Resumen‌M

‌ étodos‌2
‌  ‌ ‌
Clase‌‌1 ‌ ‌
Modelo‌‌Regresión‌‌Lineal‌‌Simple‌  ‌
 ‌

1. ¿Qué‌‌es‌‌la‌‌econometría?‌  ‌

Es‌‌
  el‌‌
  análisis‌‌
  cuantitativo‌‌
  de‌‌
  los‌‌
  fenómenos‌‌
  económicos‌‌  basado‌‌
  en‌‌
  el‌‌
  desarrollo‌‌
  teórico‌‌
  y ‌‌
las‌  ‌observaciones,‌  ‌relacionando‌  ‌los‌  ‌métodos‌  ‌anteriores‌  ‌para‌  ‌hacer‌  ‌inferencia.‌  ‌La‌‌ 
aplicación‌  ‌más‌  ‌común:‌  ‌estimar‌  ‌relaciones‌  ‌causales‌  ‌y ‌ ‌proyectar‌  ‌variables‌‌ 
macroeconómicas.‌  ‌
2. Modelo‌‌Económico‌  ‌
Herramientas‌  ‌que‌  ‌permiten‌  ‌simplificar‌  ‌la‌  ‌relación‌  ‌entre‌  ‌variables‌  ‌que‌  ‌explican‌  ‌el‌‌ 
funcionamiento‌‌de‌‌la‌‌economía,‌‌con‌‌el‌‌objetivo‌‌de‌‌maximizar‌‌la‌‌utilidad.‌ 
 ‌
3. Modelo‌‌Econométrico‌  ‌

Un‌  ‌modelo‌  ‌econométrico‌  ‌es‌  ‌un‌  ‌modelo‌  ‌estadístico‌  ‌o ‌ ‌matemático‌  ‌que‌  ‌representa‌  ‌la‌‌ 
relación‌  ‌entre‌  ‌dos‌  ‌o ‌ ‌más‌  ‌variables.‌  ‌Su‌  ‌utilización‌  ‌permite‌  ‌hacer‌‌
  estimaciones‌‌   acerca‌‌  del‌‌ 
efecto‌  ‌de‌  ‌una‌  ‌variable‌  ‌sobre‌  ‌otra‌  ‌y/o‌  ‌hacer‌  ‌predicciones‌  ‌acerca‌  ‌del‌  ‌valor‌  ‌futuro‌  ‌de‌  ‌las‌‌ 
variables.‌  ‌
4. Estructura‌‌de‌‌los‌‌datos‌‌económicos‌  ‌
Datos‌  ‌de‌  ‌corte‌  ‌transversal:‌  ‌Consiste‌  ‌en‌‌
  una‌‌
  muestra‌‌
  de‌‌
  varios‌‌
  sujetos,‌‌
  tomada‌‌
  en‌‌
  algún‌‌ 
punto‌‌dado‌‌en‌‌el‌‌tiempo.‌‌Ejemplo:‌‌CADEM,‌‌ADIMARK.‌  ‌
Datos‌  ‌de‌  ‌series‌  ‌de‌  ‌tiempo:‌  ‌Consiste‌  ‌en‌  ‌las‌  ‌observaciones‌  ‌de‌  ‌un‌  ‌sujeto‌  ‌a ‌ ‌lo‌  ‌largo‌  ‌del‌‌ 
tiempo‌  ‌de‌  ‌manera‌  ‌regular‌  ‌ordenados‌  ‌cronológicamente‌  ‌(variable‌  ‌cuantitativa).‌  ‌Ejemplo‌‌ 
GINI‌‌
  (índice‌‌   de‌‌ desigualdad:‌‌ 0=‌‌ 100%‌‌ igualdad,‌‌ 1=‌‌ 100%‌‌ desigualdad),‌‌ GDPPC‌‌ ( ‌‌ingreso‌‌ per‌‌ 
cápita)‌  ‌
Datos‌  ‌de‌  ‌panel‌  ‌o ‌ ‌longitudinales:‌  ‌consiste‌  ‌en‌  ‌el‌  ‌comportamiento‌  ‌de‌‌
  varios‌‌
  sujetos‌‌
  en‌‌
  el‌‌ 
transcurso‌‌del‌‌tiempo‌‌(datos‌‌que‌‌combinan‌‌una‌‌dimensión‌‌temporal‌‌con‌‌otra‌‌transversal).‌  ‌
5. Análisis‌‌Empírico‌  ‌
 ‌
El‌  ‌método‌  ‌empírico-analítico‌  ‌es‌  ‌uno‌  ‌de‌  ‌los‌  ‌modelos‌  ‌para‌  ‌describir‌  ‌el‌  ‌método‌  ‌científico,‌‌ 
que‌‌se‌‌basa‌‌en‌‌la‌‌experimentación‌‌y‌‌la‌‌lógica‌‌empírica.‌  ‌
Pasos‌‌para‌‌el‌‌análisis‌‌empírico:‌  ‌
[Link]‌‌pregunta‌‌de‌‌interés.‌  ‌
[Link]‌‌el‌‌modelo‌‌económico‌‌apropiado.‌  ‌
 [Link]‌‌el‌‌modelo‌‌económico‌‌a‌‌un‌‌modelo‌‌econométrico.‌  ‌
[Link]‌‌una‌‌data‌‌apropiada.‌ 
5.‌‌Usar‌‌métodos‌‌econométricos‌‌para‌‌estimar‌‌el‌‌modelo‌‌econométricos.‌  ‌
 ‌
 ‌
 ‌
6. Modelo‌‌Regresión‌‌Lineal‌‌Simple‌  ‌
Postula‌‌que‌‌existe‌‌una‌‌relación‌‌lineal‌‌entre‌‌las‌‌dos‌‌variables‌x‌ ‌‌e‌y‌ .‌ ‌ ‌

