Uso de La Econometria Basica 2020

EL USO DE LA
ECONOMETRÍA
B Á S I C A
+ + + + +
ISBN: 978-958-5123-34-2
Intercepto Variables explicativas Error aleatorio

aleatorio
Error
Mario
Vt = 𝛽0 + 𝛽1 PEt
Eduardo
+ 𝛽2 PCt
+ 𝛽3 GPHidalgo
t
Villota
+ 𝛽4 LGPt
+ 𝛽5 Vt-1 + μt i
ti
}
Componente sistemático Componente
Variable aleatorio
endógena Coeficientes
Mario Eduardo
Hidalgo Villota
Editorial
Universidad de Nariño
Facultad de Ciencias Económicas y Administrativas
Departamento de Economía
Del Autor.
Mario Eduardo Hidalgo Villota. Profesor

Asistente adscrito al Departamento de
Economía de la Universidad de Nariño,
Colombia. Actualmente se desempeña
como Director del mismo Departamento.
Economista de la Universidad de Nariño,
Especialista en Finanzas Públicas de la
Escuela Superior de Administración Pública
(ESAP), Especialista en Gerencia de Proyectos
de la Universidad del Cauca en convenio
con la Universidad de Nariño y Magister en
Políticas Públicas de la Universidad del Valle.
Ex-Director del Centro de Estudios de
Desarrollo Regional (CEDRE) y Ex-Director
de la Oficina de Planeación y Desarrollo
de la Universidad de Nariño. Investigador
asociado al Grupo de Investigación en
Economía, Gobierno y Políticas Públicas de
la Universidad de Nariño.
EL USO DE LA ECONOMETRÍA BÁSICA
Un análisis de caso realizado paso a paso
Mario Eduardo Hidalgo Villota
Facultad de Ciencias Económicas y Administrativas
Departamento de Economía
Hidalgo Villota, Mario Eduardo
El uso de la Econometría Básica: Un análisis de caso realizado paso a paso/ Mario Eduardo Hidalgo.
-1ª.-ed.- Pasto: Editorial Universidad de Nariño, 2020.
305p.: tablas.
Incluye bibliografía
ISBN 978-958-5123-34-2
1. Econometría-enseñanza aprendizaje 2. Econometría básica 3. Econometría--ejercicios prácticos

4. Análisis económico aplicado.
330.015195 H632 -SCDD-Ed 22 Biblioteca Alberto Quijano Guerrero

Un análisis de caso realizado paso a paso
© Mario Eduardo Hidalgo Villota

mariohidalgo@udenar.edu.co
© Editorial Universidad de Nariño
ISBN: 978-958-5123-34-2
Primera Edición
Corrección de Estilo: Mg. Manuel E. Martínez R.

Diseño y Diagramación: María Elena Mesías P.
Centro de Publicaciones Universidad de Nariño
Fecha de Publicación: Octubre de 2020

San Juan de Pasto - Nariño - Colombia
Prohibida la reproducción total o parcial, por cualquier

medio o con cualquier propósito, sin la autorización
escrita de su Autor o de la Editorial Universidad de
Nariño.
Las bases de datos en archivos excel y wf1 (EViews) que acompañan

este texto, se pueden descargar en el siguiente link:
http://sired.udenar.edu.co/6846/
AGRADECIMIENTOS
El autor expresa su profundo agradecimiento académico a Alonso

Antón, A.; Fernández Macho, J. & Gallastegui Zulaica, I., catedráticos de
Econometría de la Universidad del País Vasco/Euskal Herriko Unibertsitatea
(España), autores del libro Econometría publicado por la editorial Pearson
Prentice Hall en 2005, por su generosidad, al haber permitido utilizar el
formato de la historieta que se desarrolla en este documento, así como las
bases de datos incluidas en su libro de texto. A ellos, mi más sincera gratitud.
[El concepto de la Historia de la Editorial, las bases de datos y la Figura

6.1 han sido tomadas de: Alonso, Fernández y Gallastegui. Econometría.
España. Pearson Prentice Hall, 2005. Reproducidas con autorización]
DEDICATORIA
A la memoria de mis padres y hermana. Donde quiera que estén,

sé que se sentirán orgullosos de mí.
A mi esposa e hijos, por su paciencia y su inmenso amor. Gracias

a ellos por haber cedido de manera generosa y desinteresada,
parte del tiempo de la familia. Ustedes son mi inspiración y el
motor de mi vida.
A los estudiantes de Economía y de otras disciplinas, quienes

inspiran día a día el deseo de engrandecer la profesión del
maestro universitario.
CONTENIDO
INTRODUCCIÓN. 12
1. VENCIENDO EL MIEDO: UNA APROXIMACIÓN

CONCEPTUAL A LA ECONOMETRÍA. 16
1.1 Así comienza la historia de la editorial. 17
1.2 Componentes constitutivos de la econometría. 21
1.3 Diferencias entre un modelo matemático y un modelo
econométrico. 26
1.4 Relaciones estadísticas y relaciones deterministas 33
1.5 Regresión y causalidad. 34
1.6 La causalidad y la noción de ceteris paribus en el análisis
econométrico. 35
1.7 Regresión y correlación. 35
1.8 Denominación de las variables en un modelo econométrico. 37
1.9 Etapas en la elaboración de un modelo econométrico. 39
1.9.1 Especificación. 39
1.9.2 Estimación. 39
1.9.3 Validación. 40
1.9.4 Uso del modelo econométrico. 40
2. ENCARANDO EL MODELO DE REGRESIÓN LINEAL

GENERAL: ESPECIFICACIÓN Y ESTIMACIÓN. 41
2.1 Formalización de la discusión. 41
2.1.1 Relación entre dos variables. 43
2.1.2 Interpretación de los coeficientes. 57
2.1.3 Coeficiente de determinación (R2). 71
2.1.4 El coeficiente de determinación ajustado (R2). 76
2.1.5 Coeficiente de correlación. 79

GENERAL: ESPECIFICACIÓN Y ESTIMACIÓN. 85
3.1 Especificación del modelo. 92
3.2 Estimación del modelo. 101
3.3 Estadísticos de la estimación. 106

GENERAL: RESTRICCIONES Y CONTRASTES. 113
4.1 Contraste de significancia individual Modelo 1: Regresión simple. 115
4.2 Contraste de significancia individual Modelo 2: Regresión múltiple. 120
4.3 Contraste conjunto del modelo 2. 130
4.4 Contraste de significación para un subconjunto de coeficientes. 135
4.5 Contraste de hipótesis informativas. 136

GENERAL: DIAGNÓSTICO ESTRUCTURAL. 140
5.1 Selección de variables explicativas: error de especificación. 142
5.2 Errores de especificación en las variables explicativas. 143
5.2.1 Omisión de variables relevantes. 144
5.2.2 Inclusión de variables irrelevantes. 147
5.3 Análisis de la estabilidad estructural. 150
5.3.1 Contraste de Chow. 150
5.3.2 Contraste de predicción de Chow. 153
5.3.3 Estimación de residuos recursivos. 155
5.3.4 Estimación de coeficientes recursivos. 156
5.3.5 El contraste de CUSUM de mala especificación. 159
5.3.6 Error de especificación de la forma funcional. 161
5.3.7 Normalidad de las perturbaciones. 164
6. ENCARANDO EL MODELO DE REGRESIÓN
LINEAL GENERAL: PREDICCIÓN. 168
6.1 Intervalo de confianza de la predicción. 176
6.2 Evaluación de la capacidad predictiva del modelo. 176
6.3 Simulación de la capacidad predictiva del modelo. 179
7. FACTORES EXPLICATIVOS CUALITATIVOS

Y VARIABLES FICTICIAS. 215
8. MULTICOLINEALIDAD. 221
9. HETEROSCEDASTICIDAD. 225
9.1 Especificación y causas de la heteroscedasticidad. 226
9.2 Detección de la heteroscedasticidad mediante métodos gráficos. 227
9.3 Detección de la heteroscedasticidad mediante contrastes. 236
9.3.1 Contraste de White. 236
9.3.2 Contraste de Breusch-Pagan-Godfrey. 242
10. AUTOCORRELACIÓN. 248

10.1 Detección de la autocorrelación mediante métodos gráficos. 248
10.2 Detección de la autocorrelación mediante contrastes. 253
10.2.1 El estadístico de Durbin-Watson. 253
10.2.2 Contraste de Breusch-Godfrey. 255
10.2.3 Contraste de Ljung-Box. 257
11. REGRESORES ESTOCÁSTICOS Y MODELOS DINÁMICOS. 261

11.1 Contraste de exogeneidad de Hausman. 273
12. USO DEL MODELO ECONOMÉTRICO PARA FINES DE

CONTROL O DE POLÍTICA. 278
13. UNA SÍNTESIS DE LA HISTORIA DE LA EDITORIAL. 283

13.1 Planteamiento de la teoría o hipótesis relacionada con
las ventas de la editorial. 283
13.2 Especificación del modelo matemático de ventas de la editorial. 284
13.3 Especificación del modelo econométrico de ventas de la editorial. 284
13.4 Estimación de los parámetros del modelo econométrico
de las ventas de la editorial. 285
13.5 Prueba de hipótesis del modelo econométrico de ventas
de la editorial. 286
13.6 Predicción. 287
13.7 Uso del modelo para fines de control o de política. 290
14. LIMITACIONES DE LA ECONOMETRÍA. 298
BIBLIOGRAFÍA. 300
LISTA DE TABLAS
Tabla 1.1 Elementos que conforman la econometría. 21

Tabla 1.2 Ventas trimestrales de libros 2009-2018
(pesos constantes de 2009). 31
Tabla 1.3 Denominación de las variables. 38
Tabla 2.1 Relación de ventas trimestrales de la editorial 2009-2018. 52
Tabla 2.2 Resultados MCO de las ventas contra el precio. 56
Tabla 2.3 Interpretaciones de los coeficientes. 58
Tabla 2.4 Resultados MCO de ventas contra el logaritmo
natural del precio 65
Tabla 2.5 Resultados MCO del logaritmo natural de ventas
contra el precio. 67
Tabla 2.6 Resultados MCO del logaritmo natural de las
ventas contra el logaritmo natural del precio. 68
Tabla 2.7 Interpretaciones de los coeficientes o parámetros
de los modelos de ventas de la editorial. 69
Tabla 2.8 Informacion para la estimacion del coeficiente
de determinación. 76
Tabla 2.9 Informacion para la estimacion del coeficiente de
correlación lineal. 80
Tabla 2.10 Coeficiente de correlación lineal. 83
Tabla 3.1 Ventas trimestrales de libros 2009-2018
(pesos constantes de 2009). 89
Tabla 3.2 Tasa de crecimiento anual media de las variables del modelo. 92
Tabla 3.3 Matriz de correlación lineal. 98
Tabla 3.4 Estadísticos descriptivos. 99
Tabla 3.5 Variables del modelo de la editorial. 100
Tabla 3.6 Estimación del modelo por MCO. 102
Tabla 3.7 Intervalos de confianza. 104
Tabla 3.8 Matriz de coeficientes de Covarianza. 112
Tabla 4.1 Modelo 1. Ventas de la editorial. 117
Tabla 4.2 Prueba de Wald. 120
Tabla 4.3 Modelo 2.Ventas de la editorial. 121
Tabla 5.1 Prueba de variables omitidas. 146
Tabla 5.2 Prueba de variables redundantes. 149
Tabla 5.3 Prueba de Chow. 152
Tabla 5.4 Prueba de pronóstico de Chow. 154
Tabla 5.5 Contraste de RESET de Ramsey. 163
Tabla 6.1 Evaluación del pronóstico. 178
Tabla 6.2 Estimación del modelo de ventas de la editorial. 180
Tabla 7.1 Horas de lectura semanales. 187
Tabla 7.2 Estimación del modelo de ventas contra el efecto
estacional. 188
Tabla 7.3 Estimación del modelo con variables cualitativas. 191
Tabla 7.4 Estimación del modelo de ventas con variables
cuantitativas y cualitativas. 193
Tabla 7.5 Variables cuantitativas y cualitativas
(efecto estacional). 195
Tabla 7.6 Variables cuantitativas y cualitativas (efecto estacional
y gasto en publicidad en periodo vacacional). 197
Tabla 7.7 Estimación modelo de ventas con efecto estacional
y gasto en publicidad en periodo vacacional. 198
Tabla 7.8 Estimación modelo de ventas con gasto en
publicidad en periodo vacacional. 201
Tabla 7.9 Estimación modelo utilizando distintas variables
cualitativas. 203
Tabla 7.10 Estimación modelo lectura contra edad de los
clientes y aparatos en el hogar. 204
Tabla 7.11 Estimación modelo utilizando distintas variables
cualitativas. 207
Tabla 7.12 Estimación modelo lectura contra variables
cualitativas relevantes. 208
Tabla 7.13 Estimación modelo lectura contra educación
de las clientes mujeres. 210
Tabla 7.14 Estimación modelo lectura contra mujeres
con educación universitaria. 211
Tabla 7.15 Estimación modelo final de lectura. 212
Tabla 8.1 Matriz de correlación lineal. 218
Tabla 8.2 Regresiones auxiliares: Precio medio de la editorial. 220
Tabla 8.3 Regresiones auxiliares: Precio medio de la competencia. 220
Tabla 8.4 Regresiones auxiliares: Gasto en publicidad. 221
Tabla 8.5 Regresiones auxiliares: Renta personal. 221
Tabla 9.1 Contraste de Glesjer. 236
Tabla 9.2 Detección de heteroscedasticiad (contraste de White). 237
Tabla 9.3 Prueba de heteroscedasticidad de White. 238
Tabla 9.7 Prueba de heteroscedasticidad de Breusch-Pagan-Godfrey. 244
Tabla 9.8 Estimador robusto de White 246
Tabla 9.9 Estimador robusto de White-Hinkley. 247
Tabla 10.1 Breusch-Godfrey Serial Correlation LM Test. 256
Tabla 11.1 Estimación modelo final de ventas de la editorial. 269
Tabla 11.2 Contraste Breusch-Godfrey Serial Correlation LM Test. 271
Tabla 11.3 Estimación del modelo por el método de mínimos
cuadrados en dos etapas. 275
INTRODUCCIÓN
El libro que el lector tiene en sus manos, no es precisamente un manual

de econometría, ni tampoco pretende ser considerado como tal; más bien,
es un complemento a los excelentes textos de econometría y de economía
aplicada disponibles en las librerías en el mundo que sirven de soporte para
la enseñanza-aprendizaje de este campo disciplinar que forma parte de los
planes de estudio tanto de pregrado como de posgrado en economía y en otras
ciencias sociales. El propósito de esta obra es que el estudiante logre vencer el
miedo cuando se enfrenta al estudio de esta disciplina y de servir de guía para
el aprendizaje de algunos aspectos fundamentales de la econometría.
Este objetivo académico se pretende lograr mediante una historieta divertida

que narra un hecho económico cotidiano en la economía de mercado como
la teoría de la demanda, cuyos interrogantes son resueltos por los personajes
que participan en ella, de manera secuencial y didáctica mediante el análisis
econométrico.
La pretensión del autor es que los estudiantes y otras personas interesadas

en el estudio de la econometría, pueda comprender de manera fácil y amena, el
instrumental básico de que dispone esta herramienta para el análisis económico
aplicado. Si bien, el estudio de la econometría es un tema un tanto complejo
y poco atractivo para los estudiantes y profesionales universitarios, el interés
académico se enfoca en simplificar el entendimiento de la econometría básica
a partir del desarrollo de un caso práctico, considerando dos enfoques: por un
lado, mediante procedimientos manuales –que permitan apreciar de manera
fácil y clara–, cómo se estiman los coeficientes o parámetros de un modelo
MARIO EDUARDO HIDALGO VILLOTA
13
econométrico, y segundo, mediante la automatización con la ayuda del

software econométrico EViews 10, realizar paso a paso las rutinas necesarias
para construir un modelo econométrico capaz de explicar y predecir un
fenómeno económico cotidiano, en este caso, las ventas de una editorial. Hoy,
el uso de la econometría es más simple, precisamente por la disponibilidad de
software científico tanto de tipo comercial como libre.
Este libro además de los beneficios descritos, le permite comprender al

lector cómo hoy, los paquetes econométricos procesan cuantiosa información
de manera precisa, veloz y a un bajo costo, dentro de la lógica de un proyecto
de investigación econométrica, asunto que hace un par de décadas hubiese sido
prácticamente imposible. Si bien, el uso de la tecnología vuelve más simple la
práctica econométrica, en ningún modo, puede convertirla en algo mecánico.
El contenido de este trabajo está inspirado en el modo innovador y

pedagógico como Alonso Antón, A., Fernández Macho, J. & Gallastegui
Zulaica, I., catedráticos de econometría de la Universidad del País Vasco
(España) escribieron su libro de texto: Econometría publicado en 2005 por
la prestigiosa editorial Pearson Prentice Hall, quienes pretenden enseñar de
modo didáctico esta compleja, y a la vez apasionante, técnica del análisis
económico. Asumiendo este reto académico, el autor intentará interpretar y
complementar el brillante trabajo realizado por los docentes mencionados,
para lo cual se ha mantenido los nombres de los personajes de la historieta
(Don Pablo y su hijo Emilio), parte de sus diálogos y discusiones teóricas y
empíricas en torno al mejor modelo que explica las ventas de la editorial, así
como una parcela significativa de la información contenida en las bases de
datos que acompañan el mencionado libro de texto.
En síntesis, mediante un trabajo detallado y minucioso que se va

enriqueciendo de capítulo en capítulo se ha intentado adentrarse en la
comprensión y uso de la econometría básica conservando la esencia del
mensaje y la doctrina académica de Alonso, Fernández & Gallastegui (2005).
No es intención del presente libro, hacer una exposición teórica detallada y

exhaustiva de cada uno de los temas que se abordan en un curso de econometría
14
básica, sino más bien, exponer un par de conceptos claves haciendo uso del
mínimo instrumental matemático y estadístico, privilegiando ante todo, las
aplicaciones econométricas partiendo de un modelo específico que recoge
la teoría del modelo lineal de regresión simple hasta transformarse en un
modelo multivariado que incorpora variables ficticias e instrumentales. Estoy
seguro que un estudio de caso como el aquí propuesto, seduce al estudiante y
al profesional universitario en economía y en otras disciplinas, a interesarse
por el aprendizaje de la econometría, la que en palabras de Gujarati (2010),
la cual le ha dado contenido empírico a gran parte de la teoría económica.
A lo largo de sus catorce capítulos, con el estudio de caso desarrollado

paso a paso, este libro aborda de manera general pero comprensible la
temática fundamental de un curso de introducción a la econometría. Por su
alcance, no pretende profundizar en la utilización de fórmulas estadísticas
y comprobaciones matemáticas, y menos, en el excesivo acervo teórico
que caracteriza a los manuales de econometría. Como estrategia didáctica,
el estudio de caso aquí desarrollado atraviesa los aspectos esenciales de la
econometría mediante aplicaciones que el estudiante puede replicar a partir
de las bases de datos utilizadas en este libro.
En el apéndice de este documento no se incluyen las tablas estadísticas

como suele ocurrir con los manuales de estadística y econometría. En su
lugar, se propone que el estudiante curioso utilice el buscador de valores en
las tablas estadísticas disponible en el software econométrico GRETL de uso
gratuito, como se propone en el capítulo 4. Esto ahorrará esfuerzo y tiempo
El capítulo 1 hace una aproximación conceptual a la econometría desde

la perspectiva del estudio de caso en cuestión; la especificación y estimación
del modelo de regresión lineal simple se encara en el capítulo 2; el capítulo 3
desarrolla el modelo de regresión lineal general en lo que a especificación y
estimación se refiere; el capítulo 4 se ocupa de las restricciones y contrastes
del modelo de regresión lineal general; el capítulo 5 desarrolla las pruebas
de diagnóstico y especificación del modelo lineal general; el capítulo 6 se
dedica la predicción y evaluación de la capacidad predictiva del modelo;
15
el capítulo 7 se ocupa de los factores explicativos cualitativos y variables

ficticias; el capítulo 8 se ocupa de la multicolinealidad; los capítulos 9 y 10 de
la heteroscedasticidad y autocorrelación, respectivamente; en el capítulo 11
se estudia los regresores estocásticos y los modelos dinámicos; en el capítulo
12 aborda el uso del modelo econométrico para fines de control y de política;
en el capítulo 13 se hace una síntesis de la historia de la editorial donde se
resalta la evolución del modelo econométrico desde un modelo simple hasta
uno más sofisticado que responde a las expectativas de los personajes de la
historieta; y finalmente, considerando que la econometría no es perfecta,
en el capítulo 14 se exponen algunas de sus limitaciones expuestas por sus
opositores, sobre las cuales los expertos vienen desarrollando investigación
que permita superar sus puntos débiles.
Capítulo 1
VENCIENDO EL MIEDO:
UNA APROXIMACIÓN
CONCEPTUAL A LA
ECONOMETRÍA
Para Portillo (2006), la concepción moderna de la ciencia económica, que

surgió con la revolución marginal, incorporó el lenguaje matemático en la
construcción de esta ciencia social. Jevons (1886: 321), uno de los pioneros
de este enfoque, afirma: “que la economía, científicamente hablando, (...) es
una especie de matemática que calcula las causas y los efectos de la actividad
humana”. Ya en los inicios de la econometría como disciplina científica,
Schumpeter (1933) califica a la economía como la más cuantitativa, no sólo
de las ciencias sociales, sino de todas las ciencias, argumentando que los
componentes fundamentales de los fenómenos económicos son cuantificables.
Para este autor, la econometría es el reconocimiento explícito de este hecho y
el intento de hacer frente a sus consecuencias (p. 3).
La aproximación al conocimiento y uso de la econometría se hará a partir

del desarrollo de una divertida historieta protagonizada por dos personajes
peculiares que discuten apasionadamente diferentes posiciones (hipótesis)
sobre los factores determinantes de las ventas realizadas por la empresa
editorial “El mejor libro”, cuyo fundador y líder es Don Pablo, un hombre de
negocios de ideas conservadoras, y a la vez, extremadamente curioso. Don
Pablo es asistido en la gestión de la editorial por su hijo Emilio, una persona
joven, de ideas liberales, con formación universitaria y acervo teórico,
quien considera que los negocios, hoy, se administran a partir de decisiones
fundamentadas en la teoría, en la experiencia y con el uso de un buen modelo
que se aproxime a la realidad.
17
Desde su experiencia y conocimiento del mundo editorial, cada uno de

estos divertidos personajes exponen sus tesis o hipótesis sobre las variables
más influyentes en las ventas de la editorial; preliminarmente, desde una
posición teórica basada en el razonamiento lógico y en las percepciones
individuales, y luego, apoyados en evidencia empírica.
1.1 Así comienza la historia de la editorial ...
La Editorial “El mejor libro” es una empresa familiar muy tradicional con
más de medio siglo de existencia dedicada a la comercialización de diferentes
tipos de libros nacionales y extranjeros, desde obras de literatura básica hasta
volúmenes especializados en distintas áreas del conocimiento. En ocasiones
excepcionales, la editorial se ha responsabilizado del diseño gráfico y del
tiraje de algunas obras de interés cultural regional y nacional, en particular,
cuando éstas requieren un toque diferenciador.
La editorial se encuentra administrada por Don Pablo, su fundador, quien

trabaja en este sector desde muy joven. En los últimos años su hijo Emilio
ha comenzado a trabajar en la editorial con la intención de hacerse cargo del
negocio familiar cuando su padre se retire. Las dos generaciones, a pesar
de llevarse muy bien, tienen distinta manera de entender el mundo editorial.
Por esta razón, discuten con frecuencia sobre la política comercial que debe
orientar mejor la selección de libros que comercializa la editorial.
Don Pablo con su vasta experiencia como librero considera que el elemento
clave para incrementar las ventas de la empresa, es esencialmente, el precio
de los libros. Según su razonamiento y experiencia acumulada, deduce que a
precios bajos las ventas aumentan, pero ante aumentos del precio, las ventas
se estancan o disminuyen (Don Pablo, no siendo economista, ha descrito de
manera muy clara y sabia, la ley de la demanda1). Don Pablo apoyado en este
argumento, proporciona a su hijo la información que registra las ventas de la
editorial por cada trimestre en los últimos diez años (2009-2018) extractados
1 La ley de la demanda refleja la relación existente entre la cantidad demandada de un

bien o un servicio.
18
de la contabilidad junto con el precio promedio2 de los libros. En resumidas

cuentas, la hipótesis de Don Pablo se sustenta en la intuición y experiencia
personal de que el precio es la variable explicativa de las ventas, lo demás es
poco significativo.
Emilio, en cambio, no considera que el precio sea determinante de las

ventas. Por su parte, él sostiene que el acceso a los medios de comunicación
electrónicos (páginas web, tiendas virtuales, redes sociales, entre otros) ha
hecho cambiar muy rápidamente la forma de considerar a los libros por parte
de sus potenciales compradores, por lo que estaría dispuesto a afirmar que,
en algunas circunstancias, incluso podría darse el caso de que las ventas de
libros aumenten ante incrementos en el precio. Además, agrega que el precio
de la competencia y la renta personal de los clientes, también son factores
explicativos de dichas ventas.
De este modo, la historieta parte de dos hipótesis fundamentales que el

instrumental econométrico debe resolver:
• Hipótesis 1: Según Don Pablo, el precio es la variable determinante de

las ventas de la editorial, no haya otra igual.
• Hipótesis 2: De acuerdo a Emilio, aunque el precio explica en cierto

modo las ventas de la editorial, el precio de la competencia, el gasto
en publicidad y la renta personal de los clientes son también factores
significativos, los cuales deben ser incorporados al modelo explicativo.
Debido a que ninguno de los dos está dispuesto a ceder en sus opiniones,
deciden buscar la manera de dirimir la cuestión basándose en la información
que tienen sobre las ventas de la editorial. Emilio recuerda que en su época
de estudiante de economía, recibió un curso de econometría; sus profesores
Alfonso, Fernández & Gallastegui (2005) en aquel entonces exponían la
necesidad de relacionar variables económicas para determinar los efectos
2 Como la librería vende muchos volúmenes a diferentes precios según las características especí-
ficas de cada libro, para efectos de simplificación del análisis se estima un precio medio como
resultado de sumar las ventas totales anuales y dividirlas sobre el número de ejemplares vendi-
dos en cada año.
19
causales de una o más variables explicativas sobre una variable dependiente

y de este modo demostrar o no, los efectos o cambios provocados por una
variable sobre otra. Este tipo de recuerdos, un tanto vagos, despierta en Emilio,
el interés de desempolvar su biblioteca de economía; pero antes de empezar
con el estudio de los temas de su interés y decidido a derrumbar la hipótesis
de su padre, considera importante comprender el concepto de econometría
para luego explicar a su padre, cómo el uso de esta herramienta puede ayudar
a contrastar dos opiniones hasta el momento divergentes y explicar cuál de
los dos tiene la razón.
Aunque Emilio encuentra en su colección de libros, varios manuales de

econometría (unos muy simples y abstractos y otros sumamente rigurosos y
avanzados), le llama la atención, uno en especial. Se trata del libro titulado:
ECONOMETRÍA de sus maestros Alonso, Fernández & Gallastegui,
catedráticos de econometría de la Universidad del País Vasco (España). Para
Emilio, este libro toca casi todos los aspectos de la econometría básica e
intermedia y está escrito en un lenguaje accesible y ameno; además, de ser la
fuente de inspiración de esta historieta que se desarrolla a lo largo del presente
texto, con la que se pretende que el lector apropie con mayor facilidad los
aspectos fundamentales de la econometría básica.
Emilio empieza su exposición diciendo que no hay un concepto o definición

de econometría única. Como lo señalan jocosamente Stock y Watson (2012:1):
“Pegunte a media docena de económetras qué es la econometría y obtendrá

media docena de respuestas diferentes”.
También le parece interesante la definición de Maddala (1996:1) quien

afirma que:
“la econometría es la aplicación de métodos estadísticos y matemáticos al

análisis de datos económicos con el propósito de dar contenido empírico a las
teorías económicas y verificarlas o refutarlas”.
Removiendo el baúl de los recuerdos, Emilio encuentra una definición

suficientemente completa de la econometría que ofrece Judge et al, (1988),
apuntando que:
20
La econometría, utilizando teoría económica, economía matemática e inferencia

estadística como fundamentos analíticos y los datos como fuente de información,
proporciona a la ciencia económica una base para: 1) modificar, refinar o posiblemente
refutar las conclusiones contenidas en el cuerpo de conocimientos, conocido como
teoría económica; y 2) conseguir signos, magnitudes y proposiciones fiables acerca
de los coeficientes de las variables en las relaciones económicas, de modo que esta
información pueda servir de base para la toma de decisiones y la elección (p. 1).
Como puede observarse, Emilio encuentra en los libros de texto diver-

sas definiciones de econometría, desde la definición etimológica (econo-
metría = medición económica) hasta otras más sofisticadas, pero se inclina
por la definición incluida en el libro de sus profesores Alonso, Fernández
& Gallastegui (2005:2), la cual se considera incluyente, sencilla, concisa,
de fácil memorización y que de manera simple integra los aspectos funda-
mentales de la econometría:
“La econometría se ocupa de formular relaciones entre variables

económicas, cuantificarlas y valorar los resultados obtenidos”.
Por su parte, Gujarati (2010) concluye que “la teoría económica hace
afirmaciones o formula hipótesis de naturaleza sobre todo cualitativa. Por
ejemplo, la teoría microeconómica establece que, si no intervienen otros
factores, se espera que la reducción del precio de un bien aumente la cantidad
demandada de ese bien. Así, la teoría económica establece una relación
negativa o inversa entre el precio y la cantidad demandada de un bien. Pero la
teoría por sí sola no proporciona medida numérica alguna de la relación entre
los dos; no dice cuánto aumentará o se reducirá la cantidad como resultado de
un cambio determinado en el precio del bien. El trabajo del econometrista es
proporcionar tales estimaciones numéricas. En otras palabras, la econometría
da contenido empírico a gran parte de la teoría económica” (p. 2). Esta última
frase despierta el interés de Emilio, donde a la econometría se le otorga un
gran papel.
Adentrándonos un poco más en el tema de discusión, en la hipótesis de Don

