11-04-2022

Capitulo I
Econometría
Rodrigo Ortega B.

Econometría
• Estadística aplicada a la economía.
• Desarrollo de métodos estadísticos para estimar relaciones
económicas, evaluar teorías económicas, y evaluar e implementar
políticas públicas y de negocios.
• Aplicación más común es la predicción de importantes variables
macroeconómicas:
Tasas de interés
Tasas de inflación
Producto interno bruto

1
 11-04-2022

Econometría
• Datos no experimentales
Observacionales
Retrospectivos
• Rara vez usa datos experimentales
Extremadamente caros
Problemas éticos

Econometría
• Métodos prestados de la estadística matemática
• Análisis de regresión múltiple
Foco e interpretación distintos
• Nuevas técnicas
Tratar complejidades en los datos
Evaluar predicciones de la teoría económica

2
 11-04-2022

Análisis económico empírico

• Usa datos para probar una teoría o establecer un relación.
• Pasos:
 Cuidadosa formulación de la pregunta de interés (¿que se busca?)
• Probar una teoría
• Evaluar el efecto de alguna política pública
 Formulación de un modelo económico formal (a veces completamente intuitivo)
 Obtener datos
 Establecer un modelo econométrico
 Establecer las hipótesis de interés
 Validar el modelo
 Evaluar resultados y establecer conclusiones.

Metodología de la Econometría

• Formular la teoría o hipótesis económica

• Especificar el modelo económico
• Obtener datos
• Especificar el modelo econométrico
• Estimar el modelo econométrico (sus parámetros)
• Validar estadísticamente el modelo
• Validar económicamente el modelo
• Pronosticar resultados
• Usar el modelo para fines de control o política

3
 11-04-2022

Marco teórico
• Individuos toman decisiones para maximizar su bienestar
sujeto a restricciones de recursos.
• Maximización de utilidades
• Curvas de demanda:
Cantidad demandada depende de:
• Precio de los bienes
• Precios de sustitutos y complementos
• Ingreso del consumidor
• Características que afectan el gusto del cliente

Modelo económico
(maximización de utilidades bajo actividades que compiten)

y = f (x1, x2 , x3 , x4 , x5, x6 , x7 )
Donde:
y=horas gastadas en actividades criminales
X1=“salario” por hora gastada en actividad criminal
x2=salario por hora en empleo legal
X3=otros ingresos aparte de crimen o empleo
X4=probabilidad de ser atrapado
X5=probabilidad de ser sentenciado si se es atrapado
X6=sentencia esperada si se es sentenciado
X7=edad

4
 11-04-2022

Entrenamiento y productividad

Salario = f(educ,exp er,entren)

Donde:
Salario=salario por hora
Educ= años de educación formal
Exper=años de experiencia laboral
Entren=semanas gastadas en entrenamiento

Modelo econométrico
• Forma de la función del modelo económico debe ser conocida.
• Hay variables dentro del modelo que son difíciles de cuantificar.
• Ambigüedades del modelo económico pueden resolverse a través de
la formulación de un modelo econométrico.

Crimen=b0 +b1salario l +b2otrosingr+b3frecarr+b4 frecencar+b5promsent+b6 edad+m

10

5
 11-04-2022

Entrenamiento y productividad

Salario = bo+ b1educ + b 2 exper + b 3entren + m

Donde:
Salario=salario por hora
Educ= años de educación formal
Exper=años de experiencia laboral
Entren=semanas gastadas en entrenamiento

11

Modelo econométrico
• Elección de variables dada por la teoría económica y por la
disponibilidad de datos.
• Término μ contiene factores no observados (sueldo por
actividad criminal, background familiar, etc.) o los errores en
las estimaciones de algunas variables.
• μ siempre presente en los modelos.
• Manejo del término de error es tal vez el componente más
importante del análisis econométrico.

12

6
 11-04-2022

Modelos de la población y modelo de la

muestra (estimador)
Población

y = b 0 + b1 x1 + b 2 x2 + .....b k xk + m
Muestra

yˆ = bˆ 0 + bˆ1 x1 + bˆ 2 x2 + .....bˆ k xk + mˆ

13

Pruebas de hipótesis
• Salario ganado en actividades legales no afecta el comportamiento
criminal.
• Entrenamiento determina el nivel salarial.

H0: bi = 0
Ha:
bi  0

14

7
 11-04-2022

Datos de corte transversal (Cross-sectional

data):
• Muestra de individuos, hogares, empresas, regiones, países,
etc., recolectados en un tiempo dado.
A veces el estudio no se realiza exactamente en el mismo periodo
de tiempo para todos las unidades evaluadas, pero diferencias
menores se ignoran.
Se asume que los datos fueron obtenidos por muestreo aleatorio
(random sampling) desde la población subyacente.
Se establece la población blanco de estudio (ej. Trabajadores
asalariados de una región) y se obtienen los individuos a ser
encuestados al azar.