 ‌
βo=‌‌Intercepto‌‌(parámetro‌‌constante)‌  ‌
β1=‌  ‌Pendiente,‌  ‌mide‌  ‌cuánto‌  ‌cambia‌  ‌la‌  ‌variable‌  ‌y ‌ ‌cuando‌  ‌la‌  ‌variable‌  ‌x ‌ ‌cambia‌  ‌en‌  ‌una‌‌ 
unidad‌‌(parámetro‌‌constante).‌‌No‌‌permite‌‌establecer‌‌causalidad.‌  ‌
µ=‌‌término‌‌de‌‌error‌‌o‌‌también‌‌conocido‌‌como‌‌perturbación.‌‌Son‌‌factores‌‌distintos‌‌de‌‌X ‌‌
que‌‌afectan‌‌a‌‌Y.‌  ‌
 ‌

 ‌
 ‌
Causalidad:‌‌  Variables‌‌   tales‌‌
  que‌‌
  una‌‌
  alteración‌‌
  de‌‌ algún‌‌ componente‌‌ de‌‌ X ‌‌necesariamente‌‌ 
implique‌‌un‌‌cambio‌‌en‌‌Y.‌‌   ‌
 ‌
Correlación:‌  ‌Es‌  ‌la‌  ‌presencia‌  ‌de‌‌
  simultaneidad‌‌  entre‌‌   dos‌‌
  variables.‌‌
  Representa‌‌
  la‌‌
  relación‌‌ 
entre‌‌variables‌‌numéricas.‌  ‌
 ‌

 ‌
βo‌‌=‌‌Salario‌‌cuando‌‌ha‌‌0‌‌años‌‌de‌‌educación‌  ‌
β1‌‌=‌‌Mide‌‌el‌‌cambio‌‌de‌‌salario‌‌dependiendo‌‌la‌‌variable‌‌educación‌  ‌
µ‌‌=‌‌Lo‌‌que‌‌no‌‌es‌‌explicado‌‌por‌‌las‌‌variables.‌‌   ‌
Propiedades‌‌de‌‌los‌‌estimadores:‌  ‌
 ● Insesgadez‌‌   (Un‌‌   estimador‌‌   insesgado‌‌   es‌‌ aquel‌‌ cuya‌‌ esperanza‌‌ matemática‌‌ coincide‌‌ 
con‌  ‌el‌  ‌valor‌  ‌del‌  ‌parámetro‌  ‌que‌  ‌se‌  ‌desea‌‌   estimar.‌‌  En‌‌
  caso‌‌  de‌‌   no‌‌
  coincidir‌‌   se‌‌
  dice‌‌ 
que‌‌  el‌‌
  estimador‌‌   tiene‌‌
  [Link]‌‌  razón‌‌   de‌‌
  buscar‌‌ un‌‌ estimador‌‌ insesgado‌‌ es‌‌ que‌‌ el‌‌ 
parámetro‌  ‌que‌  ‌deseamos‌  ‌estimar‌  ‌esté‌  ‌bien‌  ‌estimado.‌  ‌Es‌  ‌decir,‌  ‌si‌  ‌queremos‌‌ 
estimar‌‌ la‌‌ media‌‌ de‌‌ goles‌‌ por‌‌ partido‌‌ de‌‌ determinado‌‌ jugador‌‌ de‌‌ fútbol,‌‌ hemos‌‌ de‌‌ 
utilizar‌  ‌una‌  ‌fórmula‌  ‌que‌  ‌nos‌  ‌proporcione‌  ‌un‌  ‌valor‌  ‌lo‌  ‌más‌  ‌aproximado‌‌   posible‌‌   al‌‌ 
valor‌‌real).‌  ‌
● Eficiencia‌  ‌(un‌  ‌estimador‌  ‌es‌  ‌más‌  ‌eficiente‌  ‌o ‌‌más‌‌   preciso‌‌   que‌‌   otro‌‌   estimador,‌‌   si‌‌
  la‌‌ 
varianza‌  ‌del‌  ‌primero‌  ‌es‌  ‌menor‌  ‌que‌  ‌la‌  ‌del‌  ‌segundo.‌  ‌**que‌  ‌los‌  ‌datos‌  ‌no‌  ‌varían‌‌ 
demasiado‌‌respecto‌‌a‌‌la‌‌media**)‌  ‌
● Consistencia:‌‌   Un‌‌  estimador‌‌   consistente‌‌   es‌‌
  aquel‌‌
  cuyo‌‌   error‌‌  de‌‌   medida‌‌   o ‌‌sesgo‌‌ se‌‌ 
aproxima‌‌a‌‌cero‌‌cuando‌‌el‌‌tamaño‌‌de‌‌la‌‌muestra‌‌tiende‌‌a‌‌infinito.‌  ‌
 ‌
a) Mínimos‌‌Cuadrados‌‌Ordinarios‌‌(MCO‌‌o‌‌OLS)‌‌   ‌
Es‌‌
  el‌‌
  mejor‌‌
  estimador‌‌
  linealmente‌‌
  insesgado‌‌   (estimador‌‌  MELI).‌‌
  Escoge‌‌
  el‌‌
  valor‌‌
  de‌‌
  los‌‌ 
coeficientes‌‌que‌‌minimizan‌‌la‌‌suma‌‌de‌‌los‌‌residuos‌‌al‌‌cuadrado‌‌   ‌
 ‌
Media‌‌
  condicional‌‌
  cero:‌‌
  Los‌‌
  valores‌‌ de‌‌ µ ‌‌deben‌‌ tener‌‌ promedio‌‌ que‌‌ no‌‌ dependa‌‌ de‌‌ X.‌‌ 
(supuesto‌‌importante)‌  ‌
 ‌
E(µ|x)‌  ‌= ‌ ‌E(µ)‌  ‌→ ‌ ‌Ninguna‌  ‌observación‌  ‌de‌‌  la‌‌
  variable‌‌
  X ‌‌provee‌‌
  información‌‌   acerca‌‌
  del‌‌ 
valor‌‌esperado‌‌de‌‌µ.‌‌/‌‌E=‌‌Esperanza‌‌o‌‌valor‌‌esperado‌‌de‌‌un‌‌promedio.‌‌   ‌
 ‌
 ‌
b) Valores‌‌ajustados‌‌y‌‌valores‌‌residuales.‌  ‌
 ‌
Los‌  ‌valores‌  ‌ajustados‌  ‌y ‌ ‌residuales‌  ‌nos‌  ‌dan‌  ‌un‌  ‌panorama‌  ‌general‌  ‌de‌  ‌lo‌  ‌preciso‌  ‌de‌‌ 
nuestras‌‌estimaciones.‌‌(‌‌gorrito‌‌=‌‌valor‌‌ajustado)‌  ‌
 ‌