Pablo, existe una relación estrecha entre las ventas de la editorial y el precio
de los libros, y en la opinión de su hijo Emilio, la relación entre las ventas y
el precio de la competencia, el gasto en publicidad y el ingreso personal es
21
mucho más estrecha que la primera; se advierte que Emilio no desconoce que
el precio ejerce algún efecto sobre las ventas de libros. Aunque los dos perciben
la existencia de relaciones entre las variables económicas en cuestión, hasta
el momento no han logrado cuantificar y valorar dichas relaciones. Ante esto,
Emilio le comenta a su padre que la econometría precisamente proporcionará
la respuesta a favor o en contra de las afirmaciones de cada uno. Las palabras
de Emilio, en realidad, no logran convencer aún a Don Pablo, quien se sostiene
firmemente en su opinión inicial.
Si hay algo que caracteriza a Emilio, es su carácter y su espíritu de

búsqueda de la verdad. Él tiene un reto muy grande: demostrar que su padre
está equivocado en su apreciación. Para ello decida armar una argumentación
sólida en torno a la bondad de la investigación econométrica.
1.2 Componentes constitutivos de la econometría.
La econometría en su función de formular relaciones entre variables

económicas, cuantificarlas y valorar los resultados obtenidos como se verá
enseguida, fusiona tres elementos esenciales para darle consistencia al
análisis económico, tales como: 1) Teoría económica, 2) datos y 3) estadística
inferencial, como se muestra en la Tabla 1.1.
Tabla 1.1.
Elementos que conforman la econometría.
Elementos Descripción
Se ocupa del análisis de la economía, utilizando el método
científico, con el fin de establecer leyes generales en el
comportamiento económico que se traducen en la existencia
de relaciones estables entre variables relevantes de la
Teoría económica economía. En el caso que nos ocupa, la relación negativa o
inversa entre las ventas de libros (Vt) y el precio promedio
(Pt) de los ejemplares, según la opinión de Don Pablo. Este
relacionamiento de variables se halla soportado en la ley de la
demanda antes explicada.
22
El análisis que se realiza se refiere a una realidad concreta,

representada por los valores que se hayan observado para las
diferentes variables involucradas en el análisis. En este caso,
Datos
se cuenta con información estadística de ventas y precios
promedio con frecuencia trimestral a lo largo del tiempo (series
temporales) para el periodo 2009-2018.
Proporciona una estructura básica de métodos de tratamiento

de datos que permiten tanto cuantificar las relaciones entre las
variables de manera adecuada como valorar los resultados de
Estadística
acuerdo con estándares establecidos. En este caso, inicialmente
se considera el uso de la técnica de mínimos cuadrados
ordinarios como la más adecuada.
Fuente: Elaboración propia.
Emilio uniendo la esencia de los tres elementos arriba enunciados, llega a

la misma definición de sus maestros Alonso et al, (2005:2):
“La econometría se ocupa de formular relaciones entre variables

económicas, cuantificarlas y valorar los resultados obtenidos”.
Emilio necesita convencer a su padre de que la técnica propuesta, es

en verdad confiable y contundente. Para lograr este cometido, de manera
ingeniosa, a la definición anterior, le da un matiz mucho más aplicado y
convincente. Él sabe que su padre como hombre pragmático es poco amante
de los procedimientos estadísticos y de la rigurosidad científica, por ello,
decide simplificar el concepto de econometría del siguiente modo:
¡Padre!, en el caso que nos ocupa y ante la necesidad de conocer quién de

los dos tiene la razón, te propongo que se resuelva la validez de cada una de
nuestras hipótesis, a partir del relacionamiento estadístico de las ventas de los
libros con el precio promedio de los mismos, a fin de valorar el efecto que
ejerce el precio promedio sobre las ventas totales. Por favor, proporcióname la
información (base de datos) de las variables en cuestión, y yo haré el análisis
pertinente. Posteriormente, se discutirá los resultados; espero que al final de
este ejercicio, puedas convencerte de que tu tesis es equivocada.
23
Como puede verse, Emilio cuenta con los elementos fundamentales

para contrastar la hipótesis de su padre. Primero, tiene a la mano una teoría
económica ampliamente aceptada (la ley de la demanda); segundo, la
editorial cuenta con una base de datos histórica con información de ventas
trimestrales y de precios promedio por ejemplar; y tercero, dispone de un
modelo econométrico y de un método estadístico robusto como mínimos
cuadrados ordinarios (MCO) para cuantificar el efecto del precio sobre las
ventas de los libros de la editorial.
Don Pablo escuchando la exposición de su hijo Emilio, siente una

confusión con respecto a los términos modelo económico, modelo matemático
y modelo econométrico. Para él estos conceptos comparten algo en común:
son una perdedera de tiempo y demasiado esfuerzo intelectual; sin embargo, a
regañadientes acepta que su hijo le explique de manera muy didáctica en qué
consiste la modelación econométrica.
Recordando a sus mencionados profesores, Emilio empieza su exposición,

hilando tres elementos:
Elemento 1: Teoría económica
Emilio le explica a su padre que la lógica más sencilla indica que existe
una relación inversa o negativa entre las ventas y el precio, que se puede
representar a través de la siguiente función:
Ventas = ƒ (Precio)
(-)
Donde ƒ(.) es una función genérica y el signo (-) indica que, de acuerdo
con la teoría, las ventas crecen si el precio se reduce y viceversa.
Emilio con el desarrollo de este paso, ha formalizado un modelo económico

que resume el comportamiento de las ventas de la editorial, pero con poca
información aportante. Indudablemente, Don Pablo requiere un modelo
específico que establezca cómo reaccionan las ventas de la editorial ante
cambios en el precio promedio de los libros.
sntas
sde
de lalade
de la editorial
laeditorial
editorial
editorial
ndudablemente,
Indudablemente, ante
ante
Don
ante
ante
Don
Pablo
cambios
cambios
cambios
cambios
Pablo enen
requiere
en
elel
en
requiereel el precio
precio
precio
un precio
un
promedio
promedio
promedio
modelo promedio
modelo dede
específico de
específicolos
que
de
los
los
que
los
libros.libros.
libros.
libros.
establezca
establezcacómo
cómo
reaccionan
reaccionan
laslas
Emilio
milio
milio
io
ventas
ventas recuerda
recuerda
recuerda
recuerda
dede
la la una
una
unauna
vez
editorial vez
vez
editorial
antevez
más
másmás
ante más
las
laslas
cambios las elenseñanzas
enseñanzas
enseñanzas
cambios enseñanzas
enen el
preciodede
precio de
susde
sus
sussus maestros
maestros
maestros
promedio maestros
promediodede Alonso,
loslos Alonso,
Alonso,
Alonso,
libros.
libros. Fernández
Fernández &&& &
Fernández
Fernández
allastegui
stegui
Emilio
Emilio
(2005)
astegui
egui (2005)
(2005)
recuerda
recuerda
(2005) quienes
24quienes
una
quienesuna
vez
quienes vezafirman
afirman
más
afirmanmás
las
afirman que
las
que que creer
creer
enseñanzas
que que
enseñanzas
creer
creer
que que
lala
delade
que sus lamaestros
sus variable
variable
maestros
variable
variable explicativa
explicativa
Alonso,
Alonso,
explicativa Precio
Precio
Fernández
Fernández
explicativa
Precio
Precio & promedio
&promedio
promedio dede
promedio lalade
de la la
Gallastegui
Gallastegui
itorial
ial
rial (𝒫𝒫𝒫𝒫
(𝒫𝒫𝒫𝒫
l (𝒫𝒫𝒫𝒫 (2005)
))se
) se
(𝒫𝒫𝒫𝒫 se )(2005)
quienes
quienes
se relaciona
relaciona
𝓉𝓉relaciona dede
relaciona afirman
de afirman
de
manera
manera
manera que
que
maneracreer
creer
estable
estable
estableque
que
estable
con
concon la
las la
variable
con
las
lasvariable
las
ventas
ventas explicativa
explicativa
ventas
(𝒱𝒱(𝒱𝒱
ventas (𝒱𝒱)(𝒱𝒱 Precio
)significa
) significa Precio
significa promedio
𝑡𝑡 ) significa
promedio
pensar
pensar
pensar
pensarenen
endede
en
una
una launa
una la
𝓉𝓉 𝓉𝓉𝓉𝓉 Emilio recuerda una vez más las enseñanzas 𝑡𝑡 𝑡𝑡𝑡𝑡 de sus maestros Alonso,
ditorial
editorial
ación en(𝒫𝒫𝒫𝒫las 𝓉𝓉 )Fernández
(𝒫𝒫𝒫𝒫 𝓉𝓉se
que) se
relaciona
relaciona
los &dedeGallastegui
manera
coeficientes manera estableestable
permanezcan (2005)
concon quienes
laslas
ventas
ventas
constantes(𝒱𝒱afirman
(𝒱𝒱
𝑡𝑡 ) 𝑡𝑡significa
) significa
durante que creer
pensar
elpensar enque
periodo en
una laanálisis.
una
de variable
nón enen
ón enlaslaslas
que que
que los los
los coeficientes
coeficientes
coeficientes permanezcan
permanezcan
permanezcan constantes
constantes
constantes durante
durante
durante elelperiodo
elperiodo
periodo dede
de análisis.
análisis.
análisis. De DeDe
De
explicativa Precio promedio de la editorial (PEt) se relaciona de manera
elación
relación enen laslas que queloslos
coeficientes
coeficientes permanezcan
permanezcan constantes
constantes durante
durante el el periodo
periodo dede
análisis.
análisis.DeDe
ro
ado,
o,
ado,lado,
introducir introducir
introducir
introducir datos
estable
datosdatosdatos numéricos
numéricos
con
numéricos
numéricos y ybuscar
las ventas ybuscar y(Vbuscar
buscar ) igualdades
igualdades
significa
igualdades
igualdades pensar
supone supone
supone
supone en obtener
obteneruna
obtener obtener
relación
valores valores
valores
valores en lascambiantes
cambiantes
cambiantes que los
cambiantes
t
otrootrolado,lado, introducir
introducir datos
datosnuméricos
numéricos y buscar
y buscar igualdades
igualdades supone
coeficientes permanezcan constantes durante el periodo de análisis. De otrosupone obtener
obtener valores
valorescambiantes
cambiantes
ra
os
esos esos
soscoeficientes.coeficientes.
coeficientes.
coeficientes. LaLaLa La
soluciónsolución
solución
solución sesese se encuentra
encuentra
encuentra
encuentra añadir
añadir añadir
añadiralalal al modelo
modelo
modelo
modelo unun un nuevo un
nuevo
nuevo nuevo elemento,
elemento,
elemento,
elemento, alalque alseque
alque
que se se
se
paraparaesos esos
lado,
coeficientes.
coeficientes.
introducir
LaLasolución
datos
solución se se
numéricos
encuentraencuentra
y
añadir
buscar
añadiral al
modelo
igualdades
modelo unun nuevo nuevo
supone
elemento,
obtener
elemento, al al
queque
valores
se se
notará
ará 𝜇𝜇 𝜇𝜇
llamado
áará𝜇𝜇𝓉𝓉𝜇𝜇𝓉𝓉llamado cambiantes
llamado término
término para
de deesos
error error coeficientes.
estocástico estocástico o La
o solución
perturbación.
perturbación. se encuentra
Emilio Emilio añadir
comprende
comprende al
que modelo
que
ante ante
laslas
las
𝓉𝓉 llamado
𝓉𝓉 término
término dede error
error estocástico
estocástico o perturbación.
o perturbación. EmilioEmilio comprende
comprende queque ante
antelas
denotará𝜇𝜇𝓉𝓉𝜇𝜇llamado
denotará 𝓉𝓉unllamado término
término de de
error
error estocástico
estocástico o perturbación.
o perturbación.
nuevo elemento, al que se denotará μt llamado término de error estocástico EmilioEmilio comprende
comprende quequeante
antelaslas
aciones
ones
nesones inexactas inexactas
inexactas
inexactas entre
oentreentreentre
laslas
las
perturbación. las
ventas
ventas ventas
ventas (𝒱𝒱(𝒱𝒱
Emilio ) y)(𝒱𝒱
𝑡𝑡(𝒱𝒱 )yel )el
y𝑡𝑡el yprecio
el precio
precio
precio promediopromedio
promedio
promedio (𝒫𝒫𝒫𝒫
(𝒫𝒫𝒫𝒫(𝒫𝒫𝒫𝒫 (𝒫𝒫𝒫𝒫
),𝓉𝓉𝓉𝓉),el
),el ),modelo
𝓉𝓉el el modelo
modelo
modelo económico
económico
económico
económico
elaciones
relaciones inexactas
inexactas entre
entre
laslas
ventas
ventas ) comprende
(𝒱𝒱𝑡𝑡𝑡𝑡𝑡𝑡(𝒱𝒱𝑡𝑡y) el
y el
precio
precio que
promedioante(𝒫𝒫𝒫𝒫
promedio las
(𝒫𝒫𝒫𝒫 𝓉𝓉relaciones
𝓉𝓉 ),𝓉𝓉el
), el modelo
modelo inexactas
económico
económico entre las
ventas (Vt) y el precio promedio (PEt), el modelo económico anterior se ha
terior
or se haha se ha transformado en un modelo más realista que el anterior; seprecisamente
está precisamente ante
iorse se
nterior
anterior hasetransformado
transformado
transformado
se
haha transformado enen
transformado
transformado
en
un
enununmodelo
un
modelo
en
en
modelo
un
modelo
un modelo
modelo
más más
más
más másrealista
realista
realista
realista
más
que
realista que
queque
el
que
realista
el
elqueel
el anterior;
anterior;
anterior;
anterior;
anterior;
el anterior; sese sesese
está está
estáestá
está precisamente
precisamente
precisamente
seprecisamente ante ante
ante
ante
está precisamente
ante
denominado
ominado
nominado
minado
l el
denominado
denominado modelo
modelo
modeloante
modelo
modelo el denominado
econométrico.
econométrico.
econométrico.
econométrico.
modelo econométrico.
econométrico. modelo econométrico.
Anatomía
atomíadede
Anatomía
natomía
tomía de de
unun
Anatomía de
un un
ununmodelo
Anatomía
modelo de
modelo
modelomodelo
modelo econométrico
un modelo
econométrico
econométrico
econométrico
econométrico
econométrico general general
econométrico
general
general
general
general
general
𝑦𝑦𝑖𝑖𝑦𝑦𝑦𝑦𝑖𝑖 𝑖𝑖𝑦𝑦𝑖𝑖𝑦𝑦𝑦𝑦𝑖𝑖= ==𝛽𝛽=

𝑖𝑖 = =𝛽𝛽𝛽𝛽𝛽𝛽000+
0
𝛽𝛽𝛽𝛽0+
+ ++𝛽𝛽
0+ 𝛽𝛽 11𝛽𝛽
1𝛽𝛽𝛽𝛽
𝑋𝑋 𝑋𝑋1𝑋𝑋
1𝑋𝑋
𝑖𝑖𝑋𝑋𝑖𝑖𝑋𝑋𝑖𝑖 +
𝛽𝛽
𝑖𝑖 𝑖𝑖1
𝑖𝑖
+++
+ + 𝜇𝜇𝜇𝜇𝑖𝑖 𝜇𝜇𝑖𝑖𝜇𝜇𝑖𝑖𝜇𝜇𝑖𝑖 𝑖𝑖 𝜇𝜇𝑖𝑖
↓↓↓ ↓ ↓
↓sistemática)
↓ ↓↓ ↓
↓ ↓estocástica)
}
(Parte
(Parte
(Parte
(Parte
(Parte
(Parte sistemática)
sistemática)
sistemática)
sistemática)
}
sistemática) (Perturbación
(Perturbación
(Perturbación
(Perturbación
(Perturbación
(Perturbación
estocástica)
estocástica)
estocástica)
estocástica)
estocástica)
Dónde:
Dónde:
Dónde:
nde:
ónde:
de:
𝑦𝑦𝑖𝑖 :𝑦𝑦Es
𝑖𝑖 : Es
la la
variable
variable
que
Dónde:que
se se
quiere
quiereexplicar,
explicar,
también
también
denominada
denominada
variable
variable
dependiente,
dependiente,
endógena,
endógena,
Es
asla la variable
lavariable
variable
variable que
quequeseque
se
se se quiere
quiere
quiere
quiere explicar,
explicar,
explicar,
explicar,
tambiéntambién
también
también denominada
denominada
denominada
denominada variable
variable
variable
variable dependiente,
dependiente,
dependiente,
dependiente, endógena,
endógena,
endógena,
endógena,
xplicada,
explicada, regresada
regresada
yi: Eso la respuesta.
o respuesta.
variable que se quiere explicar, también denominada variable
plicada,
ada,
da,
cada, regresada
regresada
regresada
regresada o o o respuesta.
respuesta.
respuesta.
o respuesta.
𝑋𝑋 :𝑋𝑋Es
: Es
la la dependiente,
variable
variable
utilizada
utilizada endógena,
para
para
explicar
explicar explicada,
laslas
variacionesregresada
variaciones
dede
la la o respuesta.
variable
variable
𝑦𝑦 𝑦𝑦También
También
se se
le le
𝑖𝑖 𝑖𝑖 𝑖𝑖 . 𝑖𝑖 .
a:sla
Es la variable
lavariable
variable
variable : utilizada
utilizada
Xutilizada
utilizada lapara
Es para para
para explicar
explicar
explicar laslas
explicar
variable las las variaciones
variaciones
variaciones
utilizada dede
variaciones
para lalade
de
explicar la variaciones
variable
variable
variable
lalas 𝑖𝑖 . También
𝑦𝑦También
. .También
𝑦𝑦 𝑦𝑦.𝑦𝑦𝑖𝑖También
variable
𝑖𝑖 𝑖𝑖 lelese
de lasese
se le le yi..
variable
denomina
denomina
variable
variable
i explicativa,
explicativa,
independiente,
independiente,
exógena,
exógena,
regresora
regresora
o de
o de
control.
control.
También se le denomina variable explicativa, independiente, exógena,
nomina
mina variable
variable explicativa,
explicativa, independiente, exógena, regresora o control.
de control.
mina
na variable
variable
explicativa,
explicativa,
regresora deindependiente,
o independiente,
independiente,
control. exógena,
exógena,
exógena, regresora
regresora
regresora o ode
odede
control. control.
β0 y β1: Representan los coeficientes (o parámetros) que determinan la relación

entre las variables (ventas y precio promedio). Son constantes y desconocidos,
por lo tanto, se tendrá que estimarlos mediante métodos econométricos.
μi: Es la variable que recoge el resto de efectos presentes en los datos
muestrales no recogidos por las variables explicativas del modelo, también se
le llama perturbación aleatoria o término de error.
i: Representa una observación cualquiera del conjunto de observaciones
presentes en la muestra: i = 1, 2, 3,………, n.
25
La parte sistemática o determinista (β0 - β1Xi) expresa el valor esperado (o

media) de la variable dependiente Y condicionada al valor que tome la variable
explicativa X.
La perturbación o término de error (𝜇i) es una variable aleatoria que

incorpora toda aquella información que no recoge la variable explicativa (X),
es decir, aquello que provoca que una observación o un dato se alejen del
valor esperado de Y para un valor concreto de X.
¿Por qué es importante incluir en un modelo el término de error? La

perturbación3 (𝜇i) puede contener: a) otras variables explicativas, que aun
siendo relevantes no se encuentran especificadas en el modelo de regresión
simple, por ejemplo, el precio de la competencia, el gasto en publicidad, la renta
de los clientes y otras más; b) no se dispone de observaciones muestrales de otras
variables X; y c) refleja errores de medida en la variable dependiente Y.
Ante la argumentación anterior, Emilio decide incluir en su modelo la

parte aleatoria o término de perturbación (𝜇i). Él sabe que la relación entre
las variables económicas (por ejemplo, relación entre las ventas y el precio
promedio) es inexacta (no determinista), por lo tanto, es consciente de que
las ventas de la editorial no dependen exclusiva y absolutamente del precio
de los libros, es decir, hay otras variables como las enumeradas arriba
que también explican las variaciones en las ventas. Precisamente, en la
perturbación se recogerán los efectos de dichas variables no contempladas,
por ahora, en el modelo.
3 Wooldridge (2015: 55) resalta que existe una diferencia entre los errores (perturbaciones) y los re-
siduales, aspecto crucial en la construcción de un estimador de σ2. La ecuación yi = β0 + β1Xi + ui;
i = 1, 2,…, n, muestra cómo escribir el modelo poblacional en términos de una observación muestral
aleatoria como yi = β0 + β1Xi + ui donde ui es el error en la observación i. También se puede expresar
yi en términos de su valor ajustado y su residual como en la ecuación yi = yi + ui, así: yi = β0+ β̂ 1Xi +
ui. Comparando estas dos ecuaciones, se observa que el error aparece en la ecuación que contiene los
parámetros poblacionales β0 y β1. Por otro lado, los residuales aparecen en la ecuación estimada con β̂0
y β̂ 1. Los errores jamás son observables, mientras que los residuales se calculan a través de los datos.
26
A la memoria de Emilio, regresa nuevamente un concepto explicado por

sus influyentes profesores Alonso et al., (2005):
(…) en la perturbación se incluye todo lo que no es estable, ni sistemático, ni predecible,
sino errático” En la perturbación se puede considerar: i) los efectos que influyen
ligeramente en las ventas de cada periodo pero que no están explícitamente recogidos
por el modelo, ii) pequeñas fluctuaciones de los datos y iii) efectos no sistemáticos que
no pueden anticiparse cuándo se producirán y ni en qué cuantía. (p. 6).
1.3 Diferencias entre un modelo matemático y un modelo

econométrico.
Don Pablo siente mucha confusión cuando Emilio habla de modelos,

término recurrente que parece complicarlo todo. Don Pablo decide poner
a prueba a su hijo, pidiéndole una explicación sencilla y breve. Mirando
fijamente a su hijo, le pregunta: Hijo, tú que tanto hablas de modelación
económica, dime: ¿cuáles son las diferencias entre un modelo matemático y
un modelo econométrico? Por favor, evita los tecnicismos en tu explicación.
Emilio en atención a la petición de su padre, empieza por un concepto

general de modelo diciendo lo siguiente: mira papá, cuando una pareja de
recién casados decide construir una vivienda, la cual albergará en un futuro
a la familia, inicia contratando los servicios de un arquitecto, cuya función
principal será el diseño de la casa contenido en un conjunto de bocetos, planos
y en una maqueta (si se requiere). Como la casa que se pretende construir
tiene un volumen apreciable, el arquitecto elige una escala disminutiva para
la elaboración de los planos y la maqueta, es decir, no es relevante para él, ni
para los futuros propietarios, observar el diseño de la casa en tamaño natural
(escala 1:1). El uso de los planos y la maqueta a una escala apreciable, ayuda
a los dueños de la vivienda y al constructor que se elija, a comprender los
aspectos más relevantes de la futura edificación, sin entrar en detalles poco
irrelevantes como la textura de los acabados y enchapes, los colores de las
paredes, las marcas de los accesorios, la decoración, la localización de los
diferentes artefactos dentro la vivienda, etcétera.
27
El modelo económico es una simplificación vaga de una realidad muy

compleja cargada de multiplicidad de elementos, detalles e interrelaciones.
Como bien lo define Varian (2016), “el poder de un modelo se deriva de
la supresión de los detalles irrelevantes, que permite al economista fijarse
en los rasgos esenciales de la realidad económica que intenta comprender”
(p. 1). El modelo, como el caso de los planos y de la maqueta de la casa,
ayuda a comprender una realidad, tomando únicamente los aspectos más
sobresalientes de dicha realidad y descartando a aquellos que se consideren
redundantes. En este caso, el arquitecto sólo se ocupa de las dimensiones y el
número de espacios y su ubicación, tratando de optimizar la disponibilidad de
metros cuadrados, los aislamientos para la generación de iluminación natural,
los elementos de ventilación, el diseño de la fachada; por citar algunos.
Don Pablo percibe que Emilio no ha sido lo suficientemente claro en su

explicación, por tal razón, en tono enérgico, le pide ir al grano de una vez por
todas, dejando a un lado lo intrascendente.
Emilio responde: Papá, solo quiero que entiendas de manera didáctica

EL USO DE LA ECONOMETRIA BASICA 17
la importancia y aplicación de un modelo económico. Emilio, prosigue
con la explicación argumentando lo siguiente: Un modelo matemático
utilizadas;establece
esto equivaldría a pensar
una relación y a aceptar
exacta que las ventas
(determinista) de la
entre las editorialutilizadas;
variables dependen única y
esto equivaldría a pensar y a aceptar que las ventas de la editorial dependen
exclusivamente de los precios de los libros, por lo tanto, el modelo matemático de la editorial,
única y exclusivamente de los precios de los libros, por lo tanto, el modelo
sería: matemático de la editorial, sería:
𝒱𝒱𝓉𝓉 = 𝛽𝛽0 + 𝛽𝛽1 𝑃𝑃𝑃𝑃𝓉𝓉 (1.1)(1.1)
Dónde: Vt = Ventas, PEt = Precio promedio de la editorial, β0 y β1

Dónde:coeficientes
𝒱𝒱𝓉𝓉 = Ventas, 𝑃𝑃𝑃𝑃𝓉𝓉 = Precio
o parámetros del promedio
modelo (βde eslaeleditorial,
intercepto𝛽𝛽0yyβ𝛽𝛽el
1 coeficientes o parámetros
coeficiente de
0 1
la pendiente de la variable Precio). Nótese que en el modelo (1.1) no aparece
del modelo (𝛽𝛽0 es el intercepto y 𝛽𝛽1 el coeficiente de la pendiente de la variable Precio). Nótese
ningún término de error, es decir, no existe una parte sistemática que recoja
que en el los efectos
modelo no no
(1.1) sistemáticos.
aparece ningún término de error, es decir, no existe una parte
Dada
sistemática que la los
recoja exactitud
efectosde
no un modelo matemático, esto implicaría que la
sistemáticos.
predicción de las ventas utilizando el precio como variable explicativa tendría
Dada una
la exactitud
absolutade un modelo
precisión, lo matemático, esto
cual en la vida implicaría
real, que la absurdo.
es totalmente predicción delolas ventas
Por
utilizando el precio como variable explicativa tendría una absoluta precisión, lo cual en la vida
real, es totalmente absurdo. Por lo tanto, este tipo de modelos son de uso exclusivo de las
28
tanto, este tipo de modelos son de uso exclusivo de las ciencias exactas como
la física y la astronomía, las cuales utilizan datos experimentales.
En las ciencias sociales como la economía4,5 el uso de modelos matemáticos

EL USO DE
para relacionar variables es prácticamente imposible, deLA
ahíECONOMETRIA
la necesidad deBASICA 18
utilizar para el caso de la economía, los modelos econométricos, los cuales
son variados
Los modelos y de diversa
econométricos complejidad.
aceptan la inexactitud existente en las relaciones entre variables
económicas,Los modelos
por ende, econométricos
existe aceptan
una probabilidad la inexactitud
de ocurrencia existente enEnlas
de los pronósticos. el caso de la
relaciones entre variables económicas, por ende, existe una probabilidad de
editorial, ocurrencia
las ventas dependen en algunaEn
de los pronósticos. medida deldeprecio
el caso de los libros,
la editorial, perodependen
las ventas se acepta que
en alguna medida del precio de los libros, pero se acepta que existen también
existen también otras variables determinantes. El éxito en la especificación de dicho modelo
otras variables determinantes. El éxito en la especificación de dicho modelo
estaría enestaría en la identificación
la identificación de las variables
de las variables más relevantes
más relevantes o conpoder
o con mayor mayor poder
explicativo.
explicativo.
Emilio muy satisfecho por la contextualización realizada, en tono sonriente, le responde a
Emilio muy satisfecho por la contextualización realizada, en tono sonriente,
Don Pablo: Las ventas
le responde de laPablo:
a Don editorial
Lasnoventas
podrían
de ser explicadas
la editorial a través ser
no podrían de ningún modelo
explicadas
a través de ningún modelo matemático; por defecto, debería utilizarse un
matemático; por defecto, debería utilizarse un modelo econométrico univariado (con dos
modelo econométrico univariado (con dos variables) o multivariado (con tres
variables)o omás variables),(con
multivariado como loso siguientes:
tres más variables), como los siguientes:
A. Modelo bivariado
a. Modelo (regresión
bivariado simple):
(regresión simple):
𝒱𝒱𝓉𝓉 = 𝛽𝛽o + 𝛽𝛽1PEt + 𝜇𝜇t t =t 1,

= 2,
1,2,3,…,T
3, ..., T (1.2)

