Documentos de Académico
Documentos de Profesional
Documentos de Cultura
“INTRODUCCIÓN
A LA ECONOMETRÍA”
Bogotá D. C. – Colombia
Marzo 27 de 2004.
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
PROGRAMA DE ECONOMETRIA
1. INTRODUCCIÓN
2. OBJETIVOS
1
Ph.D. en Economía Agrícola, Profesor Asociado Facultad de Economía de Econometría I, Econometría Avanzada y
Desarrollo, Economía Agrícola y Medio Ambiente. Universidad de Los Andes.
2
Magíster en Economía y Magíster en Economía del Medio Ambiente y de los Recursos Naturales, Profesor Taller de
Econometría I y Taller de Econometría Avanzada, Facultad de Economía. Universidad de Los Andes.
2
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
3. METODOLOGÍA
4. CONTENIDO
CAPITULO 1. INTRODUCCIÓN
3
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
6.1 Multicolinealidad
6.2 Heteroscedasticidad
6.3 Autocorrelación
6.4 Interpretación salidas del computador.
4
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
5. BIBLIOGRAFÍA
TEXTO GUIA:
TEXTOS ADICIONALES
Manual de EVIEWS.
5
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
CAPITULO 1. INTRODUCCION
6
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Estas tres definiciones nos indican que la econometría es cuantitativa y que está en
estrecho contacto con la realidad.
7
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
En resumen, se puede decir que las teorías económicas se desarrollan para definir
las relaciones que se establecen entre variables económicas. El objetivo de estas
teorías es el de entender la organización que existe entre los diversos agentes
económicos. En base a este entendimiento es posible diseñar mejores políticas
económicas que afectan tanto a la actividad económica, como al bienestar
económico de la sociedad. Para ello es necesario verificar estas teorías para que
así ellas sean útiles en lograr sus objetivos.
1.5. Modelo
A. Rosenblueth, con respecto a los modelos científicos, dice que "la construcción de
modelos de los fenómenos naturales es una de las tareas esenciales de la labor
científica. Mas aún, se puede decir que toda la ciencia no es sino la elaboración de
un modelo de la naturaleza. La intención de la ciencia y el resultado de la
investigación científica, son el obtener conocimientos y el control de alguna parte del
Universo".
Las características mínimas que debe satisfacer un modelo económico son las
siguientes:
1. Que represente un fenómeno económico real.
2. Que la representación sea simplificada y
8
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Como puede verse esta ecuación (función de producción) no es muy especifica, pero
la relación si expresa que existe una relación entre el producto y los insumos, y que
las cantidades utilizadas de insumos determinan la cantidad producida, y no a la
inversa.
Para ser más especifico se necesita determinar que tipo de relación es la que existe
entre las variables económicas, como por ejemplo una relación lineal:
Y = Bo + B1 X1 + B2 X2 + .....+ Bk Xk (2)
Nótese que está relación puede ser correcta, aunque puede también estar en error
en cuanto a especificación, ya que no sabemos si el insumo X2 es determinante en
esta forma del producto Y. También se debe resaltar que este modelo pone énfasis
en un número relativamente pequeño de variables importantes cuya interrelación se
puede expresar más adecuadamente en un modelo matemático que en una
explicación escrita.
Y = Bo + B1 X1 + B2 X2 + .....+ Bk Xk + E (3)
9
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Los modelos econométricos por considerar una parte de error o término aleatorio en
su conformación, hacen parte de los modelos probabilisticos.
Existen diferentes razones por las cuales los modelos econométricos deben de
considerar el termino de error, destacándose como las más importantes las
siguientes:
a) datos: la economía hace parte de las ciencias sociales, el grado de control que se
puede tener sobre las variables es difícil. A pesar de que se busca obtener los
verdaderos valores de las variables, se debe aceptar que hay cierto error en la
medición.
10
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
d) forma funcional: el investigador puede postular que la relación entre las variables
es de tipo lineal; sin embargo, para otro investigador la forma funcional puede ser
cuadratica. Esta es otra fuente de error en la formulación del modelo, por que no se
puede tener la certeza total sobre la forma funcional del modelo.