‌  ‌

‌  ‌
 ‌
El‌‌valor‌‌residual‌‌es‌‌la‌‌diferencia‌‌entre‌‌el‌‌valor‌‌observado‌‌de‌‌la‌‌variable‌‌dependiente‌‌y‌‌el‌‌valor‌‌ 
proyectado‌‌por‌‌la‌‌ecuación‌‌de‌‌regresión.‌  ‌
  ‌
 ‌

 ‌
Para‌‌este‌‌ejemplo,‌‌usando‌‌los‌‌valores‌‌que‌‌se‌‌nos‌‌presentan‌  ‌
 ‌
βo‌‌=‌‌-1072‌‌(intercepto)‌  ‌
β1‌‌=‌‌333‌‌(escolaridad)‌  ‌
 ‌
Un‌‌
  año‌‌
  extra‌‌
  de‌‌
  educación,‌‌   aumenta‌‌ en‌‌ 333‌‌ el‌‌ salario‌‌ por‌‌ hora‌‌ promedio.‌‌ Respecto‌‌ a ‌‌
este‌‌
  modelo,‌‌  tiene‌‌
  un‌‌
  R²‌‌
  que‌‌  indica‌‌
  que‌‌
  el‌‌
  modelo‌‌   se‌‌
  ajusta‌‌  a ‌‌los‌‌
  datos‌‌ (o‌‌ predice‌‌ el‌‌ 
salario)‌‌con‌‌un‌‌5.55%‌‌(muy‌‌bajo)‌  ‌
 ‌
 ‌
c) Bondad‌‌de‌‌Ajuste‌  ‌
 ‌
R²‌  ‌Es‌  ‌simplemente‌  ‌el‌  ‌cociente‌  ‌de‌  ‌la‌  ‌variación‌  ‌explicada‌  ‌entre‌  ‌la‌  ‌variación‌  ‌total,‌‌ 
específicamente‌  ‌es‌‌  la‌‌
  proporción‌‌   de‌‌
  la‌‌
  variación‌‌
  muestra‌‌  de‌‌  Y ‌‌que‌‌
  es‌‌  explicada‌‌  por‌‌ 
X.‌‌Mientras‌‌más‌‌cerca‌‌de‌‌1,‌‌mejor‌‌el‌‌modelo.‌  ‌
 ‌
 R²‌‌
  ajustado‌: ‌‌es‌‌  el‌‌
  porcentaje‌‌   de‌‌
  variación‌‌ en‌‌ la‌‌ variable‌‌ de‌‌ respuesta‌‌ que‌‌ es‌‌ explicado‌‌ 
por‌‌  su‌‌
  relación‌‌   por‌‌  con‌‌  una‌‌
  o ‌‌más‌‌   variables‌‌ o ‌‌más‌‌ variables‌‌ predictoras‌‌ en‌‌ el‌‌ modelo.‌‌ 
Es‌  ‌decir,‌  ‌a ‌ ‌medida‌  ‌que‌  ‌incluyamos‌  ‌más‌  ‌variables‌  ‌en‌  ‌el‌  ‌modelo,‌  ‌el‌  ‌R ‌ ‌cuadrado‌‌ 
aumentará‌‌   por‌‌
  lo‌‌
  que‌‌  puede‌‌   hacernos‌‌   pensar‌‌   que‌‌  el‌‌
  modelo‌‌ es‌‌ mejor‌‌ porque‌‌ incluye‌‌ 
más‌‌variables.‌  ‌
Para‌  ‌comprobar‌  ‌si‌  ‌es‌  ‌cierto‌  ‌que‌‌   nuestro‌‌  modelo‌‌   es‌‌
  mejor‌‌
  por‌‌  la‌‌
  inclusión‌‌
  de‌‌
  nuevas‌‌ 
variables‌‌debemos‌‌analizar‌‌el‌‌R²‌‌ajustado.‌‌   ‌
 ‌