___________ ________ (1.2)
}
}
Parte
Partesistemática
sistemática Parte
Partealeatoria
aleatoria
Dónde:4 𝒱𝒱La
𝓉𝓉 son las Ventas
economía estudia el (variable dependiente),
comportamiento 𝑃𝑃𝑃𝑃𝓉𝓉 esenel
o la conducta humana su Precio
dimensiónpromedio de lalaeditorial
económica. Ante
complejidad en la comprensión de la conducta económica de los agentes y la imposibilidad de realizar
𝛽𝛽0 es elenintercepto,
experimentos controlados
(variable explicativa), 1 es
laboratorio (de𝛽𝛽uso el coeficiente
cotidiano de la variable
de la física, química y biología), Precio de la
la economía
recoge, clasifica, organiza, procesa y analiza datos observacionales extraídos del comportamiento
humano, los cuales le permiten hacer aproximaciones en la comprensión de los fenómenos
editorial (PE) y 𝜇𝜇t es elDesde
económicos. término de perturbación.
esta perspectiva, para muchosEste es unlaejemplo
estudiosos, economía de modelo
no es de en
una ciencia regresión
el
sentido estricto; se asemeja más a una disciplina en constante desarrollo, actualmente influenciada
lineal, dondeporlaelfunción econométrica
excesivo uso de las
de las matemáticas; lascuales
ventas
comodelo la editorial
afirman Ekelundplantea
y Hébertcomo hipótesis que la
(2005), distraen
inevitablemente la atención de las verdades básicas del proceso económico desarrollado por Adam
Smith, considerado el precursor de la economía moderna. Como en economía es imposible utilizar
variable dependiente Ventas (𝒱𝒱 ) está relacionada linealmente con la variable explicativa Precio
datos experimentales, para 𝓉𝓉la modelación se recurre al uso de datos observacionales.
de la editorial
(PE), pero que la relación entre las dos variables (ventas y precio) no es exacta,
por consiguiente, dicha relación está sujeta a variaciones individuales, las cuales son recogidas
29
Dónde: Vt son las Ventas (variable dependiente), PEt es el Precio promedio

de la editorial (variable explicativa), 𝛽0 es el intercepto, 𝛽1 es el coeficiente de
la variable Precio de la editorial (PEt) y 𝜇t es el término de perturbación. Este
es un ejemplo de modelo de regresión lineal, donde la función econométrica
de las ventas de la editorial plantea como hipótesis que la variable dependiente
Ventas (Vt) está relacionada linealmente con la variable explicativa Precio
de la editorial (PEt), pero que la relación entre las dos variables (ventas y
precio) no es exacta, por consiguiente, dicha relación está sujeta a variaciones
individuales, las cuales son recogidas en la parte aleatoria 𝜇t.
b. Modelo multivariado (regresión múltiple):
Vt = 𝛽o + 𝛽1PEt + 𝛽2PCt + 𝛽3GPt + 𝛽4Rt + 𝜇t t = 1,2,3,…,T (1.3)

}
}
Parte sistemática
Parte sisteática Parte
Partealeatoria
aleatoria
Donde: Corresponde a las ventas de la editorial; 𝛽0 es el intercepto; 𝛽1,

𝛽2, 𝛽3 y 𝛽4 son los parámetros del modelo; PEt, PCt, GPt y Rt son las variables
explicativas y 𝜇t es el término de error. Aunque las ventas de la editorial están
relacionadas linealmente con el precio promedio de la editorial (PEt), el precio
de la competencia (PCt), el gasto en publicidad (GPt) y la renta personal de los
clientes (Rt); esta relación no es exacta, por consiguiente, dicha relación está
sujeta a variaciones individuales, las cuales son recogidas en la parte aleatoria
𝜇t. De hecho, existen otras variables que explican las ventas de la editorial
como el sexo, la edad, el nivel de estudios de los clientes, etcétera que podrían
ser incluidas en este modelo.
Don Pablo replica: Ahora, si comprendo la diferencia entre los dos

modelos, así como también la validez del modelo econométrico y de su poder
explicativo. Papá, por favor, observa el diagrama de dispersión (véase Figura
1.1); la recta con pendiente negativa se abre camino en medio de los diversos
puntos que corresponden a las parejas (X = Ventas y Y = Precio promedio).
Hay puntos localizados exactamente sobre la recta, pero también hay otros
más cercanos y más alejados, tanto por encima de la recta de regresión
(residuos positivos) como por debajo (residuos negativos) de la misma. La
distancia entre cada punto y la recta corresponde a una perturbación (𝜇t) o
µ
400
Y = Ventas
350
µ
30 300
250
variación individual
200
de cada pareja de puntos (X, Y), entre más larga sea la
distancia, mayor será90 el error.
95
Si todos
90
los95 puntos100 se posaran
105
exactamente
X = Precio
sobre la recta, la relación entre el precio y las ventas sería totalmente exacta
(esto es poco probable en el análisis económico) con un ajuste perfecto entre
las dos variables y un poder de predicción perfecto.
500
450 µ
µ
400
Y = Ventas
350
µ
300
250
200
90 95 90 95 100 105
X = Precio
Figura 1.1. Relación entre ventas y precio promedio
Elemento 2: Datos
Emilio sabe que el modelo específico que debe explicar a su padre requiere
de información concreta expresada en las ventas de la editorial en un periodo
de tiempo determinado y del precio promedio de los ejemplares vendidos.
En síntesis, Emilio requiere un modelo específico que se adapte a los datos
disponibles.
Ventas = ƒ (Precio) t = 2009:1, …, 2018:4
El subíndice t indica el momento en que se considera la relación (en el caso

que nos ocupa, cada trimestre).
Don Pablo proporciona a Emilio inicialmente la siguiente información

contenida en la Tabla 1.2 para que pueda construir su famoso modelo
econométrico, y de una vez por todas, conocer quién tiene la razón. Esta
información corresponde a una serie temporal de ventas y precio promedio
del periodo 2009…2018 organizada por trimestres.
31
Tabla 1.2
Ventas trimestrales de libros 2009-2018 (pesos constantes de 2009).
Ventas Precio promedio Ventas Precio promedio
Trimestre (millones por unidad* Trimestre (millones por unidad*
de $) (miles de pesos) de $) (miles de pesos)
2009:1 275,5 98,6 2014:1 229,9 99,2
2009:2 285,6 96,6 2014:2 342,9 86,4
2009:3 336,8 102,0 2014:3 361,9 92,7
2009:4 333,4 91,9 2014:4 301,3 100,9
2010:1 357,0 105,6 2015:1 332,5 101,7
2010:2 325,2 102,8 2015:2 343,2 95,3
2010:3 362,2 102,1 2015:3 421,9 98,6
2010:4 232,0 99,1 2015:4 401,9 102,5
2011:1 252,2 100,3 2016:1 421,8 101,0
2011:2 322,1 104,8 2016:2 361,7 96,9
2011:3 297,3 85,6 2016:3 393,6 98,3
2011:4 298,9 103,0 2016:4 287,6 91,8
2012:1 246,8 100,4 2017:1 380,0 77,8
2012:2 322,4 93,8 2017:2 495,6 81,6
2012:3 383,5 99,7 2017:3 452,6 86,6
2012:4 321,8 104,6 2017:4 404,9 93,0
2013:1 351,5 100,0 2018:1 421,3 83,7
2013:2 381,1 103,7 2018:2 333,7 93,7
2013:3 412,5 96,7 2018:3 379,1 94,5
2013:4 217,5 105,5 2018:4 407,0 97,7
* vende muchos volúmenes a diferentes precios
Como la librería
según las características específicas de cada libro, para
efectos de simplificación del análisis se estima un precio medio como resultado de sumar las ventas anuales total y
dividirlas sobre el número de ejemplares vendidos en cada año.
Fuente: El autor con base en la información proporcionada por Alonso et al., (2005:14).
Con la información disponible, Emilio procede a graficar el comportamiento

de las variables en el tiempo. Las Figuras 1.2 y 1.3 sugieren a simple vista,
que en los periodos en los que las ventas de la editorial se incrementaron,
el precio promedio de los libros experimentó una disminución, lo que deja
entrever la existencia de una relación inversa entre estas dos variables. Por su
parte, la Figura 1.4 confirma la dirección en que se mueven las dos variables
32
en cuestión, los aumentos o disminuciones de las ventas de la editorial giran

en torno a los aumentos o disminuciones de los precios de los libros. Emilio
se pregunta: ¿Será que mi papá tiene razón? En esencia, ¿el precio determina
las ventas de la editorial? Partiendo de esta intuición, si la editorial quiere
incrementar sus ventas, necesariamente debería bajar los precios de los libros.
¿Esta discusión será así de sencilla?
Figura 1.2. Ventas de la editorial Figura 1.3. Precio promedio

2009-2018 2009-2018
500 110
450 105
100
400
95
350
90
300
85
250 80
200 75
09 10 11 12 13 14 15 16 17 18 09 10 11 12 13 14 15 16 17 18
500
400
300
200
100
2009 2010 2011 2012 2013 2014 2015 2016 2017 2018
V Pe
Figura 1.4. Ventas y precio promedio

2009-2018
Elemento 3: Estadística
La cuantificación de los valores de los coeficientes del modelo se hace

mediante la inferencia estadística como lo señala Alonso et. al., (2005), además,
de permitir obtener un valor numérico para cada uno de los coeficientes,
proporcionará, información en términos probabilísticos, sobre la proximidad
o lejanía que se puede tener respecto de los valores que se quiere conocer,
33
por ejemplo, el coeficiente 𝛽1 que acompaña la variable precio promedio

estimado a partir de la información muestral disponible (2009:1…2018:4), en
términos probabilísticos nos permitirá conocer si se está próximos o lejanos
al verdadero valor. Además, el instrumental estadístico facilita elegir los
procedimientos más adecuados para la obtención de los mejores estimadores,
es decir, a aquellos que expliquen y predigan mejor la variable dependiente
(por ejemplo, las ventas de la editorial) en su media.
1.4 Relaciones estadísticas y relaciones deterministas.
También quedó claro en el capítulo anterior, la diferencia entre un modelo

matemático y un modelo econométrico. Para Gujarati (2010:19), “en el
análisis de regresión interesa lo que se conoce como dependencia estadística
entre variables, no así la funcional o determinista, propia de la física clásica
(por ejemplo, la ley de la gravedad de Newton, la ley de Ohm, ley de los gases
de Boyle, la ley de la electricidad de Kirchhoff y la ley del movimiento de
Newton). En las relaciones estadísticas entre variables se analizan, en esencia,
variables aleatorias o estocásticas6, es decir, variables con distribuciones
de probabilidad. Por otra parte, en la dependencia funcional o determinista
también se manejan variables, pero no son aleatorias o estocásticas”.
En nuestro caso, las ventas de la editorial dependen del precio al que

vende la editorial, el precio de la competencia, el gasto en publicidad, entre
otras. Parafraseando a Gujarati (2010), dicha dependencia es de naturaleza
estadística porque las variables explicativas, si bien son importantes, no
permiten al analista de mercados predecir en forma exacta las ventas de libros
en un periodo determinado debido a los errores propios de la medición de
estas variables y a otros factores que en conjunto afectan las ventas pero
que son difíciles de identificar individualmente. De este modo, habrá alguna
variabilidad “intrínseca” o aleatoria en la variable dependiente (ventas) que no
6 La palabra estocástico viene de la voz griega stokhos, que significa “centro del blanco”.
El resultado de lanzar dardos sobre un tablero es un proceso estocástico, es decir, un
proceso lleno de tiros fallidos. (Gujarati, 2010: 19).
34
puede explicarse en su totalidad sin importar cuántas variables explicativas se

consideren en el modelo; es decir, a pesar de todas las variables explicativas
que se tomen siempre existirá errores de medición (residuos). En conclusión,
en economía como en otras ciencias sociales, las relaciones que se establecen
entre variables serán siempre de tipo estadístico (probabilísticas).
1.5 Regresión y causalidad.
Gujarati (2010), señala que "a pesar de que el análisis de regresión tiene
que ver con la dependencia de una variable respecto de otras, esto no implica
causalidad necesariamente. En palabras de Kendall y Stuart: “Una relación
estadística, por más fuerte y sugerente que sea, nunca podrá establecer una
conexión causal: nuestras ideas de causalidad deben provenir de estadísticas
externas y, en último término, de una u otra teoría” (p. 19). “Para aducir
causalidad se debe acudir a consideraciones a priori o teóricas” (p. 20). En
el caso de las ventas de la editorial, es posible acudir a la teoría económica
(ley de la demanda) para afirmar que las ventas de la editorial dependen del
precio de los libros. El análisis clásico de regresión se basa en el supuesto
de que el modelo del análisis es el correcto, por consiguiente, la dirección
de la causalidad puede estar implícita en el modelo postulado. La relación
de causalidad entre la variable endógena y las variables explicativas es
unidireccional, es decir, las variables explicativas pueden influir en la variable
endógena, pero no a la inversa.
Según Wooldridge (2015:12), en la mayoría de las pruebas de teorías

económicas, así como en la evaluación de políticas públicas, el objetivo de
los economistas es inferir que una variable (por ejemplo, el precio de los
libros) tiene un efecto causal sobre otra variable (por ejemplo, las ventas
de la editorial). Encontrar una relación entre dos o más variables puede ser
sugestivo, pero no concluyente, a menos de que pueda establecerse causalidad.
“En las ciencias sociales, dado el carácter no experimental de la mayor parte
de los datos que suelen recolectarse, hallar relaciones causales no es una tarea
fácil” (p. 16).
35
1.6 La causalidad y la noción de ceteris paribus en el análisis

econométrico.
Como bien lo precisa Wooldridge (2015), la noción ceteris paribus – “si

todos los demás factores relevantes permanecen constantes” desempeña un
papel importante en el análisis causal, puesto que la mayor parte del análisis
económico tiene un carácter ceteris paribus. Por ejemplo, cuando se analiza
las ventas de la editorial interesa conocer el efecto que tiene una modificación
en el precio de los libros sobre las ventas totales, mientras todos los demás
factores – tales como: el precio de la competencia, el gasto en publicidad y
el ingreso personal – se mantienen constantes. Si no permanecen constantes
los demás factores, entonces no se puede saber cuál es el efecto de una
modificación en el precio sobre la cantidad demanda. Si se logran mantener
constantes todos los demás factores relevantes y se encuentra una relación
entre el precio promedio de los libros y las ventas de la editorial, puede
concluirse que el precio tiene un efecto causal sobre las ventas.
1.7 Regresión y correlación.
Existe una relación estrecha entre el análisis de correlación y el análisis de

regresión, aunque estos dos conceptos son diferentes entre sí. El análisis de
correlación a través del coeficiente de correlación mide la fuerza o el grado
de asociación lineal entre dos variables, mientras que el análisis de regresión
trata de estimar o predecir el valor promedio de una variable dependiente con
base en los valores fijos de otras variables explicativas.
Aplicando estos dos conceptos al caso de la editorial, se diría que el análisis

de correlación se interesa por medir a través del coeficiente de correlación,
el grado de asociación lineal existente entre las ventas de la editorial (Y) y
el precio promedio de los libros (X). Como la correlación no mide ninguna
relación causal, el orden de las variables se puede invertir (no importa su
orden), por tanto, la correlación también podría medir el grado de asociación
lineal existente entre el precio promedio de los libros (X) y las ventas de la
editorial (Y). En los dos casos, el resultado es exactamente igual.
Y → X o también X → Y
36
Por su parte, el análisis de regresión centra su interés en medir la relación

causal entre las ventas y el precio promedio (qué tanto el precio promedio
de los libros explica las ventas de la editorial) y mediante una estimación de
la recta de regresión, se predecirá para ciertos periodos de tiempo, el valor
promedio de la ventas con base en valores fijos del precio promedio, por
ejemplo, si el precio promedio de los libros aumenta/disminuye en un 10%,
las ventas disminuirán/aumentarán en un 14%. El cálculo del coeficiente de
correlación y la estimación de la recta de regresión lineal le permitirán a la
editorial fijar una política de precios en aras de optimizar sus beneficios. Se
debe considerar, que en el análisis de regresión el orden de las variables es
fundamental; en nuestro caso, el precio promedio de los libros (X) explica
en forma parcial el volumen de ventas de la editorial (Y), si se invierten las
variables, el resultado también se modifica.
Influye o causa
X = Precio Y = Ventas
Variable explicativa Variable dependiente
Nótese que al invertir el orden de las variables, la dirección de la relación

causal también se altera, y por ende, los valores de los coeficientes y la
interpretación de estos. Aquí radica la gran diferencia entre la correlación y la
regresión. A este respecto, también se afirma:
(…) en el análisis de regresión hay una asimetría en el tratamiento a las variables

dependientes y explicativas. Se supone que la variable dependiente es estadística,
aleatoria o estocástica, es decir, que tiene una distribución de probabilidad. Por otra
parte, se asume que las variables explicativas tienen valores fijos (en muestras repetidas7).7
En el análisis de correlación, por otra parte, se tratan dos variables cualesquiera en forma
simétrica; no hay distinción entre las variables dependiente y explicativa. (…). Además,
las dos variables se consideran aleatorias. Como se puede ver, la mayor parte de la teoría
de correlación parte del supuesto de aleatoriedad de las variables, mientras que la mayor
parte de la teoría de regresión que se expondrá en este texto está condicionada al supuesto
de que la variable dependiente es estocástica y que las variables explicativas son fijas
o no estocásticas”. (Gujarati, 2010:20)
7 Es de crucial importancia notar que las variables explicativas pueden ser intrínsecamente
estocásticas, pero, para fines del análisis de regresión, suponemos que sus valores son fijos en el
muestreo repetido (es decir, que X toma los mismos valores en diversas muestras), de modo que, en
efecto, no resultan aleatorias ni estocásticas). Citado en Gujarati (2010: 20).
37
Para el caso de la editorial, la variable dependiente (Y = Ventas de la editorial)

es estadística, aleatoria o estocástica, mientras que la variable explicativa
(X = Precio promedio) tiene un valor fijo (en muestras repetidas). Por cuestiones
de causalidad cada variable ocupa una posición específica, por ejemplo, el
precio promedio (variable explicativa = X) es una variable determinante
de las ventas de la editorial (variable dependiente = Y), es decir, existe una
relación de X hacia Y (X →Y), por ende, no es posible invertir la relación
entre estas variables sin que se modifique la ecuación de regresión estimada
(al invertir la relación, la ecuación de regresión se transforma, al igual que
su interpretación). En cambio, en el análisis de correlación, las ventas como
el precio promedio se tratan como variables aleatorias, por consiguiente, es
indiferente medir el grado de asociación lineal entre las ventas y el precio
promedio o viceversa; el coeficiente de correlación siempre dará el mismo
resultado.
Precio promedio (P) → Ventas de la editorial (V) = Ventas de la editorial (V) → Precio promedio (P)
Precio promedio (P) ↔ Ventas de la editorial (V)
1.8 Denominación de las variables en un modelo econométrico.
Don Pablo ha escuchado de boca de Emilio, usar en repetidas veces las

palabras variable dependiente y variable independiente o explicativa, pero
necesita se le aclare por qué las llama de diversas maneras. Emilio utilizando
el modelo econométrico de las ventas de la editorial le responde a su padre:
“los términos variable dependiente y variable explicativa se definen de varias
maneras”, siendo todas sinónimos. A continuación en la Tabla 1.3 se presenta
una lista de tales sinónimos.
38
Tabla 1.3
Denominación de las variables.
Ventas editorial = Y Precio = X
Variable dependiente Variable explicativa
Variable explicada Variable independiente
Predicha Predictora
Regresada Regresora
Respuesta Estímulo
Endógena Exógena
Resultado Covariante
Variable controlada Variable de control
Fuente: Gujarati (2010:21).
En el presente documento y con el deseo de no confundir al lector, se

utiliza la terminología de variable dependiente/variable explicativa y, en
algunas ocasiones, a la variable explicativa también se la denominará
regresor(a). Si se estudia la dependencia de una variable respecto de una
única variable explicativa, como por ejemplo, las ventas que dependen del
precio, dicho estudio se conoce como análisis de regresión simple, o con
dos variables (las ventas como variable dependiente y el precio promedio
como variable explicativa). Sin embargo, si se estudia la dependencia de
una variable respecto de más de una variable explicativa, como las ventas
en función del precio de la editorial, el precio de la competencia, el gasto en
publicidad y la renta personal, y posiblemente otras; se trata de un análisis de
regresión múltiple. En otras palabras, en una regresión simple sólo hay una
variable explicativa, mientras que en la regresión múltiple se utiliza más de
una variable explicativa. El análisis de regresión múltiple es el más utilizado
en investigación, precisamente por la multiplicidad de factores que influyen o
explican un determinado fenómeno económico.
39
1.9 Etapas en la elaboración de un modelo econométrico.
Habitualmente se distinguen cuatro etapas en la elaboración de un modelo

econométrico, las cuales son coherentes con los objetivos de la econometría.
Como lo señala Alonso et al, (2005), el primer paso en la construcción de un
modelo econométrico, corresponde a la selección del problema que se quiere
analizar, en función de la identificación de la variable que se quiere explicar
y los factores que la explican, la teoría económica existente y la información
o datos disponibles.
1.9.1 Especificación.
Corresponde al planteamiento del modelo econométrico en coherencia con

la teoría económica existente. La una correcta especificación de un modelo
supone que las variables explicativas X son variables relevantes que explican
a la endógena Y, es decir, no existe ninguna variable X que no explique nada
de la Y.
Procedimiento: 1) Elección de las variables explicativas: X1, X2,…,Xk; 2)
Elegir la forma funcional: ƒ(.) en Y = ƒ(X). Por lo general, se supondrá la forma
funcional lineal: ƒ(.) ≡ Lineal; y 3) elegir el comportamiento probabilístico
(distribución) de la perturbación aleatoria 𝜇, para que la se supondrá:
𝜇t ~ iid(0, σ 2 ); y 4) selección de la muestra de datos u observaciones relacionadas
con las variables dependiente y explicativas.
Nuestro modelo bivariado de ventas de la editorial quedará especificado de
la siguiente manera:
Vt = 𝛽o + 𝛽1PEt + 𝜇t t = 1 , 2, 3, …, T (1.4)
1.9.2 Estimación.
En esta etapa se cuantificarán los parámetros desconocidos a partir de la

información disponible. Para esto, se elige el método estadístico adecuado y
se obtienen los valores numéricos relativos a los parámetros desconocidos
del modelo. La estimación se representa sobreponiendo un sombrero, gorro
o circunflejo ( ̂ ) al parámetro de interés.
40
Vt = βo +β1PEt + μt (1.5)
1.9.3 Validación.
En esta etapa se evalúa si el modelo representa correctamente el problema

que dio origen a su especificación inicial. Si el modelo supera esta prueba, se
constituirá en una herramienta adecuada para el análisis económico; en caso
contrario, el modelo deberá someterse a re-especificación, re-estimación y
nuevamente a evaluación o contrastación.
1.9.4 Uso del modelo econométrico.
Un modelo que supera la etapa de validación o contrastación es utilizado

con fines explicativos y predictivos de la variable dependiente Y; en nuestro
caso, el modelo de ventas de la editorial servirá para explicar los factores que
influyen en mayor medida en las ventas. También, servirá para pronosticar
las ventas de la editorial trimestre a trimestre a partir de valores específicos
que toman las variables explicativas; por ejemplo, ¿cuál será el valor medio
de las ventas cuando el precio promedio de los libros disminuya en un 10%
o viceversa?.
Capítulo 2
ENCARANDO EL MODELO DE
REGRESIÓN LINEAL SIMPLE:
ESPECIFICACIÓN Y ESTIMACIÓN
Supuesto 1: El modelo de regresión es lineal en los parámetros,

aunque puede o no ser lineal en las variables. Simbólicamente, se
tiene que: Yi = β0 + β1Xi + ui.
Emilio para salvar su discusión, debe utilizar el análisis de regresión, como

lo afirma Gujarati (2010), “el cual trata del estudio de la dependencia de una
variable (variable dependiente) respecto de una o más variables (variables
explicativas) con el objetivo de estimar o predecir la media o valor promedio
poblacional de la primera en términos de los valores conocidos o fijos (en
muestras repetidas) de las segundas” (p.15).
En el caso particular de la editorial, el análisis de regresión estudiará la

dependencia de las ventas de libros (variable dependiente) respecto del precio
promedio de los ejemplares (variable explicativa) con el objetivo de estimar o
predecir el valor promedio poblacional de las ventas en términos de un valor
conocido o fijo del precio.
2.1 Formalización de la discusión.
Además, tras una discusión, Don Pablo afirma: Estoy dispuesto a formalizar
mi teoría a partir del modelo econométrico propuesto por Emilio para que
pueda comprobarse si los datos lo avalan de manera que mi hijo no pueda
poner en tela de juicio el resultado; de esta manera se saldrá de dudas. En
42
mi opinión, es el precio de los libros la variable fundamental que influye en

las ventas de los mismos, que desincentiva a los compradores cuando este
aumenta o estimula su consumo, en caso de que el precio se reduzca.
Para zanjar su discusión, padre e hijo acuerdan desarrollar el siguiente

modelo:
Vti = Vti = β0 + β1i PEti+uti i = 1, 2, 3, …,T (2.1)
Dónde:
Vt = Ventas de la editorial
β0 = Intercepto o constante
β1 = Parámetro o coeficiente de la pendiente
μt = Término de perturbación estocástica
i = i-ésima observación con T como tamaño de la población
El modelo especificado de ventas de la editorial es lineal en sus parámetros,

puesto que el coeficiente 𝛽1 está elevado a la potencia 1.
Tomando las ventas de la editorial (Vt) y el precio promedio de los

ejemplares (PEt), Don Pablo y su hijo Emilio, deciden construir un gráfico de
dispersión que permita observar la relación existente entre estas dos variables.
La disposición de los datos en la nube de puntos (véase Figura 1.1), confirma
efectivamente que existe una relación negativa entre el precio de los libros (X)
y las ventas de los mismos (Y). Tal como lo expone la teoría de la demanda,
las ventas dependen en cierta medida del comportamiento de los precios
de los bienes en cuestión (a mayor precio menor demanda y viceversa). Si
bien, esta evidencia ayuda en algo a resolver en alguna medida, la discusión
entre Don Pablo y Emilio, no es lo suficientemente contundente para dar por
terminada tal discusión. A Don Pablo le interesa conocer la magnitud del
efecto del precio sobre las ventas para comprobar su teoría y resolver de una
vez por todas, esta azarosa discusión.
La Figura 2.1 muestra una serie de detalles relacionados con la recta de

regresión lineal del precio promedio con respecto a las ventas de la editorial.
Variable pendiente = Y
500 observación
residuos Yi = 0 + 1 + 1
1 = positivos
450 MARIO EDUARDO HIDALGO VILLOTA
1
43
pendiente
400
Y = Ventas
Los puntos que aparecen
= residuos por encima y por debajo de la recta corresponden a los
negativos
1
1
350
residuos que miden la distancia vertical entre la recta y cada uno de los puntos.
1
Entre mayor 300sea la distancia de cada punto a la recta, mayor es la dispersión

observacion
de los datos y250menor será la capacidad explicativa y predictiva del modelo. Un
Y = + +x
modelo tendría un gran ajuste si todos los (Y1 puntos
- Y1)=0 estuviesen localizados sobre la
0 1 1
recta de regresión,
200
pero 90
esto en95la práctica,
90
es poco
95
posible.
100
La verdadera
105
función
del método de Mínimos Cuadrados Ordinarios X = Precio (en adelante MCO)= Xes minimizar
Variable explicativa
^
la suma de los residuos al cuadrado [∑(Yi -Yi) = 0] para que los estimadores de
^
𝛽0 y 𝛽1 sean lo más aproximados a los verdaderos valores de 𝛽0 y 𝛽1 y Yi como
^ ^
estimador de E(Y\Xi).
Variable pendiente = Y
500 observación
residuos Yi = 0 + 1 + 1
1 = positivos
450
1
pendiente
400
Y = Ventas
1 = residuos
350 negativos 1
300
observacion
250
Y= 0 + 1 +x 1
(Y1 - Y1)=0
200
90 95 90 95 100 105
X = Precio Variable explicativa = X
Figura 2.1. Relación entre ventas y precio.
2.1.1. Relación entre dos variables.
Don Pablo y Emilio observan en el gráfico de dispersión (Figura 2.1) la

aparente relación existente entre el Precio promedio (Pt) y las Ventas de la
editorial (Vt), pero en su discusión, ellos pretenden ir más allá en sus análisis.
Para dar respuesta a esta discusión, X representara el precio promedio de los
libros vendidos por la editorial y Y las ventas de la editorial en los últimos
diez años (T = 10 x 4 = 40 trimestres).
44
Emilio hace memoria nuevamente, y recuerda que los Profesores Alonso,