Los elementos que componen el modelos son las variables, las ecuaciones y los
parámetros.
Una variable es una entidad que puede tomar cualquier valor, sin embargo, interesan
solo aquellos valores que tienen un significado económico, es decir los valores
factibles que definen su correspondiente dominio o recorrido. Así por ejemplo para
las variables precio, producción, ingreso, cantidad de insumo utilizado solo tienen
sentido económico valores positivos.
Una ecuación es una expresión matemática que establece una relación entre
variables. Los parámetros son otra categoría matemática. Estos son los factores de
ponderación correspondiente a cada variable explicativa y miden el efecto de las
fluctuaciones de estas variables sobre la variable dependiente. Los parámetros son
importantes en los modelos, ya que sobre estos se formulan las pruebas de
hipótesis. El parámetro que no acompaña ninguna variable independiente se le
conoce como constante parametrica (intercepto); su interpretación puede tener
sentido económico dependiendo del modelo que se este considerando. Los valores
de los parámetros cambian de una situación a otra.
11
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Desde el punto de vista económico las variables se pueden clasificar como variables
endógenas y variable exógenas. Las variables endógenas son aquellas cuyos
valores están determinados dentro del modelo. Las variables exógenas son aquellas
cuyos valores están determinados fuera del modelo. Un grupo adicional de
clasificación se conoce como variables predeterminadas que comprende las
exógenas con o sin retardo y las endógenas con retardo. Otro tipo, son las variables
esperadas o de expectativas de gran aplicación.
12
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
13
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
14
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Existen dos tipos de variables aleatorias: discretas y continuas. Las primeras pueden
tomar valores como los números enteros, mientras las segundas toman valores
dentro de un intervalo. Si se tienen dos variables aleatorias, por ejemplo: el número
de habitantes en una localidad y el consumo de energía eléctrica; la primera, se
encuentra dentro del grupo de variables aleatorias discretas, y la segunda, dentro del
conjunto de variables aleatorias continuas.
15
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Los datos en los experimentos son recopilados inicialmente “sin agrupar”, para
luego, según el interés del investigador presentarlos “agrupados”, en forma de
clases o intervalos. Es importante tener en cuenta que las fuentes de información
16
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Por otro lado, con los datos agrupados de una variable aleatoria es posible
construir histogramas de frecuencias, los cuales pueden ser comparados con las
representaciones gráficas de distribuciones de probabilidad ya conocidas de
variables aleatorias. En la mayoría de los casos, estos histogramas se comparan
con la distribución normal, donde por inspección es posible identificar sesgos o
apuntamientos en la distribución.
2
k
n ∑ f i x i
s 2 = ∑ ( x i − x )2 ( n − 1 ) k
f i x i2 − i =1
Varianza i =1
∑ n
i =1
s2 =
n −1
n k
∑ xi − x ∑ f i xi − x
Desviación Media i =1
DM = i =1 DM = k
n ∑ fi
i =1
n k
∑ xi − Md ∑ f i x i − Md
i =1
Desviación Mediana i =1 DM =
DM = k
n ∑ fi
i =1
Recorrido Max - min.