‌  ‌
 ‌
En‌‌   la‌‌
  siguiente‌‌   tabla‌‌  observamos‌‌   como‌‌  con‌‌
  una‌‌
  variable‌‌   el‌‌
  R ‌‌cuadrado‌‌   es‌‌   del‌‌
  52%.‌‌ Al‌‌ 
agregar‌  ‌el‌  ‌segundo‌  ‌término,‌  ‌usted‌  ‌observa‌  ‌que‌  ‌el‌  ‌R2‌‌   ajustado‌‌   mejoró,‌‌   lo‌‌  que‌‌  indica‌‌ 
que‌  ‌la‌  ‌segunda‌  ‌variable‌  ‌mejoró‌  ‌el‌  ‌modelo.‌  ‌Con‌  ‌el‌  ‌tercer‌  ‌término,‌  ‌aunque‌  ‌el‌  ‌R2‌‌ 
aumenta,‌  ‌el‌  ‌R2‌  ‌ajustado‌  ‌no‌  ‌lo‌  ‌hace.‌  ‌Puesto‌  ‌que‌  ‌la‌  ‌tercera‌  ‌variable‌  ‌no‌  ‌mejoró‌  ‌el‌‌ 
modelo,‌‌podríamos‌‌considerar‌‌eliminarla‌‌del‌‌modelo.‌‌   ‌
 ‌
 ‌
d)‌‌  Otros‌‌Estadísticos‌  ‌
 ‌
● N‌=‌ ‌‌Número‌‌de‌‌observaciones;‌‌a‌‌mayor‌‌N,‌‌menor‌‌error‌‌tiene‌‌el‌‌modelo‌  ‌
● SD‌  ‌= ‌ ‌Desviación‌  ‌estándar;‌  ‌Cuantifica‌  ‌la‌  ‌dispersión‌  ‌de‌  ‌los‌  ‌valores‌  ‌respecto‌  ‌a ‌ ‌la‌‌ 
media‌‌(que‌‌tan‌‌alejados‌‌del‌‌promedio)‌  ‌
● Valor-p‌  ‌= ‌ ‌Estadístico‌  ‌para‌  ‌testear‌  ‌la‌  ‌hipótesis‌  ‌nula‌  ‌de‌  ‌que‌  ‌el‌  ‌valor‌  ‌de‌  ‌los‌‌ 
estimadores‌‌   es‌‌
  distinto‌‌   de‌‌
  0.‌‌
  Se‌‌
  contrarresta‌‌  con‌‌
  el‌‌
  valor‌‌ ‌α ‌‌‌(que‌‌ es‌‌ el‌‌ valor‌‌ que‌‌ se‌‌ 
obtiene‌‌   al‌‌
  elegir‌‌ un‌‌ % ‌‌de‌‌ confianza‌‌ (ejemplo,‌‌ 95%)‌‌ y ‌‌se‌‌ resta‌‌ con‌‌ 100‌‌ (100%-95%‌‌ = ‌‌
5%‌‌=‌‌0.05)‌  ‌
● Valor‌‌t‌‌=‌‌Lo‌‌mismo‌‌que‌‌el‌‌p‌‌pero‌‌se‌‌testea‌‌con‌‌otros‌‌test.‌  ‌
● Intervalo‌  ‌de‌  ‌confianza‌  ‌→ ‌ ‌En‌  ‌el‌  ‌intervalo‌  ‌se‌  ‌encuentra‌  ‌el‌  ‌valor‌  ‌de‌  ‌nuestros‌‌ 
estimadores‌‌con‌‌un‌‌95%‌‌de‌‌confianza.‌  ‌
 ‌
 ‌

Clase‌‌2 ‌ ‌
Modelo‌‌Regresión‌‌Lineal‌‌Múltiple‌  ‌
 ‌

 ‌
El‌  ‌modelo‌  ‌de‌  ‌regresión‌  ‌lineal‌  ‌múltiple,‌  ‌agrega‌  ‌más‌  ‌de‌  ‌una‌  ‌variable,‌  ‌esto‌  ‌dado‌  ‌que‌  ‌Y ‌ ‌pueda‌‌ 
depender‌‌   de‌‌  más‌‌ de‌‌ una‌‌ variable‌‌ a ‌‌la‌‌ vez.‌‌ Por‌‌ ende,‌‌ el‌‌ modelo‌‌ simple‌‌ es‌‌ (como‌‌ su‌‌ nombre‌‌ lo‌‌ dice)‌‌ 
muy‌‌simple.‌  ‌