Fernández & Gallastegui (2005:18) hablaron en algún momento en el curso
de econometría del método MCO, el cual sirve para cuantificar las relaciones
entre variables. Ellos de manera insistente solían decir que el ajuste mínimo
cuadrático permite estimar la mejor ecuación de la recta de regresión a
través de la minimización de la suma de los residuos al cuadrado. Los
residuos mínimo cuadráticos miden para cualquier valor de X, la distancia
entre el valor observado de Y y el valor que la recta mínimo cuadrática
proporcional. Como este concepto es un tanto confuso para Don Pablo,
en particular; Emilio le sugiere a su padre que examine nuevamente el
gráfico de dispersión mencionado arriba. En este se observa una línea con
pendiente negativa con trazo de izquierda a derecha que viaja de manera
aproximada por el centro de la nube de puntos. Esta recta (recta ajustada) es
la denominada recta de regresión mínimo cuadrática, la cual posteriormente,
será expresada en una ecuación.
Don Pablo siente mucha inquietud por los puntos alrededor de la recta. Con
sus gafas puestas, observa que algunos de estos puntos se acercan más a la
recta, en cambio, otros se alejan; pero ciertos puntos se localizan precisamente
sobre la recta. Ante este asombro, Don Pablo le pide a Emilio una explicación
concreta. Emilio de manera rápida le explica a su padre, que a la distancia
entre los puntos y la recta se le denomina los residuos, entre más amplia sea
esta distancia, los residuos serán mayores y el modelo econométrico menor
capacidad explicativa tendrá. En palabras de sus recordados maestros: “Por lo
tanto, resulta natural pensar en elegir una recta siguiendo un procedimiento que
trate de minimizar las distancias entre la recta y todos los puntos observados”
(Alonso et al., 2005, p.16). Ante esto Don Pablo opina: Ahora comprendo el
por qué a este método se le conoce como Ajuste Mínimo Cuadrático y por qué
la inclusión de la perturbación (parte aleatoria) en el modelo econométrico
inicial. Eureka dice Don Pablo: Al fin he podido comprender que las relaciones
entre las variables económicas no son exactas, de ahí la existencia de los
residuos, y por ende, la necesidad de incluir en el modelo una perturbación o
término de error.
45
Don Pablo quiere pasar del discurso a la acción, por lo tanto, le solicita
a su hijo Emilio que estime la ecuación de la recta de regresión a través del
método MCO, del que tanto ha hablado. Ante esta justa petición, Emilio
responde: Padre, ha llegado el momento de encontrar la verdad; para
realizar la estimación de la ecuación de la recta de regresión, utilizaré varios
enfoques didácticos, para que al final, tú no tengas ninguna duda acerca de los
procedimientos estadísticos utilizados. Entonces, ¡manos a la obra!
Procedimiento 1
Emilio inicia la estimación por MCO utilizando notación matricial para

que se capture los detalles del procedimiento. Para ello revisa el Apéndice
C del libro Econometría de profesor Gujarati, D. (2010: 849-876). Como la
ecuación que se pretende encontrar tiene dos variables, entonces para obtener
la estimación por MCO de 𝛽, primero se escribe la regresión muestral de
k-variables:
Yi = β0 + β1 Xi + μi (2.2)
La cual se escribe en forma más compacta en notación matricial como:
y = Xβ + μi
𝜇̂ 𝛽̂ y 𝜇̂ = 𝜇̂ 𝛽̂ 𝜇̂ X𝛽̂ y𝛽̂ X=
nx1 kx1
y en forma matricial como:
nxk n x n1x 1 n xk1x 1 n x 1 n kx xk 1 nkxx1n1x k nnxxk1 nx1
𝜇̂ n 𝛽k Yn 𝜇̂ n 𝜇̂ n 𝛽k X1kn𝜇̂ nX1n 𝛽̂k

YX𝛽n1n̂k
Xy y =
̂ ̂
X =
1 X11 1Y…1 Xk1X111 𝛽̂0X… 𝛽̂0 Y𝛽1̂ 0 𝜇̂ 1 1 X11Y𝜇̂1…1 Xk1 1 X𝛽̂110 … Xk1𝜇̂ 1 𝛽̂0
1 X1n Yn Xkn 1 Yn
11 … XX
1 X1n Xkn
YY
1 1 𝜇̂k11k1
Xkn 𝜇̂ 1
𝛽̂1 YX𝛽2̂121 … X1 k2𝜇̂ 2X12 𝛽̂… Xk2 𝜇̂ 2 𝛽̂1

̂ 𝜇̂ 𝛽̂1 Y𝛽̂21 𝜇̂ 2 1 X12 Y𝜇̂…2 Xk2 1 X𝛽̂121 … Xk2𝜇̂ 2 𝛽̂1 𝜇̂ 2
𝜇̂ 2 Y2 𝜇̂ 2
1 X12 1Y…2 XXk2 12 1 X1…
𝛽 12 … XXk2
… … … … … … …… … … … … … … ……
…
…
…
…
…
…
…
+ YY
=2 2
2 k2 2
= =
+ +
=
=+
+
=
+= +
=
= + +
𝜇̂ 1 𝛽̂0 Y1 𝜇̂ 1 ̂0 Xk1 𝜇̂ 1 𝛽̂0
1 X11Y1… Xk1 1 YX𝛽1̂110 … X1 k1𝜇̂ 1 X11 𝛽…
1 X12 … Xk2 1 X12 Y2… Xk2 1 Y2
… …… … ……… … … …… … … … … …… … … …
1
…
…
…
…
…
…
1 X11 … Xk1
YY 1 X1n 1Yn XXkn 1n 1 𝛽̂
X 1n XX
𝜇̂
kn 𝛽̂k Y𝛽n̂ k 𝜇̂ n 1 X1n Y𝜇̂n n Xkn 1 X𝛽1n̂k
Y1
Xkn𝜇̂ n 𝛽̂k 𝜇̂ n
n n k nkn
y y = = X y = X𝛽̂ X 𝜇̂ 𝛽̂ y𝛽̂ = 𝜇̂ Xy𝜇̂ = 𝛽̂ X 𝜇̂ 𝛽̂ 𝜇̂

nnx 1x 1 n xnkx 1 n xk xk1 n x k n x 1 k x k1n xx1 1 n x 1 nnnxxkx1 1 k xn1x k nx1 kx1 nx1
Donde β es un vector columna de k elementos compuesto por los

estimadores de MCO de los coeficientes de regresión, y donde û es un vector
columna de n × 1 con n residuos.
46
1X 1 1 EL
X1 USO DE LA ECONOMETRIA BASICA 49
iX∑ n 1𝜇
2X 2𝜇̂
̂
1 ̂
̂
11 …1…1 1X1X 1…
0𝛽 Y1 1kX
1… X 11 …1 11X
X11 1… Xk1 1Y
1 ̂ 𝛽̂0
𝜇
2𝜇̂ 𝛽̂1
X …̂
EL
X Y1
𝜇̂ 1
USO
1 X2 X … X Y1n ∑Xi
0𝛽
̂ 𝜇̂ 2
DE
1Y X
LA ECONOMETRIA
… X
1k 𝛽̂
𝛽̂
𝜇̂
𝜇̂
BAS 11 1 1 11 k1 0 1
= X´X = Y …X= … = +X´+X = … X

𝛽 1 2 2k 21 12 k2 2Y 1𝛽 1Y X 2k 21 2 2 12 k2 1 2
+ = == +
2 …2 …
iX∑ iX∑ 1X n𝜇̂ 1 ̂𝛽 nY
XX1 X…
… …… …… …
X2 1 3X
X 2X … X1X
XnY 𝜇̂ 𝛽̂
… …
1 𝛽̂ 𝜇̂ X1 X
…
∑Xi ∑Xi
… … …
…
…
…
…
…
…
…
k XX3 1
n nk n1 1n kn n n k k n nk n1X Y1 n 1Y X n 1n Xkn 𝛽̂k 𝜇̂ n
𝜇
̂ ̂
𝛽 y = X X = y𝜇̂ 𝛽̂ ̂ 𝜇̂
𝛽 X y == y X 𝛽̂ 𝜇̂
…
…
1xn 1 x kn x 1 kxn nxk 1x
1nx kn x 1 1 x nk x 1 kxn nx1 1xn nxk kx1 nx1
nX 1 1 Xn Y1
Xý = 1 1 1 1 Y2 … Y
∑Yi1
EL USO DE= LA ECONOMETRIA BASICA 4
XXý X=
X1
Xn 1 … Y1 1 1
… Y2
∑XiYi ∑Yi
…
1 2 3 =
Xý ̂ = ̂1 1X1 …X 1X… …X2 1𝛽̂𝛽̂YX3 X… 𝜇̂Y 2 Xn ∑YiY 1 X …∑XiYi
𝜇
̂ Y𝛽 ̂ X1 …X X
…𝜇 ̂ 1X ̂̂Y
𝛽 X 𝜇̂ …
1k 1111 Xk1 X … X 𝛽̂
…
1 01 𝛽 1 Y Y 1
01 0 𝜇̂
1k 1 11 11 k1
… Y 3X 1
1 0 1
X1 𝜇
1 1
𝜇
=
2 Y𝛽 12 2k ̂ 1X 12 21 2 k2
Y 12 1 X 𝛽̂ 𝜇̂
2k
2
21 12 k2 1 2
+ = += + = = +
2 2
YY 3 …1 X… … X…
…… …… …… ……
YX XX12 X X3X 𝜇̂1… Xn ∑XiYi
…
… …
…
…
…
… … … …
…
…
…
…
n𝜇
̂ ̂
𝛽
kn 1 nk X 1n ̂̂Y
𝛽
𝛽
n1 X 𝜇̂n YnY
kn
X 1 Y kn k 𝛽̂ 𝜇̂
nk n n1 n n 1n kn k n
X 1
Yn
𝜇
̂ y𝛽
̂ = XX 𝜇̂ = ̂̂y
𝛽 𝜇̂ y y 𝛽̂ 𝜇̂
Y
𝛽 = = X
1xn
Xý =
n1 xx 1k
1
kxnn
1
x k1 x n 1
k x
1xkx n
1
1
n x 1k3x n … nx11xn
1
nxk kx1 nx1
Y2 ∑Yi
Yn =
X1 X2 X3 … 𝛽𝛽̂ Xn ∑XiYi
…
𝛽𝛽̂ =
𝛽𝛽̂ ̂ 𝛽𝛽̂Y 3
1𝜇
̂ ̂
0𝛽 1kX … 11X 1
𝛽̂ Y𝛽𝛽 = 11
Y Y 1 1
𝛽𝛽̂Yn
X11 … Xk1 𝛽̂0 𝜇̂ 1
2𝜇
𝛽̂ =1 Y 0
̂ ̂
1𝛽 2kX … 21X X12 … Xk2 𝛽̂1 𝜇̂ 2
2 2
+ = = +
… … … …
̂ Y …1
Y𝛽 1
… … …
…
…
…
…
̂
k𝛽 nkX Xkn 𝛽̂k
En los modelos de dos y tres variables, en el caso 𝛽𝛽̂ de k variables los estimadores de MCO se
n𝜇
̂ n1X 1 n n X1n 𝜇̂ n
𝜇
̂ ̂
𝛽 X = y y = X 𝛽̂ 𝜇̂
1xn
𝛽𝛽̂ =
En los modelos de dos y tres variables, en el caso de k variables los estimadores de M
1xk kxn n x 11 x n nxk kx1 nx1
𝛽𝛽̂
obtienen al reducir:
En los modelos de dos y tres variables, en el caso de k variables los
obtienen al reducir:
En losestimadores
modelos dede dos y tressevariables, enreducir:
el caso de k variables los estimadores de MCO se
MCO obtienen al
∑𝜇𝜇̂ i2 = ∑(Yi - 𝛽𝛽̂ 0 - 𝛽𝛽̂1 - 𝛽𝛽̂ 2X1i - …- 𝛽𝛽̂ kXki)2
obtienen al reducir: ∑𝜇𝜇̂ i2 = ∑(Yi - 𝛽𝛽̂ 0 - 𝛽𝛽̂1 - 𝛽𝛽̂ 2X1i - …- 𝛽𝛽̂ kXki)2
∑i = (Yi - β0 - β1 - β2X1i - …- βkXki )2
2
Dónde: ∑𝜇𝜇̂ i2 es la suma de∑𝜇𝜇̂ cuadrados residual
̂ 0 - 𝛽𝛽̂ 1(SCR). En…- notación
- 𝛽𝛽̂ 2X1i - (SCR).
𝛽𝛽̂ kXEn
matricial, esto equivale a
i = ∑(Yi - 𝛽𝛽 ki)2
2
Dónde: ∑𝜇𝜇̂ i2 es la suma de cuadrados residual notación matricial, esto equi
reducir
Dónde: ,Dónde:
𝜇𝜇̂ ´𝜇𝜇̂∑𝜇𝜇̂
así: ∑i es lade
i es la suma
2
2
suma de cuadrados
cuadrados residual residual
(SCR).(SCR). En notación
En notación matricial,
matricial, esto equivale a
reducir 𝜇𝜇̂ ´ 𝜇𝜇̂ , así:
esto equivale a reducir μ´μ, así:
reducir 𝜇𝜇̂ ´𝜇𝜇̂ , así: 𝜇𝜇̂ 1
𝜇𝜇̂ ´𝜇𝜇̂ = 𝜇𝜇̂ 1 𝜇𝜇̂ 2 … 0𝛽̂ 𝜇𝜇̂1knX … 11X 1 𝜇𝜇̂𝜇̂2 𝜇𝜇̂ 1
1𝜇̂ Y1 𝜇𝜇̂11Y 1 X11 … Xk1 𝛽̂0 𝜇̂ 1
𝜇𝜇̂𝜇̂´𝜇𝜇̂ =𝜇̂ 𝜇𝜇̂ 1 ̂ 𝜇𝜇̂ 2𝜇̂ … 𝜇𝜇̂ n1 𝜇𝜇̂ 2
𝜇̂ =
𝜇𝜇̂ ´´𝜇𝜇̂ =
𝜇̂ 𝜇̂
… …
̂ ̂0
…
1𝜇
̂ Y1 0𝛽 1 X kX …
… X 1X 1 𝛽 1Y
𝜇̂ 1
2𝜇̂ ̂ 𝜇̂
111 1k1
𝛽 2kXnn… 21X 1 X X 𝛽
2𝜇
̂ ̂ ̂1 𝜇̂ 2
Y2 𝜇𝜇̂22Y 1 …
Y2 1𝛽 1 2kX
X12 …
… Xk2
21X 1 𝛽 2Y
𝜇𝜇̂11 𝜇𝜇̂22 … 1 𝜇𝜇̂ 2 12 k2 2

+ = = +
1
… …
… …
… …… …
…
…
…
…
̂
k𝛽 nkX
X1n Xkn
n1X ̂k
1 𝛽
n𝜇
̂ Yn 1 nY 𝜇̂ n
+ = = +
…
𝜇
̂ y = ̂
𝛽 X X 𝛽̂ = y 𝜇̂
… … … … 𝜇𝜇̂ n … … … …
1 xn
n x 1 1 x k n x k k x n k x 1 1 x n
nx 1
…
…
…
…
…
n𝜇̂
̂
k𝛽 nkX n1X 1 Y𝜇̂ Y 1 X1n
n 𝜇𝜇̂nnn X𝜇𝜇̂kn n 𝛽̂k 𝜇̂ n
𝜇𝜇̂ ´𝜇𝜇̂ = ̂𝜇𝜇12 + 𝜇𝜇̂ 12 𝜇̂ + … 𝛽̂+ 𝜇𝜇̂ n2X = ∑𝜇𝜇̂
=y =yi2 X 𝛽̂ 𝜇̂
𝜇𝜇̂μ´μ μ122𝜇𝜇̂ ´+𝜇𝜇̂
´𝜇𝜇̂ == ̂
𝜇𝜇 +μ =𝜇𝜇̂2̂
1𝜇𝜇211+
x 2n …
+++1 x kμ
… 𝜇𝜇̂ 12𝜇𝜇̂2 nk=2x+n ∑…μ=+n2x∑𝜇𝜇̂
+ 1 1𝜇𝜇̂x nni22 n x=k ∑𝜇𝜇̂ ik2x 1 nx1
1 1 n i
Ahora de y = X𝛽𝛽̂̂ + 𝜇𝜇̂ i , se obtiene 𝜇𝜇̂ = X𝛽𝛽̂̂, por consiguiente:
Ahora de Ahora
y = X𝛽𝛽de+ y𝜇𝜇̂ =i , se ̂obtiene 𝜇𝜇̂ = X𝛽𝛽 , por consiguiente:
X𝛽𝛽 + 𝜇𝜇̂ i , se obtiene 𝜇𝜇̂ = X𝛽𝛽̂, por consiguiente:
𝜇𝜇̂𝜇𝜇̂´´𝜇𝜇̂
𝜇𝜇̂ == (y(y -- X𝛽𝛽X𝛽𝛽̂̂)´(y ̂̂))
)´(y--X𝛽𝛽
X𝛽𝛽
𝜇𝜇̂ ´𝜇𝜇̂ = (y - X𝛽𝛽̂ )´(y - X𝛽𝛽̂)
𝜇𝜇̂ ´𝜇𝜇̂ = yý - 2 𝛽𝛽̂ ´Xý + 𝛽𝛽̂ ´X´X𝛽𝛽̂
𝜇𝜇̂ ´𝜇𝜇̂ = yý - 2 𝛽𝛽̂ ´Xý + 𝛽𝛽̂´X´X𝛽𝛽̂
𝜇𝜇̂ ´𝜇𝜇̂ = yý - 2 𝛽𝛽̂´Xý + 𝛽𝛽̂ ´X´X𝛽𝛽̂
Don Pablo al mirar este conjunto de fórmulas y símbolos queda perplejo, exclamando: Emilio
Don Pablo al mirar este conjunto de fórmulas y símbolos queda perplejo, exclamando: Emilio,
¿qué intentasDon Pablo
hacer?, al mirarnuestra
¿explicar este conjunto de fórmulas
diferencia y símbolos
de opiniones, queda perplejo,
o confundirme exclamando
más? Emilio, ante
¿qué intentas hacer?, ¿explicar nuestra diferencia de opiniones, o confundirme más? Emilio, ante
la confusión natural
¿qué de hacer?,
intentas su padre, le pide tener
¿explicar undiferencia
nuestra poco de paciencia y concentración.
de opiniones, o confundirme más? Em
47
EL USO DE LA ELECONOMETRIA
USO DE LA ECONOMETRIA
BASICA 50BASIC
Don Pablo al mirar este conjunto de fórmulas y símbolos queda perplejo,
exclamando: Emilio, ¿qué intentas hacer?, ¿explicar nuestra diferencia de
EL USO DE LA ECONOMETRIAEL BASICA
USO DE LA50 EC
Emilio, sabeopiniones,
Emilio,
que estesabe
temaque
noeste
es en
tema
o confundirme nada
nosencillo,
más? es en nada
Emilio, por sencillo,
antetanto, trata
porde
la confusióntanto,
explicarlo
trata
natural dede
del
suexplicarlo
siguientedel sigui
padre,
le pide tener un poco de paciencia y concentración.
odo:Emilio,
¡Papá!, modo:
sabeconsidera
¡Papá!,
que este losconsidera
datosnodisponibles
tema eslos
Emilio, endatos sabeen
nada disponibles
la Tabla
sencillo,
que estepor tema1.1,
entanto,
la
entre
no Tabla los1.1,
estrata
en cuales
nada
de entre selos
explicarlo
sencillo, encuentran
ELcuales
del
por
USO selas
siguiente
tanto,
DE encuentra
LA trata
ECON de
Emilio, sabe que este tema no es en nada sencillo, por tanto, trata de
ntas
modo: de ¡Papá!,
libros
ventas deconsidera
la
deeditorial
explicarlo librosdellos de 2009-2018
la
datos
modo:
siguiente editorial
disponibles
¡Papá!,
modo: (𝒱𝒱
2009-2018
=
𝓉𝓉 ¡Papá!, en ylael
𝑌𝑌)
considera (𝒱𝒱precio
Tabla
𝓉𝓉los
considera =datos𝑌𝑌)promedio
1.1, yentre
losel precio
losde
disponibles
datos promedio
losenejemplares
cuales
disponibles se
la Tabla de
en los
encuentran ejemplares
la1.1, entre
las los
Emilio, sabe que este tema no es en nada sencillo, por tanto, trata de exp
Tabla 1.1, entre los cuales se encuentran las ventas de libros de la editorial
𝒫𝒫𝒫𝒫 𝓉𝓉 = 𝑋𝑋),
ventas deasí
(𝒫𝒫𝒫𝒫
libros como
𝓉𝓉 = al
la tiempo
de𝑋𝑋), así como
editorial oventas
laal variable
2009-2018 tiempode libros ode la𝓉𝓉tendencia.
(𝒱𝒱 variable
de
= la y eldeAl
𝑌𝑌)editorial tendencia.
precio incluir esta
promedio
2009-2018 Alúltimaincluir
(𝒱𝒱de=los en esta
𝑌𝑌) ely última
modelo,
ejemplares
el precio ense el mode
promedi
2009-2018 (Vtmodo: = Y) ¡Papá!, y el precio considera promedio los datos de los ejemplaresen𝓉𝓉(PE
disponibles la Tabla
t
= X), así
1.1, entre los cua
ata de𝓉𝓉 averiguar
(𝒫𝒫𝒫𝒫 trata
= 𝑋𝑋), como
asíde la al
como tiempo
averiguar
relación al tiempo deolalalas
(𝒫𝒫𝒫𝒫variable
relación
oventas
𝓉𝓉la= variable
𝑋𝑋),de deasí
(𝒱𝒱 𝓉𝓉tendencia.
las =deventas
como con al(𝒱𝒱
𝑌𝑌)tendencia. Al
tiempo incluir
el𝓉𝓉 precio
= Al conesta
el última
promedio
𝑌𝑌)oincluir
la precio
esta (𝒫𝒫𝒫𝒫
variable en 𝓉𝓉el=
promedio
última
de modelo,
en𝑋𝑋)elde
tendencia. la 𝓉𝓉incluir
(𝒫𝒫𝒫𝒫
modelo,
Al = 𝑋𝑋) se dees
ventas de libros de la
se trata de averiguar la relación de las ventas (Vt = Y) con el precio promedio editorial 2009-2018 (𝒱𝒱 𝓉𝓉 = 𝑌𝑌) y el precio promedio d
riable
trata de deaveriguar
tendencia
variable
(PEt =la de(que
X) tendencia
depuede
relación derepresentar
trata
la variable (que
lasdeventas puede
averiguar
de tendencia una
representar
(𝒱𝒱 𝓉𝓉 =
multitud
la 𝑌𝑌) conuna
relación
(que de
el de
puede otros
multitud
precio factores,
de otros
lasrepresentar
ventas
promedio (𝒱𝒱como =factores,
(𝒫𝒫𝒫𝒫
𝓉𝓉 una 𝑌𝑌)la renta,
𝓉𝓉 con
= 𝑋𝑋)
multitud como
el el lala renta,
de
precio prom
(𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋), así como al tiempo o la variable de tendencia. Al incluir esta ú
omento
variableende elde
momento otros
ciclo
tendencia
factores,
económico,
en el ciclo
(que puede
como
cambio
económico,
variable
la en
representar
renta, gustos
de tendencia
el momento
cambio
unaomultitudpreferencias,
en
(que gustos en el
puede deootros
ciclo económico,
preferencias,
etcétera).
representar
factores, Para
unaetcétera).
como finescambio
multitudlaempíricos,
Para
renta, fines
de otros
el fact emp
en gustos o preferencias, trata de averiguar etcétera). Para fines
la relación de empíricos,
las ventas (𝒱𝒱 por𝓉𝓉 = consiguiente,
𝑌𝑌) con el precio el promedio
rmomento
consiguiente,
por
enmodeloconsiguiente,
el el modelo
ciclo deeconómico, deelregresión
regresión modelo
momentoes:
cambio de
es: enregresión
enelgustos es:
ciclo económico,
o preferencias, cambio etcétera).
en gustos Paraofines preferencias,
empíricos, etcét
variable de tendencia (que puede representar una multitud de otros factores
por consiguiente, el modelo 𝑌𝑌̂i = 𝛽𝛽̂0 +𝛽𝛽 de ̂ 1regresión
por 𝜇𝜇̂̂ i0 +𝛽𝛽
𝑌𝑌̂consiguiente,
X i =
+ 𝛽𝛽 es: ̂ 1 Xiel+ modelo𝜇𝜇̂ i de regresión (2.3)es: (2.3)
momento en el ciclo económico, cambio en gustos o preferencias, etcétera)
Dónde: 𝑌𝑌̂i = Dónde: Ventas
Dónde: 𝑌𝑌̂i Y𝑌𝑌
de ̂ i Ventas
=la = ̂ +𝛽𝛽de
editorial;
Ventas
𝛽𝛽 ̂1 X ̂ 0i +
𝛽𝛽la
de editorial;
=laefecto
𝜇𝜇̂ ieditorial; 𝛽𝛽̂0 = β𝑌𝑌̂efecto
marginal i = =en ̂ 0marginal
+𝛽𝛽̂ventas
las
𝛽𝛽efecto 1 X i +en
marginal 𝜇𝜇̂cuando
i lasen
(2.3) ventas
el
lasprecio cuando el precio (2
ventas
i por 0consiguiente, el modelo0de regresión es:
cuando el precio promedio de los libros varía en una unidad monetaria;
omedio Dónde: depromedio
los
𝑌𝑌̂Xi
i= libros de
varía los en libros
unaDónde:varía
unidad en ̂ 0𝑌𝑌monetaria;
̂=una unidad Xde
monetaria;
i =laPrecio promedio
Xventas
i= 𝛽𝛽̂0Precio depromedio
losmarginal
libros de
y en
𝜇𝜇̂los
i= libros
ventay
=Ventas
Preciode la
promedio editorial; de los 𝛽𝛽 i=
libros efecto
Ventas
yμ marginal
𝑌𝑌̂ii == residuos
editorial;
en las
𝛽𝛽̂0 +𝛽𝛽̂1 Xestimados
i + 𝜇𝜇̂ i
= efecto
cuando
de la regresión. el precio las
(2.3)
siduos estimados En notación
residuos deestimados matricial,
la regresión. de laEnel problemaEn
regresión.
notación senotación
muestra
matricial, de la siguiente manera:
promedio de los libros varía en promedio
una unidad de los monetaria;
libros varíaXeli =matricial,
problema
en una unidad
Precio el
se problema
promedio muestra de de
monetaria; selamuestra
los Xsiguiente
libros y 𝜇𝜇̂dei =laprom
i = Precio sigu
̂
Dónde: 𝑌𝑌i = Ventas de la editorial; 𝛽𝛽0 = efecto marginal en las ventas cu ̂
anera: manera:
residuos estimados Don Pablo enfadado
de la regresión. residuos por
Enestimadostanto enredo
notación matricial,
de la cometido
regresión. porEn
el problema Emilio,
notación exclama:
se muestra matricial, deMira
la siguiente
el problema s
promedio de los libros varía en una unidad monetaria; Xi = Precio promedi
hijo, ¿puedes ser más concreto? En verdad, no entiendo nada de lo que has
Don Pablo enfadado
manera: Don Pablo porenfadado
tantomanera:enredo por tanto cometido enredo porcometido
Emilio, exclama: por Emilio, Mira exclama:
hijo, ¿puedes Mira hijo, ser ¿puedes
hecho hasta ahora. Emilio ante la impaciencia
residuos estimados de la regresión. En notación matricial, el problema se m de su padre, responde: Papá, se
ás concreto? más cómo
En te
Don Pablo enfadado porentiendo
concreto?
verdad, sientes,noEn peroDon
verdad,
tanto aenredo
veces
nada
no Pablo es
entiendo imposible
deenfadado
cometidolo que nada haspor
por deprescindir
hecho
lo
Emilio,
tantoquehasta
hasde ahora.
enredo
exclama: la notación
hecho cometidohasta
Emilio
Mira matricial
ahora.
hijo, porante la
Emilio
¿puedes
Emilio, ser ante la
exclama
manera:
para explicar el MCO. Ahora se va a derivar en forma matricial la ecuación
mpaciencia
más concreto? impaciencia
de desulas
Enpadre,
verdad,
ventas de
responde:
desuno padre,
la más
entiendoPapá,
editorial, responde:
concreto? se
nada
para cómo de
EnPapá,
que te
lo
verdad,
tequesientes,
se has
des cómo pero
nohecho
cuenta, te que
sientes,
ahasta
entiendo veces
estenada pero
esde
ahora. imposible
aloveces
Emilio
procedimiento que has es
prescindir
anteimposible
nohecho
la hasta presa
Don Pablo enfadado por tanto enredo cometido por Emilio, exclama: M
es nada del otro mundo.
la notación
impaciencia dematricial
la
denotación
su padre, para matricial
explicar
responde:impaciencia para
elPapá,
MCO.explicardeAhora
se su el
cómo padre,MCO.
tesesientes,
va Ahora
a derivar
responde: pero sePapá,
ava
enveces
aforma
derivar
se esmatricial
cómo enteforma
imposible la prescindir
sientes, matricial
pero a vec la
más concreto? En verdad, no entiendo nada de lo que has hecho hasta ahor
uación de ecuación
las ventas Emilio dedelasempieza
lapara
ventas
editorial, con lalael
denotación
para ordenación
editorial,
que te des deque
paracuenta, los que datos deprocedimiento
ventas y precios en
de la notación matricial explicar
de la MCO. matricial
Ahora se te
para des
vaexplicar este
cuenta,
a derivar el en MCO.que
forma este
Ahora procedimiento
no
matricialsees vanada
laa derivar no es en
forma de matrices, impacienciadel siguiente de su modo: padre, responde: Papá, se cómo te sientes, pero a veces e
lecuación
otro mundo. dellas
de otro mundo.
ventas de la editorial,
ecuaciónpara de las que ventas
te desdecuenta, la editorial,
que este para procedimiento
que te des cuenta, no es que nadaeste p
de la notación matricial para explicar el MCO. Ahora se va a derivar en for
Emilio
del otroempieza
mundo. Emilio conempieza
la ordenación con
del otrolade ordenación
los datos de los
mundo. ventas datos y precios
de ventas en yforma precios de en matrices,
forma de delmatrices
ecuación de las ventas de la editorial, para que te des cuenta, que este proc
guienteEmiliomodo:
siguiente
empieza modo: con la ordenación Emilio deempieza
los datoscon de la ventas
ordenacióny precios de en losforma
datos de ventas matrices, y precios
del e
del otro mundo.
48
1 275,5 1 98,6 𝜇�1

1 285,6 1 96,6 𝜇�2
1 336,8 1 102,0 𝜇�3
1 333,4 1 91,9 𝜇�4
1 357,0 1 105,6 𝜇�5EL USO DE LA ECONOM
. . . . .
. . . . .
. Emilio,. sabe
= que .este tema . no es 𝛽̂ 0
x en nada sencillo,
+ .por tanto, trata de explica
𝛽̂1
. . . . .
.modo: .¡Papá!, considera
. los datos disponibles en la Tabla
. . 1.1, entre los cuales
. . . . .
1 404,9 1 93,0 𝜇� 36
ventas
1 de libros de la
421,3 83,7 2009-2018 (𝒱𝒱𝓉𝓉 = 𝑌𝑌) y𝜇�
1 editorial el precio promedio de lo
37
1 333,7 1 93,7 𝜇� 38
(𝒫𝒫𝒫𝒫
1 𝓉𝓉 = 𝑋𝑋),
379,1 así como
1 al tiempo
94,5 o la variable de tendencia.
𝜇� 39 Al incluir esta últim
1 407,0 1 97,7 𝜇� 40
trata de averiguar la relación de las ventas (𝒱𝒱𝓉𝓉 = 𝑌𝑌) con el precio promedio (𝒫𝒫
y= X 𝛽̂ + 𝜇̂
40 x 1 40 x 2 2x1 40 x 1
variable de tendencia (que puede representar una multitud de otros factores, co
Como ya momento en el ciclo

se mencionó, laseconómico,
relaciones cambio entre las en variables
gustos o preferencias,
económicas etcétera). Pa
deterministas (inexactas), la última matriz los residuos resultantes de la
por consiguiente, el modelo de regresión es:
diferencia entre el valor de Ventas = Y el valor pronosticado a partir de la
ecuación de la recta de regresión (y);
𝑌𝑌̂i =la𝛽𝛽̂formâ como
0 +𝛽𝛽 1 X i + 𝜇𝜇̂se
i calcula este valor será (2.3)
explicada más adelante.
Dónde: 𝑌𝑌̂i = Ventas de la editorial; 𝛽𝛽̂0 = efecto marginal en las ventas cuand
Emilio con el apoyo de Excel se alista a realizar operaciones con las
promedio de
matrices construidas los libros varía
previamente. en una unidad
Se dispone a realizar monetaria; Xi = Precio
la multiplicación de promedio d
la matriz X (precio promedio) por la matriz X traspuesta (X´X), así:
residuos estimados de la regresión. En notación matricial, el problema se mues
1 98,6
manera:
1 96,6
1 102,0
Don Pablo enfadado por tanto enredo cometido por Emilio, exclama: Mira
. . 1 1 1 . . . 1 1 1
x
. . 98,6 96,6 102,0 . . . 93,7 94,5 97,7
más concreto? En verdad, no entiendo nada de lo que has hecho hasta ahora. E
. . 2 x 40
1 93,7 Matriz traspuesta de X = X´
impaciencia de su padre, responde: Papá, se cómo te sientes, pero a veces es im
1 94,5
1 97,7
de40lax 2notación matricial para explicar el MCO. Ahora se va a derivar en forma
Matriz X
ecuación de las ventas de la editorial, para que te des cuenta, que este procedim
del otro mundo.