17
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
obs DX PX PZ PW I
1 37 7 5 7 6
2 38 6 7 5 8
3 18 10 3 13 3
4 50 4 9 4 18
5 22 9 3 11 3
6 55 2 12 3 21
7 42 8 5 8 2
8 29 8 5 9 19
9 63 2 18 3 20
10 13 12 2 15 6
11 60 3 9 5 12
12 62 3 10 5 5
13 36 6 5 6 26
ESTADÍSTICAS DESCRIPTIVAS
DX PX PZ PW I E
Mean 40,3846 6,1538 7,1538 7,2308 11,4615 1,8462
Median 38 6 5 6 8 2
Maximum 63 12 18 15 26 3
Minimum 13 2 2 3 2 1
Std. Dev. 16,8994 3,2106 4,4318 3,8113 8,2726 0,8987
Skewness -0,1141 0,2015 1,1012 0,7836 0,3946 0,3012
Kurtosis 1,8010 1,9467 3,7131 2,4772 1,6434 1,4070
Jarque-Bera 0,8069 0,6888 2,9030 1,4786 1,3342 1,5711
Probability 0,6680 0,7086 0,2342 0,4775 0,5132 0,4559
Sum 525 80 93 94 149 24
Sum Sq. Dev. 3427,0769 123,6923 235,6923 174,3077 821,2308 9,6923
Observations 13 13 13 13 13 13
18
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Una primera aproximación con el fin de detectar algún tipo de relación entre dos
variables ( X y Y), consiste en ubicar los pares de valores de en un plano cartesiano
hasta conformar la nube de puntos. Un diagrama de dispersión es la representación
gráfica de todos los pares de valores en sistema de ejes de coordenadas.
El diagrama de dispersión puede presentar diferentes formas, tales como los que se
presentan en las figuras siguientes:
19
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
La figura a) estaría mostrando una posible relación lineal entre las variables; en
tanto, que la figura b) también presentaría una relación lineal pero en este caso sería
inversa. Las figura c) y d) mostrarían una posible relación cuadrática entre las
variables, pero en para el caso de la c) se podría representar un máximo en tanto
que para la d) sería un mínimo. La figura e) mostraría una tendencia de tipo cúbico
entre las variables, en tanto que la d) en la que la pendiente de la línea para cada
punto es positiva pero va decreciendo sin llegar a cero, podría indicar una relación
de tipo exponencial entre las variables. La figura f) sería el caso en el cuál no se
puede establecer ningún tipo de relación entre las variables porque aparentemente
no existe.
rXY =
∑ ( xi − x )( yi − y )
∑ ( xi − x )2 ∑ ( yi − y )
2
(∑ xi )(∑ yi )
∑ x i yi − n
rXY =
∑ xi −
2 (∑ xi )
2
∑ yi −
2 (∑ yi )
2
n
n
rXY =
∑ x i y i − n( x y )
[∑ xi 2 − n( x )2 ][∑ yi 2 − n( y )2 ]
Al examinar la fórmula de r, se observa que el denominador es positivo debido a que
en el se encuentran sumas de cuadrados, en tanto, que en el numerador aparece la
covarianza de las variables. Lo anterior indica que el numerador es el que está
definiendo el signo del coeficiente de correlación.
20
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Las ventajas principales del coeficiente de correlación lineal son las de que es fácil
de calcular y fácil de interpretar; además de que es un paso superior al del diagrama
de dispersión.
21
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Si el investigador cree que existe una relación lineal fuerte entre las variables, pero
no esta seguro del tipo de relación (negativa o positiva), el planteamiento de la
hipótesis y el procedimiento para probarla es de la forma siguiente:
tC =
(r )
n − 2 −θ
~. tα 2, n − 2
2
1− r
22
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Dado que la hipótesis alterna tiene el signo de diferente, se esta trabajando con
los dos lados de la distribución. Por lo tanto, la región de rechazo se encuentra
repartida alpha medios a cada lado. El valor de los límites derecho e izquierdo con
que comienzan las regiones de rechazo se determina mediante la tabla t, teniendo
en cuenta si la prueba es de un lado o dos lados y los grados de libertad. La figura
j muestra la región de rechazo y aceptación de la hipótesis nula de esta prueba:
23
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
MATRIZ DE COVARIANZAS
DX PX I PZ PW
DX 263,621302 -47,982249 47,899408 60,017751 -53,781065
PX -47,982249 9,514793 -12,994083 -11,639053 10,733728
I 47,899408 -12,994083 63,171598 16,698225 -16,183432
PZ 60,017751 -11,639053 16,698225 18,130178 -12,650888
PW -53,781065 10,733728 -16,183432 -12,650888 13,408284
MATRIZ DE CORRELACION
DX PX I PZ PW
DX 1 -0,95805552 0,37117521 0,86813735 -0,9045916
PX -0,95805552 1 -0,53001118 -0,88616982 0,95030783
I 0,37117521 -0,53001118 1 0,49341045 -0,55606184
PZ 0,86813735 -0,88616982 0,49341045 1 -0,81139694
PW -0,9045916 0,95030783 -0,55606184 -0,81139694 1
24
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Predicción: muchas veces los modelos elaborados por los economistas no tienen
solo como objeto mostrar la relación entre variables y la magnitud de dicha
relación entre estas a través de una forma funcional, sino que además los modelos
tienen implicaciones en términos de predicción. Así puede encontrarse el efecto
25
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Por otro lado, cuando la línea de regresión es construida con los datos muestrales
recibe el nombre de función de regresión muestral. Como todo procedimiento de
inferencia estadística, lo que se pretende es que la muestra sea una buena
representación de la población. En este sentido, la función de regresión muestral
constituye una representación de la función de regresión poblacional. A sí mismo,
en la práctica, las muestras de variables aleatorias son usadas para inferir sobre
las características de la población.