Lo‌  ‌importante‌  ‌es‌  ‌que‌  ‌siempre‌  ‌se‌  ‌ve‌  ‌el‌  ‌modelo‌  ‌por‌  ‌variable‌  ‌y ‌ ‌considerando‌  ‌la‌  ‌otra‌  ‌variable‌‌ 
independiente‌‌como‌‌constante.‌  ‌

Sesgo‌p
‌ or‌o
‌ misión‌d
‌ e‌v‌ ariables‌r‌ elevantes‌  ‌
Sucede‌‌
  cuando‌‌  en‌‌
  nuestro‌‌
  modelo‌‌
  omitimos‌‌
  una‌‌
  variable‌‌
  que‌‌
  tiene‌‌ un‌‌ gran‌‌ efecto‌‌ en‌‌ Y,‌‌ se‌‌ deben‌‌ 
cumplir‌‌2‌‌condiciones‌  ‌

● Debe‌‌ser‌‌determinante‌‌de‌‌Y ‌ ‌
● Correlacionado‌‌con‌‌X‌‌/‌‌Correlación‌‌de‌‌Z/X‌ ‌distinto‌‌de‌‌0 ‌ ‌

Por‌  ‌ejemplo,‌  ‌cuando‌  ‌calculamos‌  ‌el‌  ‌salario‌  ‌respecto‌  ‌a ‌ ‌la‌  ‌educación,‌  ‌podemos‌  ‌estar‌  ‌omitiendo,‌‌ 
entre‌‌varias,‌‌la‌‌variable‌‌de‌‌edad.‌‌Es‌‌muy‌‌probable‌‌que‌‌a‌‌mayor‌‌edad,‌‌más‌‌años‌‌de‌‌educación.‌  ‌

 ‌

Interpretación:‌  ‌

Si‌‌
  un‌‌ valor‌‌ es‌‌ negativo,‌‌ implica‌‌ que‌‌ la‌‌ correlación‌‌ es‌‌ inversamente‌‌ proporcional,‌‌ (una‌‌ variable‌‌ sube‌‌ 
y‌‌la‌‌otra‌‌baja).‌  ‌
Si‌‌el‌‌valor‌‌es‌‌positivo,‌‌implica‌‌que‌‌la‌‌correlación‌‌es‌‌proporcional‌‌(‌‌ambas‌‌suben‌‌o‌‌bajan)‌  ‌

Si‌‌el‌‌valor‌‌es‌‌0,‌‌no‌‌hay‌‌correlación.‌  ‌

 ‌

 ‌

Supuestos‌  ‌
1. Valor‌‌medio‌‌de‌‌µ‌‌=‌‌0‌‌→‌‌Que‌‌no‌‌se‌‌encuentren‌‌variables‌‌relevantes‌‌en‌‌el‌‌error,‌‌de‌‌manera‌‌ 
que‌‌sea‌‌cero..‌  ‌
2. No‌‌hay‌‌correlación‌‌serial‌‌(no‌‌hay‌‌correlación‌‌en‌‌el‌‌error‌‌en‌‌el‌‌tiempo,‌‌se‌‌usa‌‌en‌‌serie‌‌de‌‌ 
tiempo)‌‌   ‌
3. Homocedasticidad‌‌→‌‌cuando‌‌la‌‌varianza‌‌de‌‌los‌‌errores‌‌estocásticos‌‌de‌‌la‌‌regresión‌‌es‌‌la‌‌ 
misma‌‌para‌‌cada‌‌observación‌‌(la‌‌nube‌‌de‌‌puntos‌‌es‌‌constante,‌‌varianza‌‌constante)‌  ‌
4. Covariancia‌‌entre‌‌µ‌‌y‌‌cada‌‌variable‌‌X‌‌igual‌‌a‌‌cero‌‌  ‌
5. No‌‌hay‌‌sesgo‌d ‌ e‌‌especificación,‌‌que‌‌el‌‌modelo‌‌está‌‌especificado‌‌correctamente‌‌(‌‌el‌‌ 
modelo‌‌debe‌‌tener‌‌causalidad‌‌) ‌ ‌
6. No‌‌hay‌‌colinealidad‌‌exacta‌‌entre‌‌las‌‌variables‌‌X:‌‌No‌‌hay‌‌relación‌‌exacta‌‌entre‌‌X1‌‌y‌‌X2.‌‌ 
(Nota:‌‌Colinealidad‌o ‌ curre‌‌cuando‌‌un‌‌predictor‌‌está‌‌linealmente‌‌relacionado‌‌con‌‌uno‌‌o ‌‌
varios‌‌de‌‌los‌‌otros‌‌predictores‌‌del‌‌modelo‌‌o‌‌cuando‌‌es‌‌la‌‌combinación‌‌lineal‌‌de‌‌otros‌‌ 
predictores.‌‌Como‌‌consecuencia‌‌de‌‌la‌‌colinialidad‌‌no‌‌se‌‌puede‌‌identificar‌‌de‌‌forma‌‌precisa‌‌ 
el‌‌efecto‌‌individual‌‌que‌‌tiene‌‌cada‌‌una‌‌de‌‌las‌‌variables‌‌colineales‌‌sobre‌‌la‌‌variable‌‌ 
respuesta,‌‌lo‌‌que‌‌se‌‌traduce‌‌en‌‌un‌‌incremento‌‌de‌‌la‌‌varianza‌‌de‌‌los‌‌coeficientes‌‌de‌‌ 
regresión‌‌estimados‌‌hasta‌‌el‌‌punto‌‌que‌‌resulta‌‌prácticamente‌‌imposible‌‌establecer‌‌su‌‌ 
significancia‌‌estadística,‌‌ojo‌‌si‌‌el‌‌R2‌‌es‌‌alto‌‌pero‌‌los‌‌predictores‌‌no‌‌tienen‌‌significancia‌‌ 
entonces‌‌hay‌‌indicios‌‌de‌‌colinealidad)‌  ‌