49
Como resultado de la multiplicación X´X, obtiene:

40,00 3.870,70
3.870,700 376.376,230
2x2
Emilio, ahora multiplica la matriz traspuesta de X (precio promedio = X´)

por la matriz y = ventas, es decir, Xý:
1 98,6
1 96,6
1 102,0
. . 1 1 1 . . . 1 1 1
x
. . 98,6 96,6 102,0 . . . 93,7 94,5 97,7
. . 2 x 40
1 93,7 Matriz traspuesta de X = X´
1 94,5
1 97,7
40 x 2
Matriz X
De la multiplicación Xý, se obtiene:

13.789,7
1.327.971,8600
2 x1
Xý
Ahora se calcula con ayuda de Excel, la matriz inversa de X, o sea, X-1. De

la multiplicación de X´X, se obtiene la matriz X´X-1, así:
40,00 3.870,70
3.870,700 376.376,230
2x2
Matriz X´X
Cuyo resultado es la matriz X´X-1

5,174928582 -0,05321961
-0,05321961 0,000549974
2x2
𝓉𝓉 𝓉𝓉 𝓉𝓉 𝓉𝓉
ariable de tendencia (que puede representarEL una multitud de otros factores, como50la renta, el
ventas ventasdeUSO libros
EL deDE libros
USO de
LADE laECONOMETRIA
deeditorial
LAlaECONOMETRIA
editorial 2009-2018 2009-2018
BASICA (𝒱𝒱𝓉𝓉 =(𝒱𝒱𝑌𝑌)
BASICA 𝓉𝓉 = y 𝑌𝑌)
50 el precio
y el precio
promed pr
letendencia
de tendencia (que (que puede puede representar representar una multitud una multitud de otros de otros factores, factores, comocomo la renta, la renta, el el
momento en el ciclo económico, cambio en gustos o preferencias, etcétera). Para fines empíricos,
(𝒫𝒫𝒫𝒫DE 𝓉𝓉(𝒫𝒫𝒫𝒫
= 𝑋𝑋), =así 𝑋𝑋),como
𝓉𝓉ECONOMETRÍA así como al BÁSICA
tiempoal tiempo o la variable
o la variable de tendencia. de tendencia. Al incluir
Al incle
milio,
n Emilio,
nto elen sabe
ciclo el que
sabe
ciclo este
económico,
50 que tema
este tema
económico, no
cambioes no en
cambio es
nada
enengustos sencillo,
nada
en
EL USO sencillo,
gustos porLA
o preferencias,otanto, por tanto,
preferencias, trata de
trata
EL etcétera).
USO explicarlo
DE deLA explicarlo
etcétera). delPara
ECONOMETRIA
Para siguiente
fines delfines siguiente
empíricos, BASICA
empíricos, 50
or consiguiente, el modelo de regresión es:
trata trata de averiguar de averiguar la relación la relación de lasdeventas las ventas (𝒱𝒱𝓉𝓉 = (𝒱𝒱𝑌𝑌) 𝓉𝓉 =con 𝑌𝑌) el conprecio
el precio
prom
modo:
¡Papá!,
uiente,
nsiguiente, ¡Papá!,
elconsidera
modeloelconsidera
modelo los
de datos los
de datos
regresión disponibles
regresión disponibles
es: es: en la Tabla en la Tabla 1.1, entre 1.1, entre los cuales los cuales se encuentran se encuentran las las
Emilio, sabe Como que β𝑌𝑌estê i==(X´X tema
𝛽𝛽̂0 +𝛽𝛽 no ̂)(1 es Xý), en nada
i + 𝜇𝜇̂ por
sencillo,
tanto,ELEL por tanto,
para trata de explicarlo del siguiente8
X ELla estimación deELlos
(2.3) coeficientes
-1
deUSO USO DEDE
USO LA
LADE ECONOMETRIA
ECONOMETRIA
LA puede
ECONOMETRIA USO BASICA
BASICA DE LA
BASICA ECONOMETRIA
50 50de otros
50multitud BA
E
i
variable variable de tendencia tendencia (que (que
puede representar representar una multitud
una de otrofac
ventas
de libros de librosde la β𝑌𝑌̂0ieditorial
de= la
+ ̂̂i0editorial
β𝑌𝑌
𝛽𝛽 se
=+𝛽𝛽 2009-2018
̂ 10 X
procede
𝛽𝛽 +𝛽𝛽 i 2009-2018
̂+1 X 𝜇𝜇̂a i + (𝒱𝒱
multiplicar
𝜇𝜇̂
𝓉𝓉 i = (𝒱𝒱𝑌𝑌) 𝓉𝓉 =y el𝑌𝑌)laprecio
y el
matriz precio
promedioX´X promedio
-1 de losde
por
(2.3) la
(2.3) ejemplares
los
matriz ejemplares Xý, así:
modo: ¡Papá!, considera 1 los datos disponibles en la Tabla 1.1, entre los cuales se encuentran las
Dónde: 𝑌𝑌̂i = Ventas de la editorial; 𝛽𝛽̂momento 0 = efecto marginal en las ventas cuando el precio
momento en eles enciclo el nadaciclo
económico, económico, cambio cambio enno gustos
en gustos onada preferencias,
o preferencias etcé
= Emilio,
𝒫𝒫𝒫𝒫
̂ i 𝑋𝑋), = ̂asíEmilio,
sabe
como
𝑋𝑋), Emilio,
asíde que
sabe
como
allatiempoeste
sabe
que tema
este
allatiempoque
Emilio, tema
este
no
o la variable es
tema
no
sabe en
ô 05,174928582 es
la=variablê 0 de no
nada
en
que es nadaeste
ensencillo,
tendencia.
de nada
sencillo,
tema
tendencia. sencillo,
Alpor
-0,05321961 nopor Emilio,
tanto,
incluir
Al tanto,
en
por incluir tanto,
esta
xlas trata
trata
sabe sencillo,
última
estade
trata
que explicarlo
explicarlo
deeste
última
en
13.789,7 explicarlo
elporentema
modelo, tanto,
del
el del siguiente
modelo,del
siguiente
trata
se essiguiente
ense de explicarlo
sencillo,del pos
nde:
𝑌𝑌 =𝓉𝓉 ventas
Ventas
𝑌𝑌 i = Ventas deeditorial;
de libros de la editorial editorial; 𝛽𝛽 efecto
𝛽𝛽
2009-2018 = efecto marginal (𝒱𝒱 marginal
= 𝑌𝑌)en y las
el en ventas
precio x ventas cuando
promedio cuando el
de precio
los el precio
ejemplares
romedio de los libros varía en-0,05321961 una unidad poren monetaria;
por
0,000549974Xi = Precio
𝓉𝓉
consiguiente,consiguiente, el¡Papá!,
modelo
1.327.971,8600
el modelo promedio
decuales regresión
de regresión de los
es: libros y 𝜇𝜇̂ i =
es:disponibles
odo:
rata modo:
¡Papá!,
e averiguar
de modo:
averiguar¡Papá!,
considera
lavaría ¡Papá!,
relación considera
lavaría modo:
relación considera
de los datos
los
lasunidad ¡Papá!,
deventas datos
losdisponibles
lasunidad datos
ventas disponibles
considera
(𝒱𝒱𝓉𝓉 =monetaria; disponibles
(𝒱𝒱𝑌𝑌) con𝑌𝑌)los
en la la
datos
Tabla
eli con en
Tabla
preciomodo:
la
el disponibles
Tabla
1.1,
1.1,
precio
promedio entre
entre
1.1,
promedio entre
los
considera
en cuales
la
los Tabla
cuales
seselos encuentran
de encuentran
1.1,
se
datos encuentran
lalibros entre
de laslos lascuales
las enselaencue Tab
y la
2 x 2 2 x 1
ede dio los que
de libros
los=libros en este
una en una monetaria; 𝓉𝓉 =
tema X = XPrecio
i = Precio promedio no (𝒫𝒫𝒫𝒫de
promedio 𝓉𝓉 (𝒫𝒫𝒫𝒫
=los 𝑋𝑋)
de =
es
𝓉𝓉 libroslos 𝑋𝑋) i=
𝜇𝜇̂modelo, en
y 𝜇𝜇̂ i =se na
(𝒫𝒫𝒫𝒫
esiduos 𝓉𝓉estimados 𝑋𝑋), así como
de al tiempo
la regresión.elEn o la variable
notación de tendencia.
matricial, el(β𝑌𝑌̂problema Al incluir esta última
se en el
Por consiguiente, valor de los parámetros i=ypromedio ̂i0)=+𝛽𝛽
β𝑌𝑌𝛽𝛽̂de de 𝛽𝛽̂ylos
10laX
+𝛽𝛽 ̂muestra
recta
i+ 1X +de
𝜇𝜇̂ iejemplares de la siguiente
regresión
𝜇𝜇̂promedio
entas
variable
le de ventas
de libros
ventas
tendencia de
dedetendencia libros
dede
(que lalibros
de
editorial
ventas
la de
editorial
la de
editorial
2009-2018
libros
2009-2018 2009-2018
de (𝒱𝒱
la (𝒱𝒱
editorial
= = (𝒱𝒱
𝑌𝑌) 𝑌𝑌) y = yel elprecio
2009-2018
ventas
𝑌𝑌) precio
y el de precio
promedio
promedio
libros
(𝒱𝒱 = de
𝑌𝑌)de
la los
el
de ejemplares
editorial precio
ejemplares
los 2009-2018i
de𝓉𝓉los
(𝒱𝒱 ejempla
= 𝑌𝑌) y el
la puede
(que puede representar representar unamatricial,multitud
𝓉𝓉una 𝓉𝓉 multitud 𝓉𝓉 de otros de otros
factores, factores,como como
la renta, lalarenta,elsiguiente
la𝑋𝑋)el
0 1
ostimados
estimados
considera trata de la de
regresión.
averiguar
lineal, regresión.
la
serán: En notación
relación En de notación
las ventas los matricial,
(𝒱𝒱 = el𝑌𝑌)problema
con eldatos problema
el precio se𝓉𝓉 muestra
promediose muestra de (𝒫𝒫𝒫𝒫 de dispon
= siguiente
de la
manera: 𝓉𝓉
̂ 0Al
𝓉𝓉
̂incluir
𝒫𝒫𝒫𝒫 = (𝒫𝒫𝒫𝒫 𝑋𝑋), (𝒫𝒫𝒫𝒫
=así 𝑋𝑋),como
= así𝑋𝑋), como
al
así(𝒫𝒫𝒫𝒫
tiempo
como
al tiempo
= al o tiempo
𝑋𝑋), la oasí
variable
la como
variable
o la variable
de
al Dónde:
de
tiempo Dónde:
tendencia.
tendencia.
de ̂(𝒫𝒫𝒫𝒫
𝑌𝑌 i =la𝑌𝑌
tendencia.
o ̂Al
Ventas =
variable
iAl
= Ventas
incluir
incluir
𝑋𝑋),Al deasí la
incluir
de de
esta
como editorial;
la editorial;
tendencia.
última
última
esta al última
tiempo
en𝛽𝛽
en =
el efecto
elen oel=lamodelo,
𝛽𝛽modelo,
0modelo, efecto marginal
variable se semarginal
esta se deentendenci
última las
enenvent
ellasm
momento
nto𝓉𝓉 en el𝓉𝓉ciclo
a: en el𝓉𝓉 ciclo económico, económico, 𝓉𝓉cambio cambio en gustos en gustos o preferencias,
𝛽̂𝑜𝛽𝛽̂̂o𝑜𝑜 preferencias,
= = = 𝓉𝓉 etcétera).
686,569
686,569
686,569 etcétera). Para fines Para fines empíricos, empíricos,
sDon variable
de Pablodeenfadado tendencia
lapor (queeditorial
tantopuedeenredo representar cometido una multitud de otros 2009-2018factores, como la renta, el
promedio
�1𝛽
𝛽 �
𝛽� 11 =de
promedio ==-por de
Emilio,
-- 3,53245
los 3,53245 exclama: Mira hijo, ¿puedes ser
3,53245
libros
los libros
varía varía en una en unidad
una unidad monetaria; monetaria; X(𝒱𝒱
ata de trata
averiguar
trata
deelaveriguar
de la
averiguar
relación
latrata i =(𝒫𝒫𝒫𝒫
X
Precio
i = Precio
pro
por
nnsiguiente,
blo consiguiente,
Pablo
enfadado enfadado modelo
por el tanto derelación
modelo
por lade
regresión
tanto
enredo de
relación
averiguar
las
decometido
regresión
enredo ventas
las
es:deventas las la(𝒱𝒱
es:
cometido ventas
relación
𝓉𝓉(𝒱𝒱=
por 𝓉𝓉 = (𝒱𝒱
𝑌𝑌) 𝑌𝑌)
Emilio,
por de
𝓉𝓉con
=contrata
las
Emilio, ventas
de
𝑌𝑌)elexclama:
el2con
precio
precioaveriguar
el11precio
x221xxexclama:
(𝒱𝒱
promedio
promedio
𝓉𝓉 =
Mira la
promedio
𝑌𝑌)
Mirarelación
hijo,con
(𝒫𝒫𝒫𝒫
(𝒫𝒫𝒫𝒫 𝓉𝓉el
hijo,(𝒫𝒫𝒫𝒫
𝓉𝓉==
¿puedes de
precio
𝑋𝑋) 𝑋𝑋) lasde
=de
𝓉𝓉¿puedes 𝑋𝑋)la
ser ventas
promedio
de
la la ser 𝓉𝓉 =con
𝓉𝓉 = 𝑌𝑌) 𝑋𝑋)
máscomo momento
concreto? En verdad, noal en el ciclo económico, entiendotiempo cambio en gustos o preferencias, etcétera). Para fines empíricos,
nada de lo que has hecho hasta o ahora. la Emilio varia ante la
ariable variable
de variable
tendencia
de tendencia
de
̂ tendencia
(que
variable
̂
̂ (que
puede
̂ ̂ (que
puede
de ̂ representar
tendencia
puederepresentar residuos
representar (que
una residuos
una puedeestimados
multitud
multitud
una estimados
variable
multitud
representar
de de de
otros
otros
de la
de deregresión.
tendencia
otros la
factores,
factores,
una regresión.
factores,
multitudcomoEn
(que
como notación
comoEn
puede
la
de
la notación
renta,
otros
renta,
la matricial,
representar
renta,
el factores,
el matricial,
el el problema
una
como el prob
multitu
la re
eto?
oncreto? En verdad,
En verdad, β𝑌𝑌noi= yentiendo
𝛽𝛽β𝑌𝑌
no son
01i +𝛽𝛽
= 𝛽𝛽1 0Xlos
entiendo +𝛽𝛽 +1valores
inada 𝜇𝜇̂Xi nada
i de+ 𝜇𝜇̂lo i de estimados
que lo has
que hecho
has dehecho 𝛽hasta y (2.3)
𝛽hasta , los
ahora. (2.3) cuales
ahora.Emilio Emiliotambién
ante ante
la podríanla
por
mpaciencia de consiguiente, 0
su padre, el modelo
responde: de regresión Papá, secomo es: cómobteysientes,
0 1
uar la
representarse relación simbólicamente manera: manera: b1, de parapero evitar a veces
las
el usoesdel imposiblecircunflejo,venta prescindir
omento
iencia
a de momento
𝑌𝑌̂sui de en
momento
el ciclo
en
̂ i =padre,
=padre,
𝑌𝑌su el en
responde:ciclo
económico,
el
momento
ciclo
responde:económico,
de la Papá, económico,
cambio
en
̂ 0se el
cambio ciclo
𝛽𝛽̂̂ 0X cambio
en engustos
económico,
gustos
en gustos
o o
preferencias,
momento
preferencias,
0 cambio
o preferencias, en
en etcétera).
etcétera).
el
gustos
ciclo etcétera).
o económico,
Para
Para
preferencias,
Para
fines
fines fines
empíricos,
empíricos,
cambio etcétera).
empíricos, en gustosPara fines
o pre
nde: Dónde: Ventas por Ventas
delolatanto, editorial; == b𝛽𝛽𝛽𝛽Papá,
yeditorial;
𝑌𝑌̂ ̂00 + bcómo
= efecto
+𝛽𝛽
se
X
cómo
= .efecto
+
te sientes,
marginal
𝜇𝜇̂
te sientes,
marginal en pero lasen pero
ventasa veces
las ventasa veces
cuando escuando imposible
elesprecio
(2.3)
imposible
el precio prescindir prescindir
e la notación matricial para explicar el MCO. Ahora se va a derivar en forma matricial la
i 1 i
i i
dencia
or consiguiente,
por consiguiente,
por consiguiente, el modelo elpor modeloel (que
consiguiente,
de modelo Don es:Don Pablo puede Pablo
enfadado enfadado es:por tantopor tanto
enredo represe
enredo cometido cometido por es: Emilio,
por Emilio,exclam ex
notación
ión
promedio
dio de matricial
losmatriciallospara
delibros libros
varía para
explicar
varía
en explicar
una en elregresión
deMCO.
unidad
una
regresión
el deMCO.
unidad
regresión
monetaria;
el
es:modelo
Ahora es:Ahora
monetaria; se
X i va
=
de seX
por
aregresión
Precioi va
=
consiguiente,
derivar apromedio
Precio derivar en forma
promedio en
de
elforma
los
modelo
matricial
de libros
los matricialdelaregresión
libros
y 𝜇𝜇̂ i =y 𝜇𝜇̂la i=
cuaciónDónde: de las𝑌𝑌̂ventas Uniendo
i = Ventas de los lacoeficientes
de editorial,
la editorial;para 𝛽𝛽̂0 obtenidos,
=que efecto te des marginal secuenta,logra en las estimar
que ventas este la recta eldeprecio
cuando
procedimiento regresión no es nada
ciclo lineal: Y ̂ i==económico,
β ̂
̂𝛽𝛽i 0=++𝛽𝛽 β̂ ̂ = por
+𝛽𝛽 X ̂̂ + X ende,
+𝛽𝛽 ̂
+ más
X + Y más
concreto?
̂𝜇𝜇̂i=i=686,57 ̂concreto?
+𝛽𝛽 ̂ En –
X verdad,
En
3,53X,
+ verdad, no
donde:
(2.3)
(2.3) entiendo
no (2.3)entiendo
Y ̂cambio
= =nada ̂
valor nada
de
+𝛽𝛽 loX
̂medio deque lo(2.3)
has
que
𝜇𝜇̂de hecho
has hechohastah
eos
ón lasdeventas
esiduos
estimados las ventas
estimados de la lade 𝑌𝑌
editorial,
regresión.
de la regresión.𝑌𝑌
editorial,
0 En
𝛽𝛽
𝑌𝑌
para 0
notación
i
1, 1
En 𝛽𝛽
para
quei10 𝜇𝜇̂
te
notación
i que
i
1 𝜇𝜇̂
matricial,
ii 𝑌𝑌
destematricial,cuenta, 𝛽𝛽
des elcuenta, 0 que
problema este
el problema
1 i 𝜇𝜇̂
queseprocedimiento
ieste
muestraseprocedimiento
muestra 𝑌𝑌
de la siguiente
i 𝛽𝛽
denola es 0 no nada
siguiente 1 es + i nada i
el otro promedio mundo. las de ventas
los libros y Xvaría = Precio en unapromedio unidad monetaria; de los libros. Xi = Precio promedio delalosecuación
En conclusión, libros y 𝜇𝜇̂de i=
impaciencia impaciencia de sudepadre, su padre, responde: responde: Papá,Papá, se cómo se cómo tê sientes, te sientes,
pero pero
a ve
te,oDónde:
undo.
a: mundo.
manera: ̂
Dónde: =el
𝑌𝑌i Dónde: ̂
laVentasi = Ventas
𝑌𝑌recta ̂
𝑌𝑌i de
=demodelo
Ventas
la
Dónde:
deeditorial;
regresión la de ̂
editorial;
𝑌𝑌lai editorial;
=lineal ̂
𝛽𝛽Ventas
0= ̂
𝛽𝛽0efecto
=deefectô
𝛽𝛽de 0 =la
la marginal
efectomarginal
editorial;
editorial de
marginal
Dónde:en
es:
̂
en𝛽𝛽laslas
0= en ̂
𝑌𝑌ventas
ventas
efecto
i las
= Ventas regresión
ventas
cuando
cuando
marginal cuando
deella elprecio
en
editorial;
precio
ellas precio ventas 𝛽𝛽0 =cuando efecto el margin
prec
Emilioresiduos empieza estimados conde lalaordenación
regresión. En denotaciónlos datosmatricial, de ventas el problema
y preciosseen muestra
formadedelamatrices, siguiente del
de lade notación
la notación matricial matricial para para explicar explicar el MCO. el MCO. Ahora Ahorase vasea va derivar
a derie
nomedio
empieza
ilio
Pablo
Don promedio
empieza de
promedio
Pablocon
enfadadolosenfadado
de
la libros
con los de
lalibros
ordenación
por los
varía
promedio
ordenación
tantopor libros
varía
ende
tanto
enredo una
varía
enenredo
delosunaunidad
de los
en datos
̂
cometido
Ventas
𝑌𝑌 unidad
una
loslibros monetaria;
unidad
demonetaria;
datos
cometido
i=por
varía
ventas
686,57
= de monetaria;
Emilio,
por en
ventas promedio
X
yuna
X
–Emilio, =i =unidad
precios
exclama:
3,53Precio
i𝛽𝛽 ̂ yX
Precio i =de
Precio
precios
exclama:
0Mira
monetaria;
Precio los
enpromedio
promedio
forma
+𝛽𝛽en libros
promedio
Mira
hijo, formade devaría
de X̂
¿puedes
hijo,
(2.4) los ilos
de
matrices,
de 1
en
=¿puedes
libros seruna
Precio
libros
los
matrices,librosyX 𝜇𝜇̂ypromedio
del
serunidad 𝜇𝜇̂ ii=monetaria;
i 𝜇𝜇̂=yi del
= +de los librX 𝜇𝜇
iguiente manera: modo:
ecuación ecuación de lasdeventas las ventas de lade editorial,
la editorial, para para que te que destecuenta, des cuenta, que este
que
siduos
modo:
nte
más
oncreto? residuos
modo:
concreto?estimados
residuos
En estimados estimados
EnAverdad,
verdad, de nolaresiduos
partir de regresión.
la de
de
entiendo
no regresión.
estalaestimados
entiendo regresión.
nada En de
ecuación En
notación
nada lonotación
de
En
de
quesela notación
matricial,
regresión.
lopodrá
hasque matricial,
hecho
has residuos
matricial,
explicar elEn
hecho elproblema
hasta problema
notación
estimados
el influencia
la
hasta
ahora. problema
ahora. sematricial,
Emilio muestra
muestra
deEmilio
sela muestra
del
ante regresión.
de
el
de
precio
la
ante laproblema
la
de
siguiente
lasiguiente
laEn
sobre siguiente notación
se
lasmuestra matricia
de la
Ventas Don Pablo enfadado por tantode enredo cometido la por Emilio,editorial; exclama: Mira hijo, ¿puedes ser 𝛽𝛽 0 ̂
ventas (X → Y) y predecir del el valor otro
del otro medio
mundo. mundo. de las ventas de la editorial a partir
anera:
iencia manera:
mpaciencia de manera:
su de padre,
desuvalores padre, manera:
responde: responde:
dados Papá, Papá,
seprecio cómo se cómo te sientes, te sientes, manera:
pero apero veces a veces es imposible es imposible prescindir prescindir
osmáslibros concreto? En verdad, nodel entiendo
varía nada promedio de lo que dehas los
en
libros
hecho hastauna ahora. Emilio anteunida la
Emilio Emilio empieza empieza con la con ordenación
la ordenación de losdedatos los datos de ventas de ventas y precios
y pre
deDon
notación Pablo
la notación Don Don
Pablo
matricialenfadado Pablo
matricial enfadado
para
Como
enfadado
por Don
explicar
para
lo
tanto
por Pablo
explicar
sospechaban
tanto
elpor
enredo
MCO. tanto
enredo
enfadado
el cometido
MCO.enredo
Ahora
los
cometido por
Ahora
dos,
cometido
se por
vatanto
existe
por
a Emilio,
se Emilio,
enredo
Don
por
derivar
va una
Emilio,
a derivar Pablo
exclama:
en exclama:
cometido
relaciónforma enexclama:
enfadado
forma Mira
Mirapormatricial
matricial
negativa
Mira
hijo,
hijo,
por
Emilio, la hijo,
¿puedes
tanto
entre
¿puedes laexclama:
¿puedes
las
enredo serserser
ventas
cometido
Mira hijo,por ¿puE
impaciencia de su padre, responde: Papá, se cómo te sientes, pero a veces es imposible prescindir
ados de los de
libros yentiendo lapromedio
el entiendo
precio regresión.
siguiente siguiente de modo: los modo: mismos. La En no
ás
ónconcreto?
ecuacióndemás lasde concreto?
más lasEn
ventas concreto?verdad,
ventas
de Enla verdad,
más Enla
editorial,
de noverdad,
concreto?
no
editorial, para noque entiendo
En
paranada tenada
verdad,
quedesdenada de
te lo loque
cuenta,node
des que entiendo
lo
has
más
cuenta, has
queque hecho
concreto?
hecho
estehas
quenada hecho
hasta
hasta de
procedimiento
este En
hasta loecuación
ahora.
ahora.
procedimiento verdad,
que ahora.
Emilio
Emilio
has
no es no arriba
Emilio
hecho
no ante
entiendo
nada anteesla
descrita
ante
hasta
la lanada
nada ahora. deEmilio
lo que an ha
de la notación indicamatricial que si para el precio explicar el MCO. Ahora
promedio de un selibro va a varía derivar(aumenta/disminuye)
en forma matricial la en
mpaciencia
del
ro mundo.
otroimpaciencia
mundo. deuna
impaciencia sude unidad
padre, sudepadre,
impaciencia
su monetaria
responde:
padre,responde: responde:
Papá,
de Papá, ($1),
su se
padre,
Papá,
se
cómo lacómo ventas
responde:
setecómo tesientes, variarán
impaciencia
sientes,
te Papá,
sientes, perose(disminuirán/aumentarán)
pero apero
ade cómo
veces
veces
sua veces padre,
es
te
esimposible
sientes,
imposible
esresponde:
imposible pero prescindir
prescindir
aPapá,
prescindir
veces enseescómo imposible
te sie
ecuación3,53 de lasunidades ventas de monetarias la editorial, para 9 que te des cuenta,
($3,53). Como parece que esta interpretación no que este procedimiento no es nada
enfadado
e la notación
milioEmilio de
empieza la denotación
la
empieza matricial
notación
con lacon matricial
de para
matricial
ordenación la para
la ordenación notación
explicar para
explicar
de losdedatos explicar
el por
matricial
MCO.
el MCO.
los datos deel ventas
Ahora
MCO.
para Ahora
de ventas explicar
Ahora
yse
dese tanto
va
lavaynotación
precios aseaprecios
el
derivar
derivar
va
enMCO.aforma
derivar
matricial
enenAhora forma
forma
deenmatrices,
forma forma
se
de enredo
matricial
para
matricial
va matricial
aexplicar
matrices, derivar
del laladel laelenMCO. formaAhora matricia se
del otro mundo.
En
uación
nte
iguiente ecuación
modo: las8deventas
demodo:
ecuación verdad,
las
Elde ventas
las
gorrode
ecuación
oventas
lacircunflejo
deeditorial,
la de editorial,
delacolocado
las
editorial,
paraventaspara que
encima para
quede te de te
la no
des
que des
editorial,
cada cuenta,
teecuación
cuenta,
des cuenta,
parámetro que
para
que entiendo
de este
este
que
que
las procedimiento
significa procedimiento
ventas
este
teundes procedimiento
valor cuenta,
deestimado
la editorial,
noqueno eses
del no
este
nada nada
espara
parámetro. nadaque tena
procedimiento des cu no
Emilio empieza Un estimador con laesordenación un valor que de puede loscalcularse
datos deaventas partir dey los preciosdatos en forma de
muestrales y que matrices,
proporciona del
información sobre el valor del parámetro (β).
el otro su delmundo.otro
del mundo.
otro
9 padre, mundo.
Se debe delrecordarotro mundo. que las ventas están responde: representadas del otro en mundo.
millones de pesos colombianos yPapá, el precio
siguiente modo: promedio en miles de pesos.
EmilioEmilio empiezaEmilioempieza conempieza la
conordenación
Emilio
lacon ordenación
laempieza
ordenación de de loscon losdatos
dedatos
lalosordenación
de datos
deventasventas
deEmilioventas
yde
yprecios
precios
los
empieza
y precios
datos en forma forma
con
deenventasforma
ladede ordenación
matrices,
matrices,
dey precios
matrices, delde del endel
los forma
datosdedematr ven
matricial para explicar el M
guiente
siguiente
modo:
siguiente
modo:modo:
siguiente modo: siguiente modo:
s ventas de la editorial, par
ntas se reducirían en $3,53 y lo contrario. Este análisis permite concluir que las ventas d
nera: ¡Mira
manera: papá!,
¡Mira si lasieditorial
papá!, incrementa
la editorial incrementael precio promedio
el precio promedio de undelibro en $1e
un libro
os son muy o elásticas al precio, lo cual
MARIO indica
EDUARDO queVILLOTA
HIDALGO se debe ser muy prudentes con la fij
ucirían
educiríanen en
$3,53 y loycontrario.
$3,53 EsteEste
lo contrario. análisis permite
análisis concluir
permite que
concluir
EL USO
EL DE
USOLADE las
que ventas
ECONOMETRIA
LA ECONOMETRIAdeBAS
51las ventas
BASICA
la política
uy de precios,
o elásticas de lo
al precio, locontrario,
cual indicanuestrosseingresos se veránprudentes
fuertemente menguado
muy o elásticas al precio,
es suficientemente
Emilio, lo cual
clara para
Emilio, Donque
indica
sabe sabe quedebe
Pablo,
que este Emilio
quetema
ser
tratamuy
se debe
este tema ser
de muy
no esno exponerlo
enesnada de con
en nada la la
prudentes
sencillo,
fijaci
con la
sencillo,
por tanto,
por tanto,
trata trata
de explicarlo
de explicarlo
del siguien
del si
siguiente manera: ¡Mira papá!, si la editorial incrementa el precio promedio
Procedimiento
de precios,de de
2lo contrario, nuestros los ingresos se verán lafuertemente menguados.
ca de precios, de modo:
un libro lo modo:
¡Papá!,
las¡Papá!,
en contrario,
$1, considera
ventas considera
nuestros datos
los datos
se reducirían disponibles
endisponibles
ingresos
$3,53 enysela
loenTabla
verán Tabla
1.1,fuertemente
contrario. entre
1.1,
Esteentre
losanálisis
cuales
los cuales
semenguad
encuentran
se encuen
permite concluir que las ventas de libros son muy o elásticas al precio, lo cual
Para
ientoevitar que Don
2 indica Pablo
debe quede
ventasventas
ser muycon
de libros
de libros
de la de ladudas
editorial
editoriala 2009-2018
estas
2009-2018 (𝒱𝒱alturas
𝓉𝓉 =(𝒱𝒱𝑌𝑌) =y del
el y ejercicio,
𝑌𝑌)precio
el precio
promedio Emilio
promedio seejemplar
propo
de losdeejemplares
los
imiento 2 que se prudentes con la fijación 𝓉𝓉de la política de precios,
de lo contrario, =nuestros
(𝒫𝒫𝒫𝒫 (𝒫𝒫𝒫𝒫 ingresos
𝑋𝑋),=así𝑋𝑋),como
así como alsetiempo
al tiempo verán o fuertemente
o la variable
la variable menguados.
de tendencia.
de tendencia.
Al incluir
Al incluir
esta última
esta última
en el en
modelo
el m
rarrollar
que Don Pablo quede
la estimación de
𝓉𝓉 con
la
𝓉𝓉 dudas de
ecuación a estas alturas
regresión delde
lineal ejercicio,
un modoEmilio se propone
alternativo, utilizan
itar que Don Pablo quede con dudas a estas alturas del ejercicio, Emilio se pro
trata trata
de averiguar
de averiguar
la relación
la relación
de lasdeventas (𝒱𝒱 =(𝒱𝒱𝑌𝑌) =con
las ventas 𝑌𝑌)elcon
precio
el precio
promedio
promedio = 𝑋𝑋)=de𝑋𝑋)la
(𝒫𝒫𝒫𝒫 (𝒫𝒫𝒫𝒫
estimación de la ecuación
Procedimiento 2 de regresión lineal de un modo alternativo, utilizando
𝓉𝓉 𝓉𝓉 𝓉𝓉 𝓉𝓉
aladeestimación
cálculo Excel
deorganiza
la ecuación la información
de regresión de ventas
linealyde precio promedio
un modo en la Tabla
alternativo, 1.4
utiliz
variable
variable
de tendencia
de tendencia
(que puede
(que puede
representar
representar
una multitud
una multitud
de otros
de otros
factores,
factores,
comocomo
la renta,
la ren
el
lo Excel organiza la información
Para evitar que Don Pablode ventas
quede y precio
con dudas promedio
a estas alturas delen la Tabla 1.4. P
ejercicio,
estimación
lculo Exceldeorganiza
los valores
lade enlos parámetros
información de 𝛽𝛽
ventas 𝛽𝛽̂en1, gustos
̂ 0 ycambio yseprecio
procede a calcular
o promedio laPara
en media
la Para
Tabla aritm 1e
Emilio semomento
momento
propone el en
ciclo
el ciclo
económico,
desarrollar económico,
cambio
la estimación deenlagustos
oecuación
preferencias,
preferencias,
deetcétera).
etcétera).
regresión fines fines
empíri
de los valores deunlos parámetros ̂ 0 y 𝛽𝛽̂ 1, se procede a calcular la media aritméti
lineal de modo alternativo,𝛽𝛽utilizando la hoja de cálculo Excel organiza la
medio
ón de del precio = por
X
los información
valores consiguiente,
ypor
dede de
losconsiguiente,
las el modelo
ventas
parámetros
ventas
el =modelo
dê regresión
Y, de regresión
𝛽𝛽 0así:
y precio promedio y en𝛽𝛽̂ 1,laes:
se es:
procede
Tabla 1.4. Paraalacalcular
estimaciónla
demedia ari
precio = X y de las ventas = Y, así:
se𝛽𝛽̂̂1procede
los valores de los parámetros β𝑌𝑌̂0i =y 𝛽𝛽β𝑌𝑌̂1,0i =
+𝛽𝛽 0X
+𝛽𝛽 ̂ Xii +a𝜇𝜇̂calcular
i +1 𝜇𝜇̂ i la media aritmética
(2.3) (2.3)
del precioo=promedio
X y dedel
lasprecio
ventas
= X= Y,lasasí:
y de
𝑋𝑋
𝑋𝑋̅ = ∑= Y, así:
ventas 𝑋𝑋
Dónde: 𝑌𝑌̂i = Ventas
Dónde: 𝑋𝑋̅de=la∑
𝑌𝑌̂i = Ventas de
editorial;
𝑛𝑛 ̂
𝛽𝛽̂0 = efecto
𝑛𝑛la editorial; 𝛽𝛽0 = efecto
marginal
marginal
en lasenventas
las ventas
cuando
cuando
el precio
el preci
𝑋𝑋
̅
𝑋𝑋 = ∑
Dónde: 𝑋𝑋̅ = promedio (media)
promedio
promedio de
de losde loslos
libros valores
libros
varía varía
en unaenX (precio);
unidad
𝑛𝑛una unidad ∑XXi == Precio
monetaria;
monetaria; suma
X total
i = Precio
promediodedelalosde
promedio columna
libros
los libro
y 𝜇𝜇̂
= promedio (media) de los valores X (precio); ∑X = suma total de la columna
Dónde: X = promedio (media) de los valores X (precio); ∑X = suma total
𝑋𝑋̅ = ypromedio
cios n =de
número (media)
residuos
de de estimados
residuos los de
estimados
trimestres. valores
la de X (precio);
regresión.
la regresión.
En notación ∑Xmatricial,
En notación = elsuma
matricial, total
problema
el problema de ladecolum
se muestra
se muestrala de
siguie
la s
número de trimestres.
la columna precios y n = número de trimestres.
manera:
manera:
n = número de trimestres. ̅ 3.870,7
3.870,7
̅ 𝑋𝑋 = 𝑋𝑋 = = $ 96,8 ==$$miles
96,8 milesDE LA ECONOMETRIA BASICA
ELmiles
96,8 USO
Don Pablo
Don Pablo
enfadado por40
40enfadado tanto
por tanto
enredo
enredo
cometido
cometido
por Emilio,
por Emilio,
exclama:
exclama:
Mira Mira
hijo, hijo,
¿puedes
¿pues
3.870,7
𝑋𝑋̅ = =
𝑌𝑌 $ 96,8 miles
más concreto?
más concreto? En̅
En verdad,
verdad,
Y40=no∑entiendo
̅ 𝑌𝑌 nada
no entiendo
nada de lo de
quelohas
quehecho
has hecho
hastahasta
ahora.ahora.
Emilio
Emilio
ante la
ante
ónde: 𝑌𝑌̅ = promedio (media) de los valores Y (ventas);
𝑛𝑛 𝑛𝑛Y = ∑
∑Y = suma total de la columna
impaciencia
impaciencia
de sude
padre,
su padre,
responde: 𝑌𝑌 Papá,
̅ responde:
∑Papá, se cómo
se cómo
te sientes,
te sientes,
pero pero
a veces
a veces
es imposible
es imposible
prescip
Dónde: Y = promedio (media)Yde=los valores
𝑛𝑛 Y (ventas); ∑Y = suma total
as y n = número dedetrimestres.
de la columna Ventas
la de
notación ymatricial
n =matricial
la notación número de explicar
trimestres.
para explicar
para el MCO.
el MCO.
AhoraAhora
se vasea derivar
va a derivar
en forma
en forma
matricial
matricial
la
dar que las ventas están representadas