26
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Los supuestos del modelo junto con los métodos de estimación caracterizan los
resultados obtenidos de la regresión (coeficientes, pruebas de hipótesis, intervalos
de confianza, predicción, etc). En particular, los supuestos más importantes del
modelo recaen sobre el término del error. Teniendo en cuenta que la función de
regresión poblacional puede expresarse también de la forma Yi = β1 + β 2 X i+ ui , el
modelo de regresión lineal cuenta con los siguientes supuestos:
E (ui / X i ) = 0
( ) [ ( )] ( )
Cov ui , u j = E [ui − E (ui )] u j − E u j = E ui , u j = 0 ∀ i ≠ j
Var (u i / X i ) = E [u i − E (u i )] = E u i
2
( )= σ
2 2
27
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
28
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
n∑ X iYi − (∑ X i )(∑ Yi )
β̂ 2 =
n ∑ X i − (∑ X i )
2 2
βˆ1 = Y − βˆ 2 X
Así como existen medidas de dispersión para las variables también las hay para
los estimadores, por lo tanto, es necesario siempre presentar una medida de
precisión de los estimadores de los parámetros del modelo. Esta medida es el
error estándar e indica la confiabilidad de las estimaciones (si son pequeñas dejan
ver que los parámetros muestrales van a ser muy parecidos a los poblacionales).
La principal utilidad de los errores estándar de los estimadores es la construcción
de intervalos de confianza y prueba de hipótesis. A continuación se presenta la
forma de calcular la varianza y error estándar de cada estimador del modelo de
regresión lineal simple:
( )
Var βˆ1 =
∑ X i2 σ 2 ˆ ( )
se β 1 = ∑ X i2
σ
n ∑ (X i − X ) n ∑ ( X i − X )2
2
y
( ) σ
( ) σ
2
Var β̂ 2 = se β̂ 2 =
∑ (X i − X ) ∑ (X i − X )
2 2
29
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
[
Pr βˆ 2 − t α 2 ( )
se βˆ 2 ≤ β 2 ≤ βˆ 2 + t α 2 ( )]
se βˆ 2 = 1 − α
[
Pr βˆ1 − t α 2 ( )
se βˆ1 ≤ β 1 ≤ βˆ1 + t α 2 ( )]
se βˆ1 = 1 − α
βˆ1 ± t α 2 se βˆ1 ( )
Por ejemplo si α es 0.05, la interpretación del intervalo de confianza para β 2 es:
dado un nivel de confianza del 95%, en el largo plazo, en 95 de cada 100 casos el
( ( ) ( ))
intervalo βˆ 2 − t α 2 se βˆ 2 , βˆ 2 + t α 2 se βˆ 2 contendrá el verdadero valor de β 2 .