Modelo‌d
‌ e‌r‌ egresión‌  ‌

 ‌

○ β2‌‌
  mide‌‌
  el‌‌
  cambio‌‌
  en‌‌
  el‌‌
  valor‌‌
  de‌‌
  la‌‌
  media‌‌
  de‌‌
  Y,‌‌
  E(Y),‌‌
  por‌‌
  unidad‌‌ de‌‌ cambio‌‌ en‌‌ X1‌‌ 
permaneciendo‌‌X2‌‌constante.‌  ‌
○ β3‌‌
  mide‌‌
  el‌‌
  cambio‌‌
  en‌‌
  el‌‌
  valor‌‌
  de‌‌
  la‌‌
  media‌‌
  de‌‌
  Y,‌‌
  E(Y),‌‌
  por‌‌
  unidad‌‌ de‌‌ cambio‌‌ en‌‌ X2‌‌ 
permaneciendo‌‌X1‌‌constante.‌  ‌

La‌‌idea‌‌es‌‌aislar‌‌el‌‌efecto‌‌de‌‌las‌‌variables‌  ‌

R²‌ ‌se‌‌lee‌‌que‌‌variabilidad‌‌conjunta‌‌de‌‌las‌‌variables‌‌explican‌‌la‌‌variabilidad‌‌de‌‌la‌‌ 
variable‌‌explicada‌  ‌

 ‌

1. Multicolinealidad‌‌‌→‌‌Dos‌‌o‌‌más‌‌variables‌‌explicativas‌‌en‌‌el‌‌modelo‌‌de‌‌regresión‌‌están‌‌ 
altamente‌‌correlacionadas,‌‌dificultando‌‌la‌‌posibilidad‌‌de‌‌aislar‌‌los‌‌efectos‌‌de‌‌cada‌‌variable‌  ‌
 a. La‌‌multicolinealidad‌‌puede‌‌implicar‌‌que‌‌exista‌‌un‌‌R²‌‌bajo‌‌pero‌‌con‌‌variables‌‌ 
estadísticamente‌‌significativas.‌  ‌
b. Usualmente‌‌demuestra‌‌una‌‌mala‌‌definición‌‌de‌‌las‌‌variables‌  ‌
c. Se‌‌da‌‌mucho‌‌en‌‌las‌‌variables‌‌dummy,‌‌se‌‌soluciona‌‌eliminando‌‌una‌‌variable‌  ‌

 ‌

2. Heteroscedasticidad‌→ ‌ ‌ ‌La‌‌varianza‌‌del‌‌término‌‌error‌‌no‌‌es‌‌constante‌‌para‌‌todos‌‌los‌‌ 
valores‌‌de‌‌las‌‌variables‌‌independientes‌  ‌
a. Conduce‌‌a‌‌estimaciones‌‌sesgadas‌‌e‌‌ineficientes‌‌de‌‌los‌‌errores‌‌estándar.‌  ‌

 ‌

3. Autocorrelación‌→‌ ‌‌Cuando‌‌el‌‌término‌‌error‌‌en‌‌un‌‌periodo‌‌está‌‌correlacionado‌‌ 
positivamente‌‌con‌‌el‌‌término‌‌error‌‌en‌‌el‌‌período‌‌anterior.‌  ‌

 ‌

 ‌

Al‌‌modelo‌‌anterior,‌‌al‌‌agregar‌‌edad,‌‌vemos‌‌que‌‌cambia‌‌tanto‌‌la‌‌constante‌‌como‌‌la‌‌educación,‌‌es‌‌ 
decir,‌‌la‌‌edad‌‌es‌‌una‌‌variable‌‌importante.‌‌Junto‌‌a‌‌ello,‌‌cambia‌‌el‌‌R2‌‌del‌‌modelo.‌‌todas‌‌las‌‌variables‌‌ 
independientes‌‌son‌‌estadísticamente‌‌significativas‌‌(valor-p‌‌<‌ α ‌ )‌  ‌

● 1‌‌año‌‌de‌‌edad‌‌=‌‌47‌‌unidades‌‌más‌‌de‌‌salario,‌‌manteniendo‌‌el‌‌resto‌‌de‌‌las‌‌variables‌‌ 
constantes‌  ‌