ecuación
ecuación
de ̅
lasdeventas enlamillones
las13.789,7
ventas
de de
editorial, de que
la editorial,
para pesos
para descolombianos
teque tecuenta,
des cuenta, queyprocedimiento
que este el precio
este promed
procedimiento
no esno
na
Y = == $ $ 344,7
344,7 millones
millones
debe recordar que las ventas están representadas en millones de pesos colombianos y el precio prom
40
es de pesos. delestán
otro
del mundo.
otro mundo.
cordar que lasPrimero,
ventas representadas
se procede a estimar el en millones
valor de pesos
del parámetro de β1colombianos y el precio pr
llamado también,
os.
rimero, se procede a estimar el valor del parámetro de 𝛽𝛽̂ 1 llamado también, pendiente de
pendiente deEmilio
la recta deempieza
Emilio regresión,
empieza con lacon layordenación
posteriormente,
ordenación de losdedatos elventas
los datos
de valor ydeprecios
de ventas βy0,precios
conocido
en forma
en forma
de matrices,
de matrid
como intercepto o constante, partir de las siguientes fórmulas:
siguiente
siguiente
modo:modo: ̂
de regresión, y posteriormente, el valor de 𝛽𝛽 0, conocido como intercepto o constante, pa
s siguientes fórmulas:
1
variable de (𝒫𝒫𝒫𝒫𝓉𝓉 =de
𝑋𝑋), así como al tiempo
como lao renta,
la variabl
e libros de la editorial 2009-2018 (𝒱𝒱𝓉𝓉tendencia
= 𝑌𝑌) y el(que puede
precio representar
promedio de losuna multitud
ejemplares otros factores, el
recta de regresión, y posteriormente, el valor de 𝛽𝛽̂ 0, conocido como intercepto o constante, p
trata de averiguar la relación de las ventas (
𝑋𝑋), así como al tiempo omomento
la variableendeeltendencia.
ciclo económico, cambio
Al incluir en gustos
esta última en elo modelo,
preferencias,
se etcétera). Para fines empíric
de las siguientes fórmulas:
52 variable de tendencia (que puede representa
porventas
averiguar la relación de las consiguiente,
(𝒱𝒱𝓉𝓉 = 𝑌𝑌)elcon
modelo de regresión
el precio promedioes:(𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋) de la
𝛽𝛽̂ 1 = ∑(X - 𝑋𝑋̅)(Y - 𝑌𝑌̅)/∑(X - 𝑋𝑋̅)2 (2.5)
̂ ̂ ̂ momento en el ciclo económico, cambio en
de tendencia (que puede representar ∑( Xmultitud
β1 = una 𝑌𝑌 =
- X )( Yi -deYotros
𝛽𝛽 +𝛽𝛽
)/∑(
0 X X +
1factores,
-i X ) i como la renta, el(2.5)
𝜇𝜇̂
2
(2.3)
por consiguiente, el modelo de regresión es
o en el ciclo económico,Secambio deduce
Dónde: en 𝑌𝑌que
gustos la orecta
̂ i = Ventas dedela regresión
preferencias, 𝛽𝛽̂debe
etcétera).
editorial; pasar
Para finespor
= efecto el en
punto
empíricos, correspondiente a las me
Se deduce que la recta de regresión debe 0pasar pormarginal
el punto las ventas
correspondientecuando el precio
adelas medias
ambas de es:
variables ambas variables
Y) y que (X y Y) y que pordebe tener por ̂ 1)pendiente (β𝑌𝑌̂i )=la𝛽𝛽̂0 +𝛽𝛽̂1 Xpor
i + 𝜇𝜇̂ i
iguiente, el modelo de regresión
promedio de (Xlos ylibros varía debe
en unatener
unidad pendiente
monetaria; Xi (𝛽𝛽 la covarianza
= Precio promedio1 dedivididalos libros y 𝜇𝜇̂ la
i=
covarianza dividida por la varianza de la variable X, lo cual se expresa como
̂ x).la editorial; 𝛽𝛽̂ 0 =
2̂
2 la variable X, lo cual se expresa como 𝛽𝛽 1 = SDónde: =i =rx,y
Ventas
(Sy/Sde
β𝑌𝑌varianza
1 x,y
̂de
̂ i = 𝛽𝛽Ŝ 0 +𝛽𝛽/residuos
1SX xi =
+ r
𝜇𝜇̂ i
x,y
(S
estimados
y
/S x
).
de la regresión. En(2.3)
notación x,y / S x𝑌𝑌
matricial, el problema se muestra de la siguien
6.422,9
Reemplazando
e: 𝑌𝑌̂i = Ventas de la editorial; valores
𝛽𝛽̂0 = efecto
manera: en (2.5)
marginal en se
las obtiene: 𝛽𝛽̂1 =el precio
ventas cuando
promedio de los libros varía en una unidad
= 3,53
1.818,3
Don Pablo enfadado residuos estimados de la regresión. En nota

o de los libros Tabla
varía en2.1
una unidad monetaria; Xipor tanto enredo
= Precio promediocometido por
de los librosEmilio,
y 𝜇𝜇̂ i = exclama: Mira hijo, ¿puedes ser
Relación de ventas trimestrales de la editorial 2009-2018
másEnconcreto? manera:
estimados de la regresión. notación En verdad,elnoproblema
matricial, entiendosenada de lode
muestra que lahas hecho hasta ahora. Emilio ante la
siguiente
Trimestre Y= Ventas Y= Precio (X -X) (Y -Y) (X -X)2 (X -X) (Y -Y)
2009:1 impaciencia de su padre,98,6
275,5 responde: Papá,
1,8 se cómo Don3,4
Pablo
-69,2 te sientes, pero enfadadoespor
a veces-126,9 tanto enredo
imposible co
prescin
2009:2 285,6 96,6 -0,2 -59,1 0,0 9,9
más
seconcreto? Enen
verdad, no entiendo nada
tantode
Pablo enfadado por2009:3 la notación
enredo 336,8matricial
cometido para explicar
por Emilio,
102,0 5,2elMira
exclama: MCO.hijo,
Ahora
-7,9 va
¿puedes a derivar
ser
27,4 forma
-41,6matricial la
23,7
2009:4
ecuación
333,4 91,9 -4,9 -11,3
impaciencia deeste padre,55,2
su procedimiento
responde:
noPapá,
es nadse
creto? En verdad, 2010:1
no entiendo nadade las
de lo
357,0
ventas
que de
has la editorial,
hecho
105,6 hasta para
ahora.
8,8
que te
Emilio
12,3
des cuenta,
ante la
78,0que 108,3
2010:2 325,2 102,8 6,0 36,4
-19,5 de la notación -117,9
matricial para explicar el MC
delPapá,
ncia de su padre, responde: otro mundo.
se cómo te sientes, pero a veces es imposible prescindir
2010:3 362,2 102,1 5,3 17,5 28,4 93,1
2010:4 Emilio 232,0
empieza con la99,1 datos deecuación
ordenación2,3de los -112,7
ación matricial para explicar el MCO. Ahora se va a derivar en forma matricial la ventas5,4ydeprecios
las ventas de la de
-263,0
en forma editorial, para
matrices, deq
2011:1 252,2 100,3 3,5 -326,9
-92,5 12,5
siguiente del otro mundo.
de las ventas de la2011:2
editorial, para modo:
que te des cuenta,
322,1 104,8 que este8,0 -22,6 no es64,5
procedimiento nada -181,9
2011:3 297,3 85,6 -11,2 -47,4 124,7 529,8
Emilio empieza con la ordenación de los
mundo. 2011:4 298,9 103,0 6,2 -45,8 38,8 -285,7
2012:1 246,8 100,4 3,6 13,2modo:
-97,9 siguiente -355,8
o empieza con la ordenación
2012:2
de los datos
322,4
de ventas
93,8
y precios en
-3,0
forma de
-22,3
matrices, del
8,8 66,3
2012:3 383,5 99,7 2,9 38,8 8,6 113,7
modo:
2012:4 321,8 104,6 7,8 -22,9 61,3 -179,7
2013:1 351,5 100,0 3,2 6,8 10,4 21,8
2013:2 381,1 103,7 6,9 36,4 48,1 252,0
2013:3 412,5 96,7 -0,1 67,8 0,0 -4,6
2013:4 217,5 105,5 8,7 -127,2 76,3 -1111,1
2014:1 229,9 99,2 2,4 -114,8 5,9 -279,4
2014:2 342,9 86,4 -10,4 -1,8 107,5 19,1
2014:3 361,9 92,7 -4,1 17,2 16,5 -69,8
2014:4 301,3 100,9 4,1 -43,4 17,1 -179,5
covarianza dividida por la varianza de la variable X, lo cual se2 expresa como
varianza ̂de2 la variable X, lo cual se expresa como 𝛽𝛽𝛽𝛽̂ 1 = Dónde: Sx,y / S𝑌𝑌𝑌𝑌̂xi == Ventas
rx,y(Sy/S ). editorial; 𝛽𝛽𝛽𝛽̂0 =
dexla
β𝑌𝑌𝑌𝑌̂1i = 𝛽𝛽𝛽𝛽Ŝ 0x,y+𝛽𝛽𝛽𝛽/residuos
1SXxi +
= 𝜇𝜇𝜇𝜇r̂ x,y (Sy/Sx). de la regresión. En(2.3)
iestimados notación matricial, el problema se muestra de la siguien
6.422,9
Reemplazando
e: 𝑌𝑌𝑌𝑌̂i = Ventas de la editorial; valores
𝛽𝛽𝛽𝛽̂0 = efecto
manera: en (2.5)
marginal se ventas
en las obtiene: 𝛽𝛽𝛽𝛽̂1 =el precio
cuando promedio
=de los libros varía en una unidad
3,53
MARIO EDUARDO HIDALGO 1.818,3
VILLOTA
53
o de los libros Tabla
varía en2.1 Don Pablo
una unidad enfadado
monetaria; Xipor tanto enredo
= Precio promediocometido residuos
por
de los libros y 𝜇𝜇𝜇𝜇̂iestimados
Emilio, = exclama:deMira
la regresión. En nota
hijo, ¿puedes ser
Relación
Continuaciónde ventas trimestrales de la editorial 2009-2018
Tabla 2.1
estimados de la regresión. En notación En
más concreto? verdad,elnoproblema
matricial, entiendosenada de lode
muestra quemanera:
lahas hecho hasta ahora. Emilio ante la
siguiente
Trimestre Y= Ventas Y= Precio (X -X) (Y -Y)
2
(X -X) (X -X) (Y -Y)
2015:1impaciencia
2009:1 332,5 101,7
de su padre,
275,5 98,6 4,9 se cómo
responde: Papá,
1,8 Don24,3
Pablo
3,4
-12,2 te sientes,
-69,2 pero enfadadoespor
-60,4
a veces-126,9 tanto enredo
imposible co
prescind
2015:2
2009:2 343,2
285,6 95,3
96,6 -1,5
-0,2 -1,5
-59,1 2,2
0,0 2,3
9,9
tantode
ablo enfadado por2009:3
2015:3 la notación
enredo 421,9matricial
cometido
336,8 para
98,6 explicar
por Emilio,
102,0 exclama:elMira
1,8
5,2 MCO.hijo,
Ahora
77,2
-7,9
más
seconcreto?
va
¿puedes ser
3,4
27,4 Enen
a derivar verdad,
forma no
141,4
-41,6 entiendo
matricial la nada
2015:4
2009:4 401,9
333,4 102,5
91,9
EL USO DE ELLAUSO 5,7
-4,9
ECONOMETRIA
DE 57,2
-11,3
LA ECONOMETRIA
BASICA 32,9
23,7
BASICA
50 50 327,7
55,2
ecuación
nadadedelasloventas de la editorial, para que impaciencia
te desante
cuenta, de su padre, responde:
noPapá, se
creto? En verdad, 2010:1
no entiendo
2016:1 421,8
357,0 que has105,6
hecho
101,0 hasta8,8
ahora.
4,2 Emilio
77,1
12,3 17,9que este procedimiento
la78,0 326,1
108,3 es nada
2016:2
2010:2 361,7
325,2 96,9
102,8 0,1
6,0 0,0
36,4
17,0 de la notación
-19,5 matricial 2,2 explicar el MC
-117,9
para
cia de suque
Emilio, padre,
sabe
Emilio, sabe
este delPapá,
queresponde:
que
tema otro
este
no mundo.
se cómo
tema
es en no teessientes,
nada pero
sencillo,
en nada a veces
sencillo,
por tanto,estrata
por imposible
tanto,
de prescindir
explicarlo
trata de explicarlo
del siguiente
del siguiente
e 2016:3
2010:3 este 393,6
362,2 tema
98,3
102,1 1,5
5,3 48,9
17,5no 2,3
28,4 es en
74,9
93,1 n
2016:4 Emilio 232,0
2010:4 287,6 con la
empieza 91,8
99,1
ordenación-5,0 -57,1deecuación
2,3de los -112,7
datos ventas5,4ydeprecios
24,7 las ventas de la editorial, para
283,9
-263,0
enencuentran
forma delq
ación¡Papá!,
do: matricial
modo:
considera
para
considera
¡Papá!, explicar el MCO.
considera
los datos los Ahoradisponibles
seen
disponibles
datos va a derivar
la
los Tabla enTabla
en la
1.1,forma
entre
datos
matricial
1.1,
losentrelalos
cuales secuales
encuentran las de matrices,
sedispon las
2017:1
2011:1 380,0
252,2 77,8
100,3 -19,0
3,5 35,3
-92,5 359,8
12,5 -668,7
-326,9
de las ventas de libros
la siguiente
editorial, modo: del otro mundo.
230,1
64,5 -2288,1
-181,9
tas deventas
librosde𝓉𝓉
2017:2
2011:2
la la para
editorial
𝓉𝓉de que
editorialte2009-2018
495,6
322,1
2009-2018 des
(𝒱𝒱cuenta,
=81,6
104,8 que este
y el=
𝑌𝑌)(𝒱𝒱 procedimiento
-15,2
8,0
precio
𝑌𝑌) 150,9 no
deeslos
-22,6 promedio
y elpromedio
precio nada
ejemplares
de los ejemplares
os de la editorial
2017:3
2011:3 452,6
297,3 86,6
85,6 -10,2
-11,2 -47,4 2009-201
107,9 103,4
124,7 -1096,6
529,8
Emilio empieza con la ordenación de los
𝒫𝒫mundo.(𝒫𝒫𝒫𝒫así
𝓉𝓉 = 𝑋𝑋), 𝓉𝓉 =como así
al como
tiempoalotiempo
2017:4
𝑋𝑋),2011:4 la298,9
variable
404,9 o la variable
de103,0
tendencia.
93,0 de tendencia.
Al incluir
-3,8
6,2 Alesta
incluir
60,2
-45,8 14,2enúltima
última
esta
38,8 -226,6
el modelo,
en el modelo,
se
-285,7 se
í como
2018:1
2012:1 al
421,3
246,8 tiempo
83,7
100,4 -13,1
3,6 o
170,8
76,6 siguiente
-97,9 la-1000,4
13,2modo: varia
-355,8
oa empieza
tratacon
de averiguarlalaordenación
de averiguar
relación
2018:2
2012:2
de las
los322,4
la relación
de datos
ventas
333,7
de(𝒱𝒱
de las ventas
ventas
𝓉𝓉 =
y(𝒱𝒱
𝑌𝑌)
93,7
93,8
precios
con encon
𝓉𝓉 =el-3,0
forma
𝑌𝑌)precio
-3,1
de matrices,
elpromedio
precio
-11,0
-22,3
del
promedio
(𝒫𝒫𝒫𝒫
9,4
8,8 𝑋𝑋) de𝓉𝓉 =
𝓉𝓉 = (𝒫𝒫𝒫𝒫 la 𝑋𝑋) de la
33,9
66,3
uar la2018:3
2012:3 relación
379,1
383,5 94,5
99,7 -2,3
2,9 de
34,4
38,8 las
5,1
8,6 venta
-77,9
113,7
modo:
able variable
de tendencia
de2012:4
tendencia
(que puede
(que
representar
puede representar
una multitud
una multitud
de otros-22,9
de
factores,
otros factores,
como
2018:4 407,0
321,8 97,7
104,6 0,9
7,8 62,3 0,9 la como
61,3
renta, la
el-179,7
renta,
58,1 el
ndencia
Sumatoria
2013:1 (que
13.789,7
351,5 3.870,7
100,0 puede
3,2- 6,8- 10,4 represe
1.818,3 - 6.422,9
21,8
mentomomento
en el ciclo
eneconómico,
el ciclo económico,
cambio en
cambio
gustoseno gustos
preferencias,
o preferencias,
etcétera).etcétera).
Para finesPara
empíricos,
fines empíricos,
Promedio
2013:2 344,7
381,1 96,8
103,7 6,9 36,4 48,1 252,0
lconsiguiente,
ciclo Fuente:
el2013:3
por consiguiente,
modeloel de económico,
Elaboración
modelo propia
412,5
regresión con base en
es:la Tabla
96,7
de regresión
es: -0,11.2 67,8 0,0 cambio
-4,6
2013:4 217,5 105,5 8,7 -127,2 76,3 -1111,1
nte, el
2014:1 modelo
Ŷ 0-+𝛽𝛽
En β𝑌𝑌̂0i == 𝛽𝛽 β𝑌𝑌̂1̂iX1=229,9
X ̂ obtiene
𝜇𝜇̂ ̂i 1 Xi +99,2
i 0++𝛽𝛽
, 𝛽𝛽se 2,4 dede
el𝜇𝜇̂coeficiente
i (2.3) +regresión
= 344,7
β0-114,8 5,9
(2.3)
(-3,53)(96,8) -279,4
= 686,57
2014:2 342,9 86,4 -10,4 -1,8 107,5 19,1
Dónde: 𝑌𝑌̂Dónde: 𝑌𝑌Por
2014:3consiguiente:
̂ i =de
i = Ventas Ventas
la editorial;
de la =̂
𝛽𝛽̂Ventas
0𝑌𝑌
editorial;
361,9 ̂=0 =
efecto
𝛽𝛽
92,7
i 686,57
=
marginal
efecto-4,1
en𝛽𝛽̂ventas
–marginal
3,53Precio
las +𝛽𝛽
en lascuando
17,2
0 ventas ̂
16,5elcuando
precio X-69,8 i +
1el precio
2014:4 301,3 100,9 4,1 -43,4 17,1 -179,5