Paso 1: Ho: βi = 0
Paso 2: Ha: βi ≠ 0
Paso 3: alpha (α ) : Nivel de significancia
βi
tC = ~. t α
se (β i )
2, n − 2
30
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
4.8. Predicción
31
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
ˆ ˆ ˆ ( )
ˆ
2 1
Y0 = β 1 + β 2 X 0 y la varianza de Ŷ0 : Var Y0 = σ̂ +
( X0 − X )
2
.
n (X i − X )
2
1 (X − X )2
Var (Y0 ) = σ̂ 2 1 + + 0 .
n (X i − X )
2
En algunos casos el investigador requiere estimar otro tipo de modelos en los que
las variables independientes no sean lineales, como por ejemplo variables
transformadas en términos logarítmicos, cuadráticos, raíz cuadrada, cúbicos, etc.
Las razones para estimar estos nuevos modelos pueden ser: mejorar los
resultados en términos de bondad de ajuste, obtener elasticidades directamente
de la regresión, o en algunos casos porque la teoría económica lo sugiere. Un
ejemplo del modelo no lineal es el conocido como Cobb-Douglas, cuya forma
funcional es la siguiente:
32
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
β
Y i = AX i 2 e u i
Para estimar el modelo se efectúa una linealización del modelo transformando en
logaritmos. De esta manera:
LnYi = LnA + β 2 LnX i + ui
Puede notarse que las variables dependiente e independiente se encuentran
transformadas en logaritmos y el término LnA es el intercepto de la regresión. Así,
con el deseo de obtener los coeficientes de la regresión puede efectuarse la
siguiente sustitución:
Sea YT = LnYi , β1 = LnA y XTi = LnX i , luego el modelo a estimar toma la forma:
YTi = β1 + β 2 XTi + ui , y los coeficientes del modelo transformado pueden ser
obtenidos por el método de mínimos cuadrados ordinarios usando las ecuaciones
para los estimadores β1 y β 2 presentadas en el numeral 3.4.
Dependent Variable: DX
Method: Least Squares
Date: 03/23/04 Time: 11:12
Sample: 1 13
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 71,417910 3,130854 22,810998 0,000000
PX -5,042910 0,454825 -11,087588 0,000000
R-squared 0,917870 Mean dependent var 40,384615
Adjusted R-squared 0,910404 S.D. dependent var 16,899401
S.E. of regression 5,058427 Akaike info criterion 6,220627
Sum squared resid 281,464552 Schwarz criterion 6,307542
Log likelihood -38,434072 F-statistic 122,934614
Durbin-Watson stat 2,267643 Prob(F-statistic) 0,000000
33
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Y = β1 + β 2 x2 + β 3 x3 + L + β k xk + ε
Por lo tanto las n ecuaciones que representan y i como función de las x , los β y
ε se pueden escribir simultáneamente como:
Y = Xβ + ε
34
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
∧
Se desea obtener un estimador β de un vector de parámetros desconocido β que
minimiza la suma del cuadrado de los errores S = ( ∑ε 2
)
= ε' ε .
∧ ∧ ∧
Entonces, S = ε' ε = (Y − X β) ' (Y − X β) y luego minimizando S con respecto a β se
tiene que el estimador de OLS es:
∧
β OLS = (X ' X ) (X ' Y )
−1
∧
Matriz var − cov . = σ 2 ( X' X ) −1 .
35
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Para efectuar pruebas de hipótesis debe obtenerse el error estándar de cada uno
de los estimadores. Esta medida de dispersión corresponde a la raíz cuadrada de
cada uno de los elementos de la diagonal principal de la matriz de varianza –
covarianza. A continuación se presentan los aspectos más importantes para
efectuar las pruebas de relevancia y dependencia en un modelo de regresión
múltiple:
36
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Yi = AX i 2 β 2 X i 3 β 3 K X ik β k e ui
37
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Dependent Variable: DX
Method: Least Squares
Date: 03/27/04 Time: 15:27
Sample: 1 13
Included observations: 13
Variable Coefficient Std. Error t-Statistic Prob.