 ‌

Ecuación‌‌de‌‌MINCER‌  ‌

 ‌

Clase‌‌4 ‌ ‌
 ‌
Interpretación‌‌de‌‌Logaritmos‌‌en‌‌modelos‌‌econométricos‌  ‌

Tabla‌‌resumen‌‌de‌‌cómo‌‌se‌‌calculan‌‌e‌‌interpretan‌‌los‌‌logaritmos‌‌en‌‌un‌‌modelo‌‌econométrico‌‌de‌‌ 
regresión‌  ‌

 ‌

Modelo‌L‌ in-Lin‌(‌ nivel-nivel):‌‌   ‌

Es‌‌el‌‌modelo‌‌tradicional‌‌representa‌‌a‌‌las‌‌variables‌‌en‌‌su‌‌forma‌‌original‌‌(regresión‌‌en‌‌forma‌‌lineal)‌‌ 
y‌‌representa‌‌,‌‌un‌‌cambio‌‌de‌‌una‌‌unidad‌‌en‌‌X,‌‌afecta‌‌en‌‌β1‌‌unidades‌‌a‌‌Y.‌  ‌

Ej:‌ ‌Salario‌‌=‌‌0,9‌‌+‌‌0,54‌‌educ‌  ‌

Se‌‌lee:‌‌1‌‌año‌‌de‌‌educación‌‌adicional‌‌genera‌‌0,54‌‌(pesos,‌‌dólares,‌‌centavos)‌‌de‌‌aumento‌‌en‌‌el‌‌ 
salario.‌  ‌

Modelo‌L‌ OG-LOG:‌‌   ‌
Se‌‌atribuye‌‌a‌‌β1‌‌la‌‌elasticidad‌‌de‌‌Y,‌‌respecto‌‌a‌‌X.‌‌Se‌‌interpreta‌‌como‌‌un‌‌incremento‌‌del‌‌1%‌‌en‌‌X‌‌es‌‌ 
asociado‌‌a‌‌un‌‌cambio‌‌en‌‌Y‌‌de‌‌β1‌‌%.‌  ‌

Ej:‌ ‌xxxxxxxxxx‌  ‌

Se‌‌lee:‌‌el‌‌(....)‌ ‌%‌‌de‌‌la‌‌variable‌‌X‌‌genera‌‌(....)‌ ‌%‌‌en‌‌la‌‌variable‌‌Y ‌ ‌

Modelo‌L‌ in-LOG‌(‌ nivel-Log):‌‌   ‌

Se‌‌interpreta‌‌que‌‌el‌‌cambio‌‌en‌‌Y‌‌de‌‌0,01‌‌β1.‌‌Se‌‌debe‌‌a‌‌un‌‌incremento‌‌de‌‌1%‌‌de‌‌cambio‌‌en‌‌X.‌  ‌

Ej:‌ ‌Gasto‌‌familiar=‌‌1:283,912‌‌+‌‌257,27‌‌gasto‌‌total‌  ‌

Se‌‌lee:‌ ‌el‌‌gasto‌‌total‌‌en‌‌alimentos‌‌de‌‌1%‌‌en‌‌promedio‌‌propicia‌‌un‌‌incremento‌‌de‌‌2,57‌‌rupias‌‌en‌‌el‌‌ 
gasto‌‌familiar‌  ‌

 ‌

Modelo‌L‌ OG-Lin‌(‌ Log-nivel):‌‌   ‌

Se‌‌conoce‌‌como‌‌la‌‌semielasticidad‌‌de‌‌Y‌‌respecto‌‌a‌‌X.‌‌Se‌‌interpreta‌‌como‌‌un‌‌incremento‌‌de‌‌1 ‌‌
unidad‌‌en‌‌X‌‌es‌‌asociado‌‌a‌‌un‌‌cambio‌‌en‌‌Y‌‌de‌‌(100·β1‌‌)%.‌  ‌

Ej:‌ ‌Ln‌‌Salario‌‌=‌‌0,584‌‌+‌‌0,083‌‌educ‌  ‌

Se‌‌lee:‌‌1‌‌año‌‌de‌‌educación‌‌adicional‌‌genera‌‌8,3%‌ ‌de‌‌aumento‌‌en‌‌el‌‌salario.‌  ‌
 ‌

FUNCIONES‌C
‌ UADRÁTICAS‌  ‌
Se‌‌usan‌‌para‌‌captar‌‌efectos‌‌marginales‌‌crecientes‌‌o‌‌decrecientes.‌‌El‌‌caso‌‌más‌‌simple‌‌es‌‌el‌‌que‌‌ 
depende‌‌de‌‌un‌‌sólo‌‌factor‌‌X‌‌observado,‌‌pero‌‌lo‌‌hace‌‌de‌‌forma‌‌cuadrática.‌  ‌