=mediopromedio
de los libros
Ventas de los
varía
libros
en varía
una unidad
en unamonetaria;
unidad monetaria;
Xi = Precio
Xi =promedio
Precio promedio
de los libros
de los
y 𝜇𝜇̂libros
i= y 𝜇𝜇̂ i = ̂ 0
Procedimiento 3 de la editorial; 𝛽𝛽
duos residuos
estimadosestimados
de la regresión.
de la regresión.
En notación
En notación
matricial,matricial,
el problema
el problema
se muestra
se de
muestra
la siguiente
de la siguiente
os libros varía en una unid
Por último, Emilio se dispone a estimar paso a paso la recta de regresión
nera: manera:lineal de manera automatizada con la ayuda del software econométrico
ados de la regresión. En n
EViews 10 de amplio uso académico y profesional. El cargue en EViews del
Don Pablo
Donenfadado
Pablo enfadado
por tantopor
enredo
tantocometido
enredo cometido
por Emilio,
por exclama:
Emilio, exclama:
Mira hijo,
Mira
¿puedes
hijo, ¿puedes
ser ser
archivo de trabajo en excel Tab.1 se realiza mediante File → Open → EViews
s concreto?
más concreto?
EnWorkfile
verdad,
Encomo
no
verdad,
entiendo
seno entiendo
nada de
muestra enlo
nada
lasquedehas
lo hecho
Figurasque
2.2has
yhasta
hecho
2.3.ahora.
hastaEmilio
ahora.ante
Emilio
la ante la
enfadado por tanto enredo
aciencia
impaciencia
de su padre,
de suresponde:
padre, responde:
Papá, se Papá,
cómo se
te cómo
sientes,te pero
sientes,
a veces
peroes
a veces
imposible
es imposible
prescindir
prescindir
En
a notación verdad,
de la notación
matricialmatricial
para explicar
para explicar
el MCO.elAhora no
MCO.seAhora se vaentiendo
va a derivaraen
derivar
formaen
matricial
forma matricial
la la n
e su
aciónecuación de padre,
de las ventas
lasdeventas
la editorial,
de la editorial,
para quepararesponde:
te des
que
cuenta,
te desque
cuenta,
este que
procedimiento
este procedimiento Papá
no es nada
no es nada
54
Figura 2.2 Figura 2.3
Al pulsar Abrir se carga en la memoria la tabla en mención. Si se quiere

ver el contenido del conjunto de datos bastará con seleccionar con el puntero
del mouse y oprimiendo la tecla CTRL, las variables ventas y precio (en este
orden). Posteriormente, se hace clic con el botón derecho del ratón, enseguida
se elige las variables en mención y se selecciona Open → As Group (véase
Figura 2.4). De este modo, se puede ver la información de las variables del
modelo como grupo, como se indica en la Figura 2.5.
Para realizar la regresión se cierra la ventana anterior, pulsando la tecla

CTRL más el botón izquierdo del ratón, seleccionamos las variables ventas
y precio en su orden, damos clic derecho y elegimos Open → As Equation,
como se muestra en la Figura 2.6. En el campo Equation Specification aparece
las variables “ventas precio c”. La variable “c” corresponde al intercepto,
término constante u ordenada en el origen. Se puede modificar el orden
55
en el cual aparecerán las variables en la salida de EViews conservando el

orden lógico de la ecuación (Y = a + bX; dónde Y = Ventas, a = intercepto,
b = coeficiente y X = Precio promedio) con el propósito de facilitar su lectura
y comprensión.
En la ventana de diálogo Equation specification se ordena las variables del

siguiente modo: ventas c precio; enseguida, en el campo Estimation settings
seleccionamos el método de estimación, en nuestro caso, LS – Least Squares
(NLS and ARMA), en español: mínimos cuadrados ordinarios (MCO) y se da
Aceptar, como se indica en la Figura 2.7.
Se puede observar la estructura de la ecuación de las ventas de la editorial

seleccionando View → Representations y se da clic (Figura 2.8). EViews en
el apartado Substituted Coefficients ordena la estimación de la ecuación
de la recta de regresión empezando por el término constante y terminando
con el coeficiente de la variable explicativa (precio), como se muestra en la
Figura 2.9.
56
Los resultados de la estimación se muestran en la Tabla 2.2.
Tabla 2.2
Resultados MCO de las ventas contra el precio.
Variable Dependiente: V
Método: MCO
Muestra: 20009Q 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
C 686,5686 135,0660 5,083209 0,0000
PE -3,532447 1,392403 -2,536944 0,0154
R-squared 0,144839 Mean dependent var 344,7425
Adjusted R-squared 0,122335 S.D. dependent var 63,37666
S.E. of regression 59,37385 Akaike info criterion 11,05428
Sum squared resid 133.958,8 Schwarz criterion 11,13873
Log likelihood -219,0857 Hannan-Quinn criterion 11,08482
F-statistic 6,436083 Durbin-Watson stat 1,241471
Prob(F-statistic) 0,015410
Aunque la información estadística que proporciona EViews es muy

completa, por el momento, solo se tomará de la Tabla 2.2 lo correspondiente
a la columna de los coeficientes (Coefficient) de las variables de la ecuación
(intercepto y coeficiente del precio).
Por consiguiente, la ecuación de la recta de regresión resultante estimada

con el paquete EViews genera los mismos resultados obtenidos con el uso
de los métodos manuales vistos anteriormente, con la diferencia que la
automatización ahorra mucho tiempo y esfuerzo humano, además de ofrecer
mayor precisión en los resultados.
guar la relación (𝒫𝒫𝒫𝒫
de (𝒫𝒫𝒫𝒫 así𝑋𝑋),
= 𝑋𝑋),= las
como
así como
al tiempo o la vent
al tiempo variable
o la variable
de tendencia
de tend 𝓉𝓉 𝓉𝓉
trata de
trata
averiguar
de averiguar
la relación
la relación
de lasde
ventas
las ventas
(𝒱𝒱𝓉𝓉 =(𝒱𝒱𝓉𝓉 con
𝑌𝑌) = 𝑌𝑌)e
ndencia (que puede variable

variable
de tendencia repres
de tendencia
(que puede
(que puede
representar
representar
una multitud
una m
momento
momento
en el ciclo
en el económico,
ciclo económico,
cambiocambio
en gustos
en gustos57
o pref
el ciclo económico,
por consiguiente,
por consiguiente, cambio
el modelo
el modelo
de regresión
de regresión
es: es: EL
̂̂0 i ̂ 1̂ 0 ̂1
Sustituyendo los valores respectivos en la ecuación: Ventas = β𝑌𝑌0 =– 𝛽𝛽β𝑌𝑌1+𝛽𝛽
̂i
Precio,
= 𝛽𝛽 X+𝛽𝛽
+ 𝜇𝜇̂X + 𝜇𝜇̂
‹
i i i i
nte,se obtiene:
el modelo Emilio,de
sabeDónde: ̂ regresión
queDónde:
este
𝑌𝑌 tema no
de laes
̂ = Ventas
= Ventas
𝑌𝑌 deen nada
editorial; sencillo,
𝛽𝛽̂ =
la editorial;
i i
porm
𝛽𝛽̂ = efecto
efecto margin 0 0
promedio
promedio
de losde
libros
los libros
varía en
varía
unaenunidad
una unidad
monetaria;
monetar
Xi
Ventas modo:– ¡Papá!,

̂ i= 686,57
𝑌𝑌 = 𝛽𝛽 ̂ considera
3,53Precio
residuos +𝛽𝛽
residuos
losdedatos
estimados
estimados
la
disponibles
̂regresión.
de 1 X
la regresión.
en
En notación
En i
la +Tabla
notación
matricial
ma
0
manera:
manera:
ventas de libros de la editorial 2009-2018 (𝒱𝒱𝓉𝓉 = 𝑌𝑌) y el p
por̂
= Ventas
La conjetura de Don de la
Pablo respecto editorial;
del efecto negativo
Don Pablo
Don Pablo
del
enfadado
precio
enfadado
por tanto
sobre
por enredo
tanto enredo
cometido
𝛽𝛽
cometido
Emp
las ventas parece confirmarse. De otro(𝒫𝒫𝒫𝒫lado,

𝓉𝓉 = 𝑋𝑋), así
la más como
capacidad
concreto?al En
más concreto?tiempo
explicativa
verdad, onolaentiendo
En verdad, variable
de este
no entiendo
nadadedetendencia
nada
lo que
de lohasqu
os libros varía
modelo a juzgar por el valor del coeficiente en
de
impaciencia
impaciencia
determinación
trata de averiguar una
de su de
la relación
padre,
su padre,
de(R
10 responde:
2 responde:
las),ventas
pareceunid
Papá, Papá,
se cómose cómo
te sient
(𝒱𝒱𝓉𝓉 = 𝑌𝑌) con e
de la notación
de la notación
matricial
matricial
para explicar
para explicar
el MCO. el MCO.
AhoraAho se v
bastante reducido. Por ello, para poder convencer a Emilio será preciso decidir
mados de
si el coeficiente la
estimado regresión.
variable de tendencia
proporciona o no undel
ecuación
valor
ecuación
(que
de lasde
fiable
puede
ventas
las ventas
(en En
representar
de la editorial,
el
de la editorial,
sentido
una
para que
de
multitud
parateque
deste
n
cue
de
otro
delmundo.
otro mundo.
próximo al valor teórico que se queríamomento
conocer), enloelque
ciclo
Emilio
implica
económico,
Emilio
empieza
hacer
empieza
con lacon
referencia
cambio
ordenación en
de gustos
la ordenación losde los o
datos depref
datos
vend
a la distribución de dicho coeficiente y, en particular,
siguientea la
siguiente dispersión
modo:modo: de dicha
distribución.
enfadado por tanto Como no es posible cuantificar ésta mientras no se disponga
enredo
de un estimador para la varianza de las perturbaciones (σ 𝑌𝑌̂i ),
2
lâ 0 respuesta,
= 𝛽𝛽 +𝛽𝛽̂ 1 Xi + 𝜇𝜇̂ i sí
? EnDon Pablo
verdad,tiene o no razón en su planteamiento
nô entiendo se propone resolverse en n
Dónde: 𝑌𝑌i = Ventas de la editorial; 𝛽𝛽̂ 0 = efecto margin
los capítulos siguientes. Hasta ahora, Don Pablo siente cierta satisfacción al
e su
ver quepadre, responde:
el precio medio de los libros tiene algún
promedio de lospoder
librosexplicativo
varía en unasobre unidad Papá
lasmonetaria; Xi
ventas, como inicialmente intuyó.
residuos estimados
n matricial para de la regresión. En notación matricial
explicar el
manera:
2.1.2 Interpretación de los coeficientes.
as ventas de la editorial, pa
Don Pablo enfadado por tanto enredo cometido por Em
Como el modelo de regresión simple únicamente tiene dos variables
do. (una dependiente y otra explicativa),máselconcreto?
coeficiente de la pendiente
En verdad, no entiendo quede lo que has
𝛽1nada
acompaña la variable explicativa mide la fuerza del efecto marginal de la
pieza con la ordenación
intensidad de la variable explicativaimpaciencia de su padre,
sobre la variable responde:
dependiente, Papá, se
cuando
de
la cómo te sien
primera varía en una unidad. Comode yalasenotación
ha visto, este coeficiente
matricial se estima
para explicar el MCO. Ahora se
do:
a partir de datos. El coeficiente de regresión es un número que contiene dos
ecuación
tipos de información: además de indicar derelación
si la las ventaspropuesta
de la editorial, para que te des cue
es positiva
o negativa, indica la variación de ladel
variable dependiente cuando la variable
otro mundo.
explicativa varía en una unidad.
Emilio empieza con la ordenación de los datos de ven
10 El coeficiente de determinación es la proporción de la variación muestral en y que es explicada
siguiente modo: i
por la línea de regresión de MCO. Por definición R2 es un número entre 0 y 1. En general, que
el R2 sea pequeño indica que es difícil predecir con mucha exactitud resultados individuales
para y. Esto ratifica que en ciencias sociales es muy difícil predecir el comportamiento de los
individuos.
58
En el caso de la editorial, el coeficiente 𝛽1 mide la fuerza del efecto

marginal de la intensidad del precio promedio de los libros sobre las ventas
de la editorial, en otras palabras, cuantifica el impacto de un cambio unitario
en la intensidad del precio promedio sobre las ventas de la editorial.
En la Tabla 2.3 se muestra la interpretación de los coeficientes para los

distintos modelos.
Tabla 2.3
Interpretación de los coeficientes.
Variable Variable
Modelo Interpretación
dependiente explicativa
Nivel-nivel Y X ∆y = β1∆x
Nivel-log Y ln(X) ∆y = (β1/100)% ∆x
Log-nivel ln(Y) X %∆y = (100β1) ∆x
Log-log ln(Y) ln(X) %∆y = β1%∆x
Fuente: Pérez (2006: 7).
Modelo nivel - nivel
Se puede interpretar el coeficiente 𝛽i como el número de unidades que

varía en su media Y cuando Xi varía en una unidad (permaneciendo el resto
de las variables constantes o ceteris paribus11). El término constante 𝛽0 se
interpreta como el pronóstico de Y cuando Xi es igual a 0.
11 (…) La mayor parte de las cuestiones económicas tienen un carácter ceteris paribus. Por
ejemplo, cuando se analiza la demanda del consumidor interesa saber el efecto que tiene una
modificación en el precio de un determinado bien sobre la cantidad demandada, mientras
todos los demás factores —tales como ingreso, precios de los demás bienes y preferencias
individuales— se mantienen constantes. Si no permanecen constantes los demás factores, en-
tonces no se puede saber cuál es el efecto de una modificación en el precio sobre la cantidad
demandada (Wooldridge, 2009:12). Como se explicará en el capítulo 3, la condición ceteris
paribus intenta aislar el efecto que provoca cada variable explicativa sobre la variable depen-
diente para medir su contribución; en nuestro caso, el efecto o razón de cambio del precio so-
bre las ventas. Si prescindimos de esta condición, el análisis económico se torna prácticamente
imposible, dada la interacción de variables múltiples y su simultaneidad.
dencia (que puede represe
á!,
ros considera
de laal editorial los datos 2009-20 disp
arsí como
la relación tiempo de laso ventasla var
l ciclo económico, cambio
bros
así como de la al editorialtiempo 2009-2
o la va
guar
encia la (que relaciónMARIO puede
EDUARDO HIDALGO VILLOTA de las
represent ven
59
te, el modelo de regresión
así como
iguar la relación al tiempo de las o la ven va
ndencia
ciclo económico, (que puede cambio repres e
𝑌𝑌̂ i= 686,57
En nuestro caso, Ventas ̂ 0 +𝛽𝛽
= – 3,53Precio,
𝛽𝛽 cuando el̂coeficiente
X deli +
riguar
endencia la relación de las 1
ve
el
e, elciclo
precio
modelo el valor(que
𝛽1=3,53 y económico, de X es igual
de
puede
a cero (X = 0), entonces, cambi
regresión
repre
el valor de e
= Y es igual al valor delde
Ventas intercepto es 686,57,editorial;
la por lo tanto, el pronóstico derepre
las 𝛽𝛽 ̂0
tendencia
el ciclo (que
económico, puede camb
ente, el modelo
̂ i= $=
ventas será: Ventas
𝑌𝑌 686,57. 𝛽𝛽 ̂ 0 +𝛽𝛽 de regresió
̂ 1 Xi + 𝜇𝜇̂ i
os
n ellibros
ciclo varía
económico, en una camb unid
ente, el modelo ̂ i= 686,57
Ventas
𝑌𝑌 = ̂de
– (3,53)(0)
𝛽𝛽 +𝛽𝛽 regresi
̂ X +
Ventas de la editorial; 0 1
𝛽𝛽 ̂0 i
=
ados
iente,de el la modelo regresión.
̂ i= 686,57 ̂de regresi
̂ En no
Ventas
𝑌𝑌 =– 0 𝛽𝛽 0 +𝛽𝛽 1 Xi ̂ +
= Ventas
libros varía de en la editorial;
una unidad 𝛽𝛽
̂ i= 686,57
Ventas
𝑌𝑌 = 𝛽𝛽 ̂ 0 +𝛽𝛽 ̂ 1 Xi
=
los deVentas
libros de
varía en una la editorial;
En uni
i
dos la regresión. not
enfadado Interpretación
̂ i = Ventas de la editorial; del por
término tanto
independiente: El enredo
término constante
𝑌𝑌 los libros varía
mados representa elde
valor de lala ordenada donde la línea deen
regresión. regresión seuna En
intercepta al unn
En ejeverdad, noes elentiendo na
e losY. El
mados
intercepto o constante paramétrica
libros de la varía regresión.
coeficiente
en que nouna
acompaña
En un
nfadado ninguna variable;por en algunos casos, tanto su magnitud noenredotiene interpretación c
e su padre, responde: Papá
imados económica. En nuestro
de caso, la
si el precio de los libros es cero, es decir, en el En
regresión.
on enfadado
verdad, por tanto enred
evento que la editorial los regale a sus clientes (supuesto considerado comonad
no entiendo
matricial para explicar el M
o absurdo), las ventas de la editorial
enfadado por
Emilio,serian de $686,57.
sabe quetanto
esteEltema
valor del
no intercepto
enred
es en nada sencills
? En
su padre, verdad, responde: no entiendo Papá, n
provoca la formulación
s ventas de la editorial, par de varias preguntas: ¿Cómo es posible que las ventas
lo enfadado
o? En verdad,
de la editorial sean $686,57 por
cuando¡Papá!, no
no se cobra tanto
ningún entiendo
precio enre
por la disponibles
venta de
de su
matricial padre, para modo: responde: considera
explicar los datos el Pap M en la
o. los libros?; ¿de dónde provienen estos recursos?; si las ventas de la editorial
o?
de En
su verdad,
padre, no entiendo
responde: Pa
n matricial
ventas no dependen de únicamente la delpara
ventas de libros
precio, de explicar
¿de qué
editorial, laotros
editorial 2009-2018
factores dependen,
para (𝒱𝒱 el
𝓉𝓉 = 𝑌𝑌)
ieza con
considerando que este la
modelo solo ordenación
hay una única variable explicativa? de
ón de su padre,
matricial para responde: explicar Pa e
as ventas de (𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋),la editorial,
así como al tiempo o la variable dep ten
o: En economía, en muchas ocasiones la interpretación económica del valor
ón
las matricial
ventas de para la explicar p
editorial,
do.
za con de la constante latiene pocaordenación
importancia
trata por su naturaleza
de averiguar la relación autónoma,
de las yventas
otras (𝒱𝒱𝓉𝓉 lo
de = 𝑌𝑌
lasveces,
ndo.
por lo contradictorio dede
ventas su signo. De
la todos editorial,
modos, la interpretación
pieza con la
del intercepto es algo complejo. ordenación
variable¿Cómo
de tendencia (que puede
se interpretarían representar
las ventas de la de
una m
ndo.editorial en el con
mpieza modelo de ventasla
se hubiese obtenido un intercepto con signo
ordenación d
do: momento en el ciclo económico, cambio en gustos
negativo, es decir, - $686,57? En el mundo real no existen ventas negativas,
mpieza
sino variaciones con
odo: negativas en los la
montos deordenación
ventas.
odo:Por consiguiente, el término independiente, constante o intercepto es
̂ ii =
el valor que toma la variable dependiente estimada 𝑌𝑌
Y 𝛽𝛽̂ 0 +𝛽𝛽
cuando lâ 1variable
Xi + 𝜇𝜇̂ i
explicativa Xi es igual a cero.
Dónde: 𝑌𝑌̂i = Ventas de la editorial; 𝛽𝛽̂ 0 = efecto m
promedio de los libros varía en una unidad monetar

En economía, en muchas ocasiones la interpretación económica del valor de la constante tiene
negativas en los montos de ventas.
En economía, en muchas ocasiones la interpretación económica del valor de la constante tiene
poca importancia por su naturaleza autónoma, y otras veces, por lo contradictorio de su signo. De
poca importancia por su naturaleza autónoma, y otras veces, por lo contradictorio de su signo. De
Por consiguiente, elmodos,
todos término independiente,
la interpretación
EL USO
todos modos, la interpretación
constante
del intercepto
del DE
o intercepto
es algo complejo.
LA ECONOMETRÍA
intercepto
es el valor
¿Cómo se interpretarían
es algo complejo.BÁSICA
¿Cómo se interpretarían las
las que toma la
60
ventas de la editorial en el modelo de ventas se hubiese obtenido un intercepto con signo
ventas de la editorial ̂
variable dependiente estimada 𝑌𝑌eni elcuando
modelo de ventas se hubiese obtenido un intercepto con signo
la variable explicativa Xi es igual a cero.
negativo, es decir, - 686,57? En el mundo real no existen ventas negativas, sino variaciones
Si se escribe el modelo como nivel-nivel
negativo, es decir, - 686,57? En el mundo real no existen (lineal-lineal):
ventas negativas, sino variaciones
Si se escribe elnegativas
modelo
negativas encomo
los montosnivel-nivel
de ventas.
en los montos de ventas.
(lineal-lineal):
be que
Por
este
YPorconsiguiente,
=consiguiente,
𝛽0 + 𝛽el1Xeltérmino
término Xtema
+ 𝛽independiente,
+…+constante
independiente, 𝛽constante
X +o𝜇intercepto
k ki o intercepto
ino
es=
es 1, 2,que
el valor
el valor 3,…, es
tomanla
que toma la en n
1i Y = 𝛽𝛽0 + 𝛽𝛽1X1i + 𝛽𝛽2X2i +…+ 𝛽𝛽kXki + 𝜇𝜇i
2 2i i i = 1, 2, 3,…, n
variable dependiente estimada 𝑌𝑌̂i cuando la variable explicativa Xi es igual a cero.
E(Y \X estimada
variable dependiente , X ,…,𝑌𝑌̂X ) =la𝛽variable
i cuando + 𝛽 explicativa
X + 𝛽XXi es igual +…+ 𝛽X
a cero.
, considera i 1i 2i ki los 0 1 1i datos 2 2i k ki dispo
Si E(Y i\Xel
se escribe ,modelo
X2i,…, comoXkinivel-nivel
) = 𝛽𝛽0(lineal-lineal):
+ 𝛽𝛽1X1i + 𝛽𝛽2X2i2+…+ 𝛽𝛽kXki
(lineal-lineal):
Si se escribe el 1i
modelo como nivel-nivel
Y = E(Yi\X1i, X2i,…, Xki) = σ
os de la editorial Y
Y = 𝛽𝛽 + 𝛽𝛽 X + 𝛽𝛽 X +…+ 𝛽𝛽 X + 𝜇𝜇
= 𝛽𝛽
Y+ =
0
𝛽𝛽 X + 𝛽𝛽 X +…+ 𝛽𝛽 X + 𝜇𝜇
E(Yi\X1i, X2i,…, Xki) =
0 1
1 1i
1i
σ 2009-201
i = 1, 2, 3,…, n
2 2i
i = 1,22, 3,…,
2 2i n k
k ki
ki i
i
E(Y \X1i, X2i,…, Xki) = 𝛽𝛽0 + 𝛽𝛽1X1i + 𝛽𝛽2X2i +…+ 𝛽𝛽kXki

E(Yi\Xi 1i, X 2i,…, Xki) = 𝛽𝛽0 + 𝛽𝛽1X1i + 𝛽𝛽2X2i +…+ 𝛽𝛽kXki
En el caso de que todas las variables, excepto Xi permanezcan constantes,
síEncomo
el caso de que todas lasal variables,tiempo
Yexcepto
= E(Y \X , Xi
Y = E(Y \X , X permanezcan
,…, X ) = σ
X ,…, X ) = σ
o la
constantes,
i 1i se tiene: vari
2i ki 2
2
se tiene: i 1i 2i ki
En el caso de que todas las variables, excepto Xi permanezcan constantes, se tiene:

guar la relación ∆E(Y\X
En el caso de que todas las
1,1,X
X22,…,X
,…,X
variables, excepto
∆E(Y\X ) = 𝛽 de
Xi permanezcan∆Xconstantes,
kk) = 𝛽𝛽ii∆X ii
se tiene:
las vent
∆E(Y\X1, X2,…,Xk) = 𝛽𝛽i∆Xi
∆E(Y\X1, X 2,…,Xk) = 𝛽𝛽i∆Xi
EL USO
∆𝐸𝐸(𝑌𝑌\𝑋𝑋1,𝑋𝑋2,…,𝑋𝑋𝑋𝑋) DE LA ECONOMETRIA BASICA 6
𝛽𝛽i = 𝛽𝛽 =𝛽𝛽 ∆𝐸𝐸(𝑌𝑌\𝑋𝑋1,𝑋𝑋2,…,𝑋𝑋𝑋𝑋)
ndencia (que = puede
∆𝑋𝑋𝑋𝑋 repres
1
i
2
∆𝐸𝐸(𝑌𝑌\𝑋𝑋1,𝑋𝑋2,…,𝑋𝑋𝑋𝑋)
∆𝑋𝑋𝑋𝑋
∆𝑋𝑋𝑋𝑋
i
En nuestro
el ciclo ̂
modelo:Entonces = 686,57
seeconómico, – elcoeficiente
3,53Precio,𝛽𝛽i comola
elinterpretación esvaría
la siguiente: cuando el
interpretar el coeficiente 𝛽i como el númerocambio
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
Entonces se puede
puede
interpretar
interpretar el
coeficiente 𝛽𝛽i como número de unidades en
el número de unidades en varía
en
en su
su
Entonces se puede
Entonces se puede de unidades
mediainterpretar el coeficiente
Y cuando Xi varía 𝛽𝛽i como el
en una unidad, permaneciendo número
el resto de unidades
de las variables constantes.en varía en su
media Y cuando Xi varía en una unidad, permaneciendo el resto de las variables constantes.
en varía en su media Y cuando Xi varía en una unidad, permaneciendo el resto
ecio promedio el
nte, varía en una unidad monetaria, la media
modelo de de las ventas de la editorial varía en
regresión
media Y cuando
de las X i varía en
variables una unidad, permaneciendo el resto de las variables constantes.
constantes.
53 unidades. En nuestro modelo: Ventas
̂ i= 686,57
𝑌𝑌 ̂ 0 +𝛽𝛽
=– 3,53Precio,
𝛽𝛽 ̂ 1 es
la interpretación la i +
X
siguiente: cuando el precio promedio varía en una unidad monetaria, la media
Modelo nivel – log (lineal logarítmico) ̂
= Ventas de las ventas de la editorial
de varía en la
3,53 unidades.
editorial; 𝛽𝛽
Se propone ahora que en el modelo se escribe la variable explicativa (precio promedio) en
os libros varía
Modelo nivel – log (lineal logarítmico) en una unid
garitmo natural, el cual se denomina modelo nivel-log (lineal-logarítmico), para lo cual se tiene
mados Se propone deahora quela regresión.
en el modelo En n
se escribe la variable explicativa (precio
e transformar la variable
promedio) X = precio
en logaritmo promedio
natural, el cualen
selogaritmo natural nivel-log
denomina modelo y luego hacer la respectiva
(lineal-
logarítmico), para lo cual se tiene que transformar la variable X = precio
timación.
promedio en logaritmo natural y luego hacer la respectiva estimación.
enfadado por tanto enredo
Y = 𝛽𝛽Ͳ + 𝛽𝛽1lnX + 𝜇𝜇
? En verdad, Y = 𝛽0 +no 𝛽1lnX + 𝜇 entiendo n
E(𝜇𝜇̳X) = 0 0 →→ E(Y̳X)
E(𝜇\X) = E(Y\X) = = 𝛽𝛽𝛽Ͳ ++𝛽 lnX
𝛽𝛽1lnX
0 1
e su padre, responde: Papá
∆𝐸𝐸(𝑌𝑌\𝑋𝑋) ∆𝐸𝐸(𝑌𝑌\𝑋𝑋)
𝛽𝛽1 = =
∆𝑙𝑙𝑙𝑙𝑙𝑙 ∆𝑋𝑋/𝑋𝑋
n matricial para explicar el
Multiplicando y dividiendo por 100 para expresar la variación de X en términos de %, se tiene
as ventas de la editorial, pa
e
do.
𝛽𝛽1 ∆𝐸𝐸(𝑌𝑌\𝑋𝑋) ∆𝑋𝑋
E(𝜇𝜇̳X) = 0 → E(Y̳X) = 𝛽𝛽Ͳ + 𝛽𝛽1lnX
∆𝐸𝐸(𝑌𝑌\𝑋𝑋) ∆𝐸𝐸(𝑌𝑌\𝑋𝑋)
𝛽𝛽1 =
MARIO EDUARDO
=
∆𝑙𝑙𝑙𝑙𝑙𝑙HIDALGO
∆𝑋𝑋/𝑋𝑋
VILLOTA
61
Multiplicando y dividiendo por 100 para expresar la variación de X en términos de %, se tien

Multiplicando y dividiendo por 100 para expresar la variación de X en
ue términos de %, se tiene que
𝛽𝛽1 ∆𝐸𝐸(𝑌𝑌\𝑋𝑋) ∆𝑋𝑋

