo marco porque
son lineales en los parámetros β j El hecho de que la ecuación (2.3) no sea lineal
en x tiene implicaciones importantes para interpretar el bj, pero no para estimarlos.
La ecuación (2.4) cae en esta misma clase: no es lineal en x = ( x 1 , x 2 ) pero lineal
en el β j .
La ecuación (2.5) se diferencia fundamentalmente de los primeros tres ejemplos
en que es una función no lineal de los parámetros β j , así como de x j . La no
linealidad en los parámetros tiene implicaciones para estimar el β j ; veremos cómo
estimar dichos modelos cuando cubramos métodos no lineales en la Parte III. Por
ahora, debe tener en cuenta que la ecuación (2.5) es razonable solo si y ≥ 0.
2.2.2 Efectos parciales, elasticidades y semielasticidades
Si y y x están relacionados de manera determinista, digamos y=f (x ), entonces a
menudo estamos interesado en cómo y cambia cuando los elementos de x
cambian. En un entorno estocástico, no puede suponer que y=f (x ) para alguna
función conocida y vector observable x porque siempre hay factores no
observables que afectan a y. Sin embargo, podemos definir los efectos parciales
de x j sobre la expectativa condicional . Suponiendo que es
apropiadamente diferente y x j es una variable continua, la derivada parcial
 nos permite aproximar el cambio marginal en cuando x j es
aumentado en una pequeña cantidad, sosteniendo x 1; ..., x j−1, x j +1, ... x k
constante:

x 1 x j−1 x j +1 x k
sosteniendo ;..., , ,... arreglado (2.6)

La derivada parcial de con respecto a x j se suele llamar el efecto parcial

de x j en (o, para ser algo impreciso, el efecto parcial de x j en y). La
interpretación de las magnitudes de los coeficientes en modelos paramétricos
generalmente proviene de la aproximación en la ecuación (2.6).
Si x j es una variable discreta (como una variable binaria), los efectos parciales se

calculan comparando en diferentes ajustes de x j (por ejemplo, cero y uno

cuando x j es binario), manteniendo fijas otras variables.
Ejemplo 2.1 (continuación): En la ecuación (2.2) tenemos

Como se esperaba, los efectos parciales en este modelo son constantes. En la

ecuación (2.3),

de modo que el efecto parcial de x 1 es constante, pero el efecto parcial de x 2

depende del nivel de x 2. En la ecuación (2.4),

de modo que el efecto parcial de x 1 depende de x 2, y viceversa. En la ecuación

(2.5),
donde exp(◦) denota la función en la ecuación (2.5). En este caso, el
parcial
Los efectos de x 1 y x 2 dependen de x=¿, x 2 ¿ .
Algunas veces estamos interesados en una función particular de un efecto parcial,
como una elasticidad. En el caso determinístico y=f (x ), definimos la elasticidad
de y con respecto a x j como

nuevamente suponiendo que x j es continuo. El lado derecho de la ecuación (2.8)

muestra que la elasticidad es una función de x. Cuando y y x son aleatorios, tiene
sentido usar el lado derecho de la ecuación (2.8), pero donde f (x) es la media
condicional, mðxÞ.

Por lo tanto, la elasticidad (parcial) de con respecto a x j , sosteniendo x 1

;..., x j−1, x j +1,... x k constante, es

Si y (como suele ser el caso), la ecuación (2.9) es la

misma que

Esta última expresión le da a la elasticidad su interpretación como el cambio

porcentual aproximado en cuando x j aumenta en un 1 por ciento.
Ejemplo 2.1 (continuación): en las ecuaciones (2.2) a (2.5), la mayoría de las
elasticidades no son constantes.

Por ejemplo, en la ecuación (2.2), la elasticidad de con respecto a x 1 es

x x
que claramente depende de 1 y 2. Sin
embargo, en la ecuación (2.5) la elasticidad con respecto a x 1 es constante e igual
a β 1.
¿Cómo se compara la ecuación (2.10) con la definición de elasticidad de un
modelo? lineal en los logaritmos naturales? Si y , podríamos definir la
elasticidad como