 ‌
se‌‌deriva‌‌y‌‌queda:‌  ‌

 ‌

 ‌

El‌‌primer‌‌año‌‌de‌‌experiencia‌‌vale‌‌8.546‌‌pesos‌‌mensuales.‌  ‌

El‌‌año‌‌10‌‌   ‌

S=‌‌8.546‌‌-‌‌2*‌‌(196)*(10)‌‌=‌‌4.526‌  ‌

Y‌‌=‌‌388.056‌‌+‌‌8.546‌‌(10)‌‌-‌‌196*(10)^2‌‌+‌‌u ‌ ‌

 ‌

Variable‌‌Dummy‌‌   ‌

Es‌‌utilizada‌‌para‌‌explicar‌‌valores‌‌cualitativos‌‌en‌‌un‌‌modelo‌‌de‌‌regresión.‌‌Es‌‌una‌‌variable‌‌ 
dicotómica‌‌(0-1),‌‌se‌‌usa‌‌para‌‌calificar‌‌variables‌‌mutuamente‌‌excluyentes.‌  ‌
Clase‌‌5 ‌ ‌
 ‌

Supuestos‌  ‌
1. Linealidad‌‌de‌‌los‌‌parametros‌  ‌
2. Muestra‌‌aleatoria‌  ‌
3. Ausencia‌‌de‌‌colinealidad‌‌perfecta‌‌→‌‌Ninguna‌‌variable‌‌constante‌  ‌
4. Esperanza‌‌condicial‌‌de‌‌u‌‌=‌‌0‌‌→‌‌La‌‌esperanza‌‌de‌‌u‌‌respecto‌‌a‌‌X‌‌tiene‌‌que‌‌ser‌‌0 ‌ ‌
5. Homocedasticidad‌  ‌
6. Normalidad‌‌→‌‌Error‌‌poblacional‌‌u‌‌es‌‌independiente‌‌de‌‌las‌‌variables‌‌explicativas‌  ‌

Toerema‌‌de‌‌Gauss-Markov‌  ‌
● Depende‌‌de‌‌supuestos‌‌1‌‌a‌‌5 ‌ ‌
● Cuando‌‌no‌‌se‌‌cumple‌‌es‌‌heterocedastico‌  ‌

 ‌

Cuales‌‌son‌‌las‌‌consecuencias‌‌de‌‌relajar‌‌los‌‌supuestos?‌  ‌
● Que‌‌los‌‌estimadores‌‌MCO‌‌no‌‌son‌‌MELI‌  ‌
●  ‌

¿Cómo‌‌se‌‌ve‌‌afectado‌‌el‌‌sesgo‌‌de‌‌los‌‌estimadores‌‌de‌‌MCO?‌  ‌
 ‌

● La‌‌derivación‌‌de‌‌insesgadez‌‌de‌‌los‌‌estimadores‌‌de‌‌MCO‌‌se‌‌basa‌‌en‌‌los‌‌supuestos‌‌1‌‌al‌‌4.‌  ‌
● Luego,‌‌en‌‌presencia‌‌de‌‌heterocedasticidad‌‌los‌‌estimadores‌‌de‌‌MCO‌‌siguen‌‌siendo‌‌ 
insesgados.‌  ‌
● La‌‌diferencia‌‌es‌‌que‌‌los‌‌errores‌‌estándard‌‌los‌‌estimadores‌‌de‌‌MCO‌‌son‌‌sesgados.‌  ‌

los‌‌estimadores‌‌de‌‌m‌‌́ınimos‌‌cuadrados‌‌siguen‌‌siendo‌‌insesgados‌‌pero‌‌ya‌‌no‌‌eficientes,‌‌es‌‌decir‌‌ 
que‌‌los‌‌estimadores‌‌ya‌‌no‌‌ser‌‌́an‌‌de‌‌varianza‌‌m‌‌́ınima.‌  ‌

 ‌
¿Cómo‌‌podemos‌‌detectar‌‌la‌‌presencia‌‌de‌‌herocedasticidad?‌  ‌
 ‌

1. Test‌‌Informales‌‌→‌‌grafico‌‌de‌‌residuos‌  ‌
2. Test‌‌de‌‌Brusch-pagan‌‌/‌‌white‌  ‌

 ‌

 ‌

Los‌‌test‌‌en‌‌general‌‌se‌‌aplican‌‌respecto‌‌a‌‌hipotesis,‌‌por‌‌ejemplo,‌‌en‌‌Brusch-Pagan‌  ‌

● H0‌‌(hipótesis‌‌nula):‌‌los‌‌datos‌‌son‌‌homocedásticos.‌‌/‌‌Varianza‌‌Constante‌  ‌
● Ha‌‌(hipótesis‌‌alternativa):‌‌los‌‌datos‌‌son‌‌heterocedásticos.‌  ‌
  ‌ ‌
  ‌

Clase‌‌7 ‌ ‌
Modelo‌‌de‌‌Variable‌‌dependiente‌‌limitada‌  ‌
 ‌

Este‌‌modelo‌‌no‌‌es‌‌m‌‌́as‌‌que‌‌una‌‌estimación‌‌́on‌‌de‌‌MCO‌‌con‌‌m‌‌́ultiples‌‌regresores,‌‌solo‌‌que‌‌esta‌‌ 
vez‌‌la‌‌variable‌‌dependiente‌‌ser‌‌́ıa‌‌un‌‌valor‌‌dicot‌‌́omico‌‌que‌‌tomar‌‌́ıa‌‌los‌‌valores‌‌0‌‌o‌‌1.‌  ‌

 ‌

 ‌

Nota‌‌adicional:‌‌Para‌‌ver‌‌salidas‌‌en‌‌R‌‌y‌‌correlaciones‌  ‌

[Link] ‌

 ‌