15

Datos de corte transversal (continuación)

• A veces el muestreo aleatorio no es un supuesto apropiado para este
tipo de datos.
Ej. Estudio de factores que determinan la riqueza. Personas más ricas menos
dispuestas a entregar información sobre su patrimonio.
No se cumple la independencia de las muestras. Unidades geográficas más
cercanas se parecen más.
• Usado en economía y otras ciencias sociales.
• Microeconomía aplicada: economía del trabajo, finanzas públicas,
organización industrial, economía urbana, demografía y economía de
la salud.
• Datos sobre hogares, firmas, y ciudades en un punto dado del tiempo
importantes para probar hipótesis microeconómicas y evaluar política
económica

16

8
 11-04-2022

Datos de corte transversal

17

Datos de corte transversal

18

18

9
 11-04-2022

Datos de corte individuo

1
2
Peso (kg)
75
71
Estatura (cm) Edad
170
170
18
23
Genero
H
H

transversal 3
4
5
75
85
80
179
180
174
23
22
22
H
H
H
6 92 173 22 H
7 67 169 19 H
8 59 164 18 M
9 50 165 20 M
10 50 165 18 M
11 52 163 21 M
12 60 160 23 H
13 57 164 23 M
14 59 166 23 M
15 56 164 22 M
16 55 159 19 M
17 84 170 22 H
18 62 162 25 H
19 80 178 18 H
20 82 184 22 H
21 72 168 21 H
22 62 163 22 H
23 59 160 17 M
24 85 187 18 H
25 78 175 22 H
26 70 172 22 H
27 82 187 26 H
28 50 156 21 M
29 79 176 22 H
30 55 159 22 M

19

Datos de series de tiempo (time series data)

• Observaciones de una o más variables en el tiempo.
Ej. Precios de acciones, dólar, IPC, ventas de automóviles, etc.
Eventos pasados influencian eventos futuros
Rezagos en el comportamiento son prevalentes en ciencias
sociales
Tiempo es una dimensión importante en datos de series de
tiempo.

20

10
 11-04-2022

Datos de series de tiempo

• A diferencia de datos de corte transversal, datos de series de
tiempo no pueden asumirse independientes.
• Datos económicos, normalmente asociados a su historia
reciente (ej. PIB).
• Se usa dependencia para predicción (tendencias)
• Frecuencia de recolección variable (más comunes son: diaria,
semanal, mensual, trimestral, anual)

21

Datos de series de tiempo

22

22

11
 11-04-2022

t Euro dólar

Datos de series de 1
2
3
739.15
734.24
727.58
614.75
609.49
604.84

tiempo 4
5
728.76
729.73
604
606.04
6 726.01 606.29
7 724.04 607.25
8 728.41 609.17
9 732.05 608.04
10 732.76 604.09
11 738.45 601.69
12 736.19 601.69
13 740.23 604.99
14 741.7 605.45
15 742.14 606.55
16 741.9 606.28
17 747.2 608.15
18 748.41 604.12
19 748.32 599.33
20 746.17 600.37
21 747.19 604.63
22 749.62 604.42
23 750.12 603.25
24 748.43 599.19
25 749.51 601.26
26 748.88 603.07
27 744.93 601.23
28 732.39 596.53
29 735.57 600.74

23

Correlograma (dependencia temporal).

1
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0.2
Moran's I

0.1
0
-0.1
-0.2
-0.3
-0.4
-0.5
-0.6
-0.7
-0.8
-0.9
-1
20 40 60 80 100 120 140 160 180 200 220 240 260 280 300
Distance

24

12
 11-04-2022

Datos de corte transversal agrupados (pooled

cross sections).
• Datos con características de corte transversal y de series de
tiempo.
• Varios años de datos de corte transversal pueden ser
agrupados para aumentar el número de datos.
• Adecuados para analizar el efecto de políticas públicas.
Encuesta con las mismas preguntas:
Antes de la política
Después de implementada la política
• Sirven para evaluar como ciertas relaciones cambian en el
tiempo.

25

Datos de corte transversal agrupados

*Política de reducción de impuestos en 1994. 26

26

13
 11-04-2022

Datos de panel o longitudinales (panel data or

longitudinal data).
• Consiste en una serie de tiempo para cada miembro del set de datos.
• Ejemplo: 10 años de datos de salario, educación y empleo sobre un set de individuos.
• Diferencias con los anteriores es que los mismos individuos, firmas o países, son
seguidos por varios años.
• Datos de panel: cada individuo con todos sus años de datos.
• Mas difíciles de obtener
• Varias ventajas:
 Control de ciertas características no observadas de individuos, firmas, etc.
 Facilita estudios de causa-efecto (inferencia causal)
 Permite estudiar los efectos del rezago en el comportamiento o resultado.
• Para muchos estudios, datos de panel son fundamentales.

27

Datos de panel para dos años

28

28

14
 11-04-2022

Causalidad y la noción de ceteris paribus en econometría

• Normalmente se busca encontrar relaciones causa-efecto (ejemplo, educación sobre

productividad del trabajador)
• El encontrar una relación entre dos variables sugiere causa-efecto, pero a menos que
esta pueda ser demostrada, no podría asegurarse.
• Noción de ceteris paribus (otros factores relevantes siendo iguales) fundamental en
análisis causal.
 Ej. Demanda de bienes vs precio ( todos los demás factores, ingresos, precio de otros bienes, gustos,
constantes).
• Para el análisis causal, se intenta mantener los demás factores constantes. Ej.
Entrenamiento sobre salario
• En muchas aplicaciones el ceteris paribus es prácticamente imposible ej. Variables que
afectan la actividad criminal.
• Ceteris paribus real, solo en experimentos controlados.
• Métodos enonométricos apropiados pueden simular un experimento ceteris paribus.

29

Algunos conceptos necesarios

• Aleatorio: muestra aleatoria
• Independencia: datos o errores no correlacionados
• Correlación:
Entre Y y X
No existencia de colinealidad

30

15
 11-04-2022

Correlación

31

16