C 72,733515 10,832882 6,714142 0,000150
PX -4,588739 1,778623 -2,579939 0,032619
PZ 0,471929 0,688867 0,685080 0,512650
PW -0,386460 1,214240 -0,318273 0,758428
I -0,409388 0,201019 -2,036558 0,076079
R-squared 0,947105 Mean dependent var 40,384615
Adjusted R-squared 0,920657 S.D. dependent var 16,899401
S.E. of regression 4,760208 Akaike info criterion 6,242183
Sum squared resid 181,276661 Schwarz criterion 6,459471
Log likelihood -35,574189 F-statistic 35,810459
Durbin-Watson stat 1,436480 Prob(F-statistic) 0,000037
C PX PZ PW I
C 117,351340 -11,562329 -6,616478 1,349073 -0,600013
PX -11,562329 3,163501 0,777287 -1,826424 -0,022642
PZ -6,616478 0,777287 0,474538 -0,192430 -0,014848
PW 1,349073 -1,826424 -0,192430 1,474379 0,052888
I -0,600013 -0,022642 -0,014848 0,052888 0,040409
38
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Donde:
39
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
ESTADISTICAS DESCRIPTIVAS
Q Q2 Q3 CT
Mean 10 136,6667 2100 66,19048
Median 10 100 1000 55
Maximum 20 400 8000 169
Minimum 0 0 0 5
Std. Dev. 6,204837 128,5365 2488,431 43,49899
Skewness 0 0,660405 1,078772 0,842139
Kurtosis 1,794545 2,158009 2,933702 2,972036
Jarque-Bera 1,271481 2,146804 4,076968 2,482876
Probability 0,529543 0,341844 0,130226 0,288968
Observations 21 21 21 21
Dependent Variable: CT
Method: Least Squares
Date: 27/03/04 Time: 21:48
Sample: 1 21
Included observations: 21
Variable Coefficient Std. Error t-Statistic Prob.
C 4,586862 0,962089 4,767605 0,000200
Q 10,450570 0,427013 24,473660 0,000000
Q2 -0,974658 0,050336 -19,363000 0,000000
Q3 0,043001 0,001653 26,020450 0,000000
R-squared 0,999236 Mean dependent var 66,19048
Adjusted R-squared 0,999101 S.D. dependent var 43,49899
S.E. of regression 1,304364 Akaike info criterion 3,538952
Sum squared resid 28,92322 Schwarz criterion 3,737908
Log likelihood -33,15899 F-statistic 7408,618
Durbin-Watson stat 0,882959 Prob(F-statistic) 0
C Q Q2 Q3
C 0,925616 -0,336905 0,032823 -0,000934
Q -0,336905 0,182340 -0,020705 0,000640
Q2 0,032823 -0,020705 0,002534 -0,000082
Q3 -0,000934 0,000640 -0,000082 0,000003
40
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
6.1. Multicolinealidad
La multicolinealidad tiene que ver con la relación lineal entre algún conjunto de
variables independientes en un modelo de regresión. Supóngase el siguiente
modelo con cuatro variables independientes:
Cualquier relación lineal entre las variables independientes de este modelo, por
ejemplo X2 con X3, o X2 con X5 y X4 puede generar problemas de multicolinealidad
en el modelo. Por lo general, existen dos tipos de multicolinealidad:
41
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
∧
β = (X' X )− (X' Y )
1
1
(X' X )−1 = Adj (X' X )
X' X
3
Término comúnmente utilizado para señalar que se esta efectuando una regresión lineal.
42
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
tC =
(rX 2,X 3 n − 2 −θ ) ~. t α 2, n− 2
1 − (rX 2 , X 3 )
2
4
Corresponde a la misma prueba presentada en el capítulo 2.
43
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
44
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
6.2. Heteroscedasticidad
45
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
2 2
ε t2 = α 0 + α1X1t + α 2 X 2t + α3 X1t + α 4 X 2t + α5 X1t X 2t + ν t
2
El estadístico de prueba: nR 2 ~χ
. 5 . En este caso el número de grados de
libertad es cinco, pero en modelos con más variables explicativas, los
grados de libertad para la prueba será el número de regresores
2
presentados en la prueba. Si nR 2 > χ g.l la hipótesis nula es rechazada, por
lo tanto, existe heteroscedasticidad en el modelo original.
46
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Ut
Donde v t = . Puede verificarse que:
Xt
E (v t ) = E(U t Xt ) = (1 Xt )E(U t ) = 0
47
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
6.3. Autocorrelación
48
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
49
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Por otro lado existe el método de corrección a través del Durbin– Watson.
Mediante esta técnica, aunque no se conoce ρ, este es posible estimarlo a
partir del estadístico “d” de la regresión del modelo original. Una vez
obtenido el valor de ρ, las variables son transformadas para posteriormente
estimar la siguiente ecuación de primeras diferencias:
50
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
A. Multicolinealidad.
Considere que se desea estimar la demanda de pollo (DP) como una función de
su propio precio (PRPOLLO) , el ingreso per. cápita (INGPER), y el precio de la
carne de cerdo (PRCERDO). El modelo estimado es el siguiente:
Dependent Variable: DP
Method: Least Squares
Date: 27/03/04 Time: 13:35
Sample: 1960 1982
Included observations: 23
Variable Coefficient Std. Error t-Statistic Prob.
C 38,647195 3,649601 10,589431 0,000000
PRPOLLO -0,541084 0,157970 -3,425242 0,002838
INGPER 0,010876 0,002381 4,567423 0,000210
PRCERDO 0,174055 0,062531 2,783507 0,011841
R-squared 0,936653 Mean dependent var 39,669565
Adjusted R-squared 0,926651 S.D. dependent var 7,372950
S.E. of regression 1,996820 Akaike info criterion 4,377760
Sum squared resid 75,758546 Schwarz criterion 4,575237
Log likelihood -46,344242 F-statistic 93,645026
Durbin-Watson stat 0,882813 Prob(F-statistic) 0,000000
MATRIZ DE CORRELACION
REGRESION AUXILIAR
51
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
B. Heteroscedasticidad
52
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Dependent Variable: Y
Method: Least Squares
Date: 27/03/04 Time:
12:15
Sample: 1 30
Included observations: 30
Variable Coefficient Std. Error t-Statistic Prob.
C 9,290307 5,231386 1,775879 0,086623
X 0,637785 0,028617 22,287177 0,000000
R-squared 0,946638 Mean dependent var 119,733333
Adjusted R-squared 0,944732 S.D. dependent var 39,061343
S.E. of regression 9,182968 Akaike info criterion 7,336918
Sum squared resid 2361,153250 Schwarz criterion 7,430332
Log likelihood -108,053777 F-statistic 496,718278
Durbin-Watson stat 1,590347 Prob(F-statistic) 0,000000
Con el objeto de verificar si los errores del modelo tienen varianza constante se
desarrolla la prueba de Heteroscedasticidad de White:
C. Autocorrelación
Dependent Variable: Y
Method: Least Squares
Date: 27/03/04 Time: 14:20
Sample: 1960 1991
Included observations: 32
53
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
54
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Por otro lado, un ejemplo de una variable que puede ser representada en escala
ordinal es el estrato económico. El nombre de ordinal se refiere a que en la
estructura de registro el orden tiene gran relevancia. El investigador puede
conformar la variable de la siguiente manera:
55
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Donde:
56
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
57
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
ANEXOS
58
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
ANEXO 1.
REGRESIÓN LINEAL MÚLTIPLE EN EL PAQUETE
ESTADÍSTICO E-VIEWS
Ejemplo
Dx = β 0 + β1 I + β 2 Pw + β 3 Px + β 4 Pz + U
Donde:
59
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Desarrollo
60
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Se selecciona el archivo a
importar; en este caso
corresponde a dem1.xls
del subdirectorio donde se
haya almacenado.
61
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
62
Introducción a la Econometría
Ramón Antonio Rosales Álvarez y Jorge Alexander Bonilla Londoño
________________________________________________________________________________________
Marzo 27 de 2004.
63