≈ *
100 100 𝑋𝑋
Se puede interpretar
Se puedeentonces queentonces
interpretar cuando que
X (precio
cuandopromedio)
X (precio varía en uno
promedio) poren
varía ciento (1%),
uno por ciento (1%), la media de Y (ventas de la editorial) varía en 𝛽1/100
a media de Yunidades
(ventas de la editorial) varía en 𝛽𝛽1/100 unidades de Y.
deY.
El modelo: 𝑉𝑉̂ = 1.851,62 - 329,75 lP puede interpretarse del siguiente modo: cuando el precio
El modelo: V = 1.851,62 - 329,75IP puede interpretarse del siguiente
EL USO DE LA ECONOMETRIA BASICA
modo: cuando el precio promedio de los libros
romedio de los libros expresado en logaritmo natural varía expresado
en 1%, en logaritmo
la media de las ventas de la
natural varía en 1%, la media de las ventas de la editorial varía en 3,30
Modelo log(329,75/100
ditorial varía–en = 3,30) unidades
3,30(logarítmico
nivel (329,75/100 3,30)monetarias.
=lineal) unidades monetarias.
delo log – nivel (logarítmico lineal)
Se supone ahora quelogen– el
Modelo modelo
nivel se escribe
(logarítmico la variable dependiente ventas en logaritmo
lineal)
supone ahora que en el modelo se escribe la variable dependiente ventas en logaritmo
ural (modelo log-nivel), el cual
Se supone ahora quese
endenomina modelo
el modelo se escribe log- nivel dependiente
la variable (logarítmico -lineal), para l
ventas
l (modelo log-nivel),
en logaritmoelnatural
cual se denomina
(modelo modelo
log-nivel), log-senivel
el cual (logarítmico
denomina -lineal), par
modelo log-
se tiene que transformar la variable Y (ventas de la editorial) en logaritmo natural y luego
nivel (logarítmico-lineal), para lo cual se tiene que transformar la variable
e tiene queYtransformar
(ventas de lalaeditorial)
variableenYlogaritmo
(ventas de la editorial)
natural en logaritmo
y luego hacer natural y lue
la respectiva
er la respectiva estimación.
estimación.
la respectiva estimación.
lnY = 𝛽𝛽0 + 𝛽𝛽1X + 𝜇𝜇
lnY = 𝛽0 + 𝛽1X + 𝜇
E(𝜇𝜇̳X) lnY
=0= 0 + 𝛽𝛽1X + 𝜇𝜇
→𝛽𝛽E(lnY̳Y) = 𝛽𝛽0 + 𝛽𝛽1X
E(𝜇\X) = 0 → E(lnY\Y) = 𝛽0 + 𝛽1X
E(𝜇𝜇̳X) = 0 → E(lnY̳Y)𝐸𝐸(=∆𝑌𝑌𝛽𝛽)0 + 𝛽𝛽1X
∆𝐸𝐸(𝑙𝑙𝑙𝑙𝑙𝑙\𝑋𝑋) 𝑌𝑌\𝑋𝑋
𝛽𝛽1 = ≈
∆𝑋𝑋 ∆𝑋𝑋
∆𝑌𝑌
∆𝐸𝐸(𝑙𝑙𝑙𝑙𝑙𝑙\𝑋𝑋) 𝐸𝐸(𝑌𝑌\𝑋𝑋)
𝛽𝛽1 = la variación
Si se multiplica por 100 para expresar ≈ de Y en términos de % se obtiene:
∆𝑋𝑋 ∆𝑋𝑋
Si se multiplica por 100 para expresar la variación
∆𝑌𝑌 de Y en términos de %
𝛽𝛽1 𝐸𝐸(100 𝑥𝑥 𝑌𝑌 )
se obtiene:
se multiplica ≈
por 100 para expresar la variación de Y en términos de % se obtiene:
100 ∆𝑋𝑋
∆𝑌𝑌
𝛽𝛽1 𝐸𝐸(100 𝑥𝑥 )
Podemos interpretar entonces que cuando≈ 𝑌𝑌
100 X varía
∆𝑋𝑋en una unidad, Y varía en su media en (𝛽𝛽
demos ̂ =
)%. El interpretar
modelo 𝑙𝑙𝑙𝑙 6,80 - 0,010P,
entonces se interpreta,
que cuando X varíaasí: cuando
en una el precio
unidad, promedio
Y varía en su de los libr
media en
a. El
en modelo
una unidad
̂ monetaria,
𝑙𝑙𝑙𝑙 la media
= 6,80 - 0,010P, sede las ventasasí:
interpreta, expresado
cuandoen
el logaritmo natural varía
precio promedio de losenl
Si se multiplica por 100 parade
trata expresar la variación
averiguar de Yde
la relación
∆𝑌𝑌 enlas
términos
ventasde % se
(𝒱𝒱 = obtiene:
𝑌𝑌) con el p
𝛽𝛽1 𝐸𝐸(100 𝑥𝑥∆𝑌𝑌 ) 𝓉𝓉
𝛽𝛽1 ≈𝐸𝐸(100 𝑥𝑥 𝑌𝑌 )
𝑌𝑌
100≈ ∆𝑋𝑋
100 (que
∆𝑋𝑋 puede representar una multitud de
Podemos
62interpretar entonces
momento queen
cuando X varía en una unidad,
el ciclo económico, cambioY varía en su media
en gustos en (𝛽𝛽
o prefere
Podemos interpretar entonces que cuando X varía en una unidad, Y varía en su media en (𝛽𝛽
100)%. El modelô𝑙𝑙𝑙𝑙 ̂ = 6,80
por consiguiente, el modelo
- 0,010P, se interpreta, de regresión
así: cuando el precioes: promedio de los libro
00)%. El modelo 𝑙𝑙𝑙𝑙 = 6,80
Podemos - 0,010P,
interpretar se interpreta,
entonces que cuandoasí: cuando
X varía el precio
en una unidad, promedio
Y varía de los lib
enunidad
su media en (𝛽1 x la
100)%. ̂
𝑌𝑌 i = ̂
𝛽𝛽 0 +𝛽𝛽̂ 1 Xi + se
varía en una monetaria, mediaEldemodelo lV
las ventas = 6,80
expresado- 0,010P, 𝜇𝜇̂ i interpreta,
en logaritmo natural varía en
aría en una unidad monetaria, la media de las ventas expresado en logaritmo
así: cuando el precio promedio de los libros varía en una unidad̂ monetaria, natural
la varía en
Dónde: 𝑌𝑌 ̂ i = Ventas de la editorial; 𝛽𝛽 0 = efecto marginal e
0,0001 (0,010/100
media de=las0,0001) unidades en
ventas expresado monetarias.
logaritmo natural varía en 0,0001(0,010/100 =
0001 (0,010/100 = 0,0001) unidades monetarias.
0,0001) unidades monetarias.de los libros varía en una unidad monetaria; X
promedio i =
EL P
US
Modelo log-log (logarítmico-logarítmico)
Modelo log-log (logarítmico-logarítmico)
residuos estimados de la regresión. En notación matricial, el
Modelo
Se supone ahoralog-log
que en(logarítmico-logarítmico)
elEmilio,
modelo se sabe queen
escribe este tema nonaturales
logaritmos es en nadatantosencillo,
la variablepor tan
Se supone ahora que enmanera:
el modelo se escribe en logaritmos naturales tanto la variable
modo: ¡Papá!, considera los datos disponibles en la Tabla 1
dependiente como la variable
Se supone explicativa,
ahora que en se tiene
el modelo se ELentonces
USO DE LAelECONOMETRIA
escribe modelonaturales
denominado
BASICA modelo
50 log
ependiente como la variable Don explicativa,
Pablo enfadado poren
se tiene entonces
logaritmos
el modelo
tanto enredodenominado tanto por
cometido modelo
Emililo
ventas de
la variable dependiente libros
como de la editorial
la variable explicativa,2009-2018 (𝒱𝒱𝓉𝓉 = el
se tiene entonces 𝑌𝑌) y el prec
log o doble logarítmico.
g oEmilio,
doble sabe que este
modelo tema no es
más
denominado
logarítmico. en nadalog-log
concreto?
modelo sencillo, por
En overdad,
dobletanto,
notrata de explicarlo
entiendo
logarítmico. nadadelde
siguiente
(𝒫𝒫𝒫𝒫 = 𝑋𝑋), así como al tiempo o la variable de tendencia. A
lo que has he
𝓉𝓉
modo: ¡Papá!, considera los impaciencia datos disponibles de
lnY en=sula𝛽𝛽Tabla
+ 𝛽𝛽11.1,
0padre, lnX entre
+ 𝜇𝜇 los cuales
responde: Papá, se encuentran
se cómolas te sientes,
trata de averiguar lnY = 𝛽𝛽0 la + 𝛽𝛽 1lnX + 𝜇𝜇de las ventas (𝒱𝒱𝓉𝓉 = 𝑌𝑌) con el p
relación
ventas de libros de la editorial de2009-2018
la notación 𝑌𝑌) y el precio
(𝒱𝒱𝓉𝓉 =matricial para promedio∆𝑌𝑌 de los
explicar el ejemplares
MCO. Ahora se va a
𝐸𝐸(𝑌𝑌\𝑋𝑋
∆𝑌𝑌 ) representar una multitud d
variable de tendencia (que
𝐸𝐸(𝑙𝑙𝑙𝑙𝑙𝑙\𝑋𝑋)
E(𝜇𝜇̳X) = 0 →𝐸𝐸(𝑙𝑙𝑙𝑙𝑙𝑙\𝑋𝑋) ≈ 𝑌𝑌\𝑋𝑋 puede
𝐸𝐸( )
(𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋), así como al tiempo ecuación E(𝜇𝜇̳X)
o la variable de las → ∆𝑙𝑙𝑙𝑙𝑙𝑙
de=tendencia.
0ventas de la≈editorial,
Al incluir esta última
∆𝑋𝑋/𝑋𝑋 paraen el que te des
modelo, se cuenta,
∆𝑙𝑙𝑙𝑙𝑙𝑙 ∆𝑋𝑋/𝑋𝑋
momento en el ciclo económico, cambio en gustos o prefere
trataSedepuede
averiguar interpretar del
entonces otro quemundo.cuando
(𝒱𝒱𝓉𝓉 = 𝑌𝑌)Xcon varía en uno por ciento
(𝒫𝒫𝒫𝒫𝓉𝓉(1%),
= 𝑋𝑋) la demedia de Y va
Selapuede
Se puede interpretar
relación
entonces
de las
interpretar ventas
queentonces
por consiguiente, cuando queXcuando el precio
varía
el modelo X varía
en uno
promedio
en
depor uno por ciento
ciento
regresión es: (1%),
(1%),
la
la media de Y v
la media de Ypuede
variable de tendencia varía
Emilioen un empieza
𝛽1%,unaesmultitud
decir,
con se la interpretan
ordenación loscomo
decoeficientes
los datos en
el de ventas
en un 𝛽𝛽1%, es decir,(que se interpretan representar
los coeficientes de
en ̂
otros
términoŝ
factores,
de
̂
la renta,
elasticidades. En el modelo
n un 𝛽𝛽1%, estérminos
decir, sedeinterpretan
elasticidades. losEn el modelo en
coeficientes =
= 10,13 de
lVtérminos
𝑌𝑌 i 𝛽𝛽 0 +𝛽𝛽 - 0,94
1 X lP, cuando En
+ 𝜇𝜇̂
elasticidades.
i i el el modelo
momento en precio
el ciclopromedio
económico, siguiente modo:
decambio
los libros en gustos
varía en o preferencias,
uno por ciento etcétera).
(1%),Para fines empíricos,
la media de las
̂
Dónde: 𝑌𝑌i = Ventas de la editorial; 𝛽𝛽 0 = efecto marginal e ̂
ventas
por consiguiente, el de la editorial
modelo de regresiónvaría en es: 0,94%.
promedio de los libros varía en una unidad monetaria; Xi =
Como 𝑌𝑌 v̂ i==686,57 – i 3,53p
𝛽𝛽̂ 0 +𝛽𝛽̂ 1 X + 𝜇𝜇̂ i corresponde a un modelo (2.3)nivel-nivel (lineal-
lineal) no es necesario realizar ninguna transformación deEn
residuos estimados de la regresión. las notación
variables, en matricial, e
̂
Dónde: 𝑌𝑌icambio,
= Ventasparade laestimar
editorial; ̂ 0 = efectonivel-log,
marginal en las ventas cuando el
los𝛽𝛽modelos log-nivel y log-log es precio
necesario
manera:
promedio de transformar
los libros varía la variable
en una unidad dependiente
monetaria; ventasXi =y Precio
la variable
promedioexplicativa
de los librosprecioy en
𝜇𝜇̂ i =
logaritmos naturales Don y luegoPablo realizar
enfadadola estimaciónpor tanto mediante enredoMCO.cometido por Emil
residuos estimados de la regresión. En notación matricial, el problema se muestra de la siguiente
más concreto?
Ahora, se automatizará este En verdad,
proceso conno el entiendo nada de lo que has he
software econométrico
manera: EViews12 versión 10 del siguiente modo: Primero, se procede a transformar
impaciencia de su padre, responde: Papá, se cómo te sientes
Don Pablo enfadado por tanto enredo cometido por Emilio, exclama: Mira hijo, ¿puedes ser
de la notación matricial para explicar el MCO. Ahora se va
12 EViews es un paquete estadístico para Microsoft Windows, usado principalmente para
más concreto? En verdad,
análisis no entiendo
econométrico, nada dey lo
pronóstico que has hecho
simulación. hasta ahora. por Emilio ante la
ecuación de las ventas Fue de desarrollado
la editorial, Quantitative
para queMicro te des cuenta
Software (QMS). Este programa de computador combina la tecnología de hoja de cálculo con
impaciencia de su padre,
tareas responde:
tradicionales Papá, seencómo
encontradas softwarete sientes,
estadísticopero a veces empleando
tradicional, es imposible prescindir
una interfaz
del otro mundo.
de usuario gráfica. Es el paquete ideal para trabajar con datos de series de tiempo, secciones.
de la notación matricial para explicar el MCO. Ahora se va a derivar en forma matricial la
Emilio empieza con la ordenación de los datos de ventas
ecuación de las ventas de la editorial, para que te des cuenta, que este procedimiento no es nada
siguiente modo:
del otro mundo.
63
las variables ventas y precio promedio en logaritmos naturales. Para ello, se

abre nuevamente el archivo de trabajo Tabla 1 y en la ventana del Workfile
con ayuda del ratón se selecciona Quick → Generate Series y damos clic
(Figura 2.10). En el cuadro de diálogo que se abre, específicamente, en
el campo Generate Series by Equation se escribe: lv = log(v) y se da OK
(Figura 2.11).
Mediante esta orden, la variable “v” se ha transformado en logaritmo

natural (lv). Para comprobarlo se abre la variable lv, tal como se muestra en
la Figura 2.12. Luego se repite este mismo procedimiento para transformar la
variable precio promedio también en logaritmo natural (lp).
transversales o datos longitudinales. EViews permite administrar datos de manera rápida y

eficiente, realizar análisis econométricos y estadísticos, generar pronósticos o simulaciones
de modelos, y producir gráficos y tablas de alta calidad para publicación o inclusión en otras
aplicaciones. Para mayor información se puede consultar: https://www.software-shop.com/
producto/eviews
64
Figura 2.12
Una vez transformadas las variables ventas y precio promedio, con la

ayuda de EViews se puede estimar el modelo nivel-log a través de MCO,
tomando la variable ventas en su serie original y la variable precio expresada
en logaritmo natural (véase Figura 2.12). Para ello hay que situarse en la
ventana del Workfile, se selecciona las dos variables en su orden respectivo
(v y lp) y abrimos como ecuación mediante Open → as Equation y se da clic
como se muestra en la Figura 2.13. En el cuadro de diálogo que se abre a
continuación se verifica que las variables se encuentren en el siguiente orden:
v c lp y se da Aceptar (véase Figura 2.14).

65
Tabla 2.4
Resultados MCO de ventas contra el logaritmo natural del precio.
Método: MCO
C 1.851,617 590,1382 3,137599 0,0033
LP -329,7501 129,1239 -2,553749 0,0148
En la ventana del objeto ecuación se selecciona View → Representations

y damos clic como se muestra en la Figura 2.15. De este modo, se obtiene
EL USO la
DE LA ECONOMETRIA BA
ecuación de la recta de regresión de las ventas contra el logaritmo natural del
precio (véase Figura 2.16).
Emilio, sabe que este tema no es en nada sencillo, por tanto, trata de explicarlo del s
modo: ¡Papá!, considera los datos disponibles en la Tabla 1.1, entre los cuales se encue
ventas de libros de la editorial 2009-2018 (𝒱𝒱𝓉𝓉 = 𝑌𝑌) y el precio promedio de los ejempla
(𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋), así como al tiempo o la variable de tendencia. Al incluir esta última en el m
trata de averiguar la relación de las ventas (𝒱𝒱𝓉𝓉 = 𝑌𝑌) con el precio promedio (𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋)
variable de tendencia (que puede representar una multitud de otros factores, como la re
momento en el ciclo económico, cambio en gustos o preferencias, etcétera). Para fines

Figura 2.15
por consiguiente, el modelo de regresión es:Figura 2.16
El modelo nivel-log estimado 𝑌𝑌v̂ i == 𝛽𝛽1.851,62

̂ 0 +𝛽𝛽̂1 Xi +–𝜇𝜇̂329,75lp
i se interpreta, así:
(2.3)
si el precio promedio de los libros se incrementa en uno por ciento (1%), las
Dónde: 𝑌𝑌̂i = Ventas de la editorial; 𝛽𝛽̂0 = efecto marginal en las ventas cuando el prec
ventas de la editorial se reducirán en $ 329,75 y viceversa, manteniéndose
fijas las demáspromedio
variables
de que también
los libros varíaafectan las ventas.
en una unidad monetaria; Xi = Precio promedio de los libr
residuos estimados de la regresión. En notación matricial, el problema se muestra de la
manera:
Don Pablo enfadado por tanto enredo cometido por Emilio, exclama: Mira hijo, ¿pu
66
Ahora se va a estimar el modelo logarítmico lineal (log-nivel) a través

de MCO, tomando la variable ventas expresada en logaritmo natural (lv)
y la variable precio promedio en su serie original. Para ello se sitúa en la
ventana del Workfile, con la tecla CTRL y el puntero del ratón se selecciona
las variables lv y p y se abre como ecuación mediante Open → as Equation y
seda clic como se muestra en la Figura 2.17. En el cuadro de diálogo que se
abre a continuación se verifica que las variables se encuentren en el
ELsiguiente
USO DE LA ECONOM
orden: lv c p y se da Aceptar (véase Figura 2.18).
Emilio, sabe que este tema no es en nada sencillo, por tanto, trata de explica
modo: ¡Papá!, considera los datos disponibles en la Tabla 1.1, entre los cuales
ventas de libros de la editorial 2009-2018 (𝒱𝒱𝓉𝓉 = 𝑌𝑌) y el precio promedio de lo
(𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋), así como al tiempo o la variable de tendencia. Al incluir esta últim
trata de averiguar la relación de las ventas (𝒱𝒱𝓉𝓉 = 𝑌𝑌) con el precio promedio (𝒫𝒫
variable de tendencia (que puede representar una multitud de otros factores, co
momento en el ciclo económico, cambio en gustos o preferencias, etcétera). Pa

El modelo nivel-log estimado 𝑌𝑌 v̂ i == 1.851,62

𝛽𝛽̂ 0 +𝛽𝛽̂ 1 X–i +329,75lp
𝜇𝜇̂ i se interpreta, así: (2.3)
si el precio promedio de los libros se incrementa en uno por ciento (1%), las
̂ Ventas de la editorial; 𝛽𝛽̂ 0 = efecto marginal en las ventas cuand
Dónde: 𝑌𝑌
ventas de la editorial sei =reducirán en $ 329,75 y viceversa, manteniéndose
fijas las demás variables
promedio quelibros
de los también
varía afectan
en unalas ventas.
unidad monetaria; Xi = Precio promedio d
Ahora seresiduos
va a estimar el modelo
estimados logarítmico
de la regresión. lineal (log-nivel)
En notación matricial, aeltravés
problema se mues
de MCO, tomando la variable ventas expresada en logaritmo natural (lv)
manera:
y la variable precio promedio en su serie original. Para ello se sitúa en la
ventana del Workfile,
Don Pabloconenfadado
la tecla CTRL y elenredo
por tanto puntero del ratónpor
cometido seEmilio,
selecciona
exclama: Mira
las variables lv y p y se abre como ecuación mediante Open → as Equation y
más concreto? En verdad, no entiendo nada de lo que has hecho hasta ahora. E
seda clic como se muestra en la Figura 2.17. En el cuadro de diálogo que se
impaciencia
abre a continuación de su padre,
se verifica responde:
que las variablesPapá, se cómo teensientes,
se encuentren pero a veces es im
el siguiente
orden: lv c de
p ylasenotación
da Aceptar (véase Figura 2.18).
matricial para explicar el MCO. Ahora se va a derivar en forma
ecuación de las ventas de la editorial, para que te des cuenta, que este procedim
del otro mundo.
Emilio empieza con la ordenación de los datos de ventas y precios en forma

67
En la Tabla 2.5 se muestran los resultados de la regresión que arroja la

salida de EViews.
Tabla 2.5
Resultados MCO del logaritmo natural de ventas contra el precio.
Variable Dependiente: LV
Método: MCO
C 6,804526 0,412187 16,50834 0,0000
P -0,010118 0,004249 -2,381082 0,0224
S.E. of regression 0,181193 Akaike info criterion -0,529797
Sum squared resid 1,247579 Schwarz criterion -0,445353
Log likelihood 12,59595 Hannan-Quinn criterion -0,499265
Enseguida, en la ventana del objeto ecuación se selecciona View →

Representations y se da clic como se muestra en la Figura 2.19. De este
modo, se obtiene la ecuación de la recta de regresión de las ventas contra el
logaritmo natural del precio (véase Figura 2.20).

variable de tendencia (que puede representar una multitud de otros fa
momento en el ciclo económico, cambio en gustos o preferencias, etc

68
El modelo log-nivel estimado lv ̂=

𝑌𝑌 𝛽𝛽̂ 0 +𝛽𝛽
6,805
i = – ̂0,010p
1 Xi + se
𝜇𝜇̂ i interpreta, así: si el
precio promedio de los libros se incrementa en una unidad monetaria ($1), la
Dónde: 𝑌𝑌 ̂ i = Ventas de la editorial; 𝛽𝛽̂ 0 = efecto marginal en las ven
media de las ventas de la editorial expresadas en logaritmo natural se reducen
en $ 0,0001 (0,010/100
promedio de los= 0,0001)
libros yvaría
viceversa,
en una manteniéndose
unidad monetaria;fijas las demás
Xi = Precio pr
variables que también afectan las ventas.
residuos estimados de la regresión. En notación matricial, el problem
Muchas veces resulta más fácil interpretar el efecto de la variable X sobre
manera:
la variable Y en términos de porcentajes (elasticidades) que en unidades
monetarias,Don
paraPablo
ello seenfadado
utiliza el modelo log-log
por tanto o doble
enredo logarítmico.
cometido En
por Emilio, exclam
este caso se estima la ecuación de regresión tomando tanto la variable ventas
más concreto? En verdad, no entiendo nada de lo que has hecho hasta
como la variable precio promedio transformadas en logaritmos naturales.
impaciencia
En la ventana de ecuación,
del objeto su padre,enresponde:
la barra dePapá, se cómo
herramientas te clic
se da sientes,
en pero a v
deylaennotación
Estimate el cuadro matricial
de diálogopara
que se abre a continuación,
explicar el MCO. Ahorase edita
se las
va a derivar
variables lv c lp y se da Aceptar como se muestra en la Figura 2.21.
ecuación de las ventas de la editorial, para que te des cuenta, que este
del otro mundo.
Emilio empieza con la ordenación de los datos de ventas y precios
siguiente modo:
Figura 2.21
De este modo, se estima la ecuación de la recta de regresión a partir de la

información proporcionada por EViews disponible en la Tabla 2.6.
69
Tabla 2.6
Resultados MCO del logaritmo natural de las ventas contra el logaritmo EL USO D
natural del precio.
Variable Dependiente:Emilio,
LV sabe que este tema no es en nada sencillo, por tanto, t
Método: MCO
Muestra: 20009Q modo:
2018Q4 ¡Papá!, considera los datos disponibles en la Tabla 1.1, en
ventas de libros
Variable de la editorial
Coefficient Std. Error 2009-2018t-Statistic (𝒱𝒱𝓉𝓉 = 𝑌𝑌) y el precio p
Prob.
C 10,13330 1,801677 5,624370 0,0000
LP (𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋), así como al tiempo
-0,942689 0,394212o la variable
-2,391324 de tendencia.
0,0218 Al inc
trata de averiguar
Adjusted R-squared 0,107928la relación de las
S.D. dependent var ventas (𝒱𝒱𝓉𝓉 = 𝑌𝑌) con el preci
0,191734
S.E. of regression 0,181092 Akaike info criterion -0,530916
Sum squared resid 1,2 (que
Schwarzpuede
criterionrepresentar una multitud de otr
-0,446472
Log likelihood 12,61832 Hannan-Quinn criterion -0,500384
F-statistic momento en el ciclo económico,
5,718433 cambio en gustos
Durbin-Watson stat o preferencia
1,243529
De este modo, se obtiene el modelo lv ̂ i==

𝑌𝑌 10,13 – 0,94lp.
̂ 1 Xi +La
𝛽𝛽̂ 0 +𝛽𝛽 𝜇𝜇̂ iinterpretación
es la siguiente: Si el precio promedio de los libros se incrementa en uno por
̂ i = Ventas de la editorial; 𝛽𝛽̂ 0 = efecto marginal en la
ciento (1%), lasDónde:
ventas de𝑌𝑌
la editorial se reducirán en EL0,94%
USO DE y viceversa,
LA ECONOMETRIA
manteniéndose todo lo demás

promedio de losconstante.
libros varía en una unidad monetaria; Xi = Prec
Emilio, sabe que este tema no es en nada sencillo, por tanto, trata de explicarlo d
Siguiendoresiduos
el mismo estimados
procedimientode se la obtiene el modelo
regresión. log-nivel.matricial,
En notación En la el pro
Tabla 2.7 se muestra el conjunto de modelos de ventas de la editorial y sus
modo: ¡Papá!, considera los datos disponibles en la Tabla 1.1, entre los cuales se en
manera:
interpretaciones. En conclusión, los modelos nivel-nivel y log-log son los
ventas de libros de la editorial 2009-2018 (𝒱𝒱𝓉𝓉 = 𝑌𝑌) y el precio promedio de los ejem
más fáciles de interpretar.
Don Pablo enfadado por tanto enredo cometido por Emilio, e
(𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋), así como al tiempo o la variable de tendencia. Al incluir esta última en
más concreto? En verdad, no entiendo nada de lo que has hecho
Tabla 2.7
trata de averiguar la relación de las ventas (𝒱𝒱𝓉𝓉 = 𝑌𝑌) con el precio promedio (𝒫𝒫𝒫𝒫𝓉𝓉 =
Interpretación de los coeficientes
impaciencia de su opadre,
parámetros de los Papá,
responde: modelossedecómo
ventastedesientes, per
la editorial.
variable de tendencia (que puede representar una multitud de otros factores, como l
de la notación matricial para explicar el MCO. Ahora se va a der
momento enModelo Modelo econométrico
el ciclo económico, cambio en gustos oInterpretación
preferencias, etcétera). Para fin
ecuación de las ventas de la editorial, para que te des cuenta, que
por consiguiente, el modelo de regresión es: Cuando el precio promedio de los
del otro mundo. libros se incrementa en una unidad
Nivel-nivel V𝑌𝑌 𝛽𝛽̂ 0 +𝛽𝛽
686,57
̂ i== -̂3,53P
1 Xi + 𝜇𝜇̂ i monetaria, la media de las ventas
(2.3)
Emilio empieza con la ordenación de los datos de ventas y pr
de la Editorial disminuye en 3,53
̂ i = Ventas de la editorial; 𝛽𝛽̂ 0 = efecto marginal en las ventas cuando el p
Dónde: 𝑌𝑌
siguiente modo: unidades monetarias y viceversa.
promedio de los libros varía en una unidad monetaria; Xi = Precio promedio de los
residuos estimados de la regresión. En notación matricial, el problema se muestra d

𝓉𝓉
(𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋), así como al tiempo o la variable de tendencia. Al

ELincluir
USO DEestaLA
última en e
ECONO
trata de averiguar la relación EL

deUSO
lasDEventas (𝒱𝒱𝓉𝓉 = 𝑌𝑌)
LA ECONOMETRÍA con el precio promedio (𝒫𝒫𝒫𝒫𝓉𝓉 =
BÁSICA
Emilio, 70sabe que este tema no es en nada sencillo, por tanto, trata de expl
variable de tendencia (que puede representar una multitud de otros factores, como la
odo: ¡Papá!, considera los datos disponibles en la Tabla 1.1, entre los cual
momento enModelo Modelo econométrico
el ciclo económico, cambio en gustos o Interpretación
preferencias, etcétera). Para fin
entas de libros de la editorial 2009-2018 (𝒱𝒱𝓉𝓉 = 𝑌𝑌) y el precio promedio de
por consiguiente, el modelo de regresión es: Cuando el precio promedio de
𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋), así como al tiempo o la variable de tendencia.
los libros expresado enAl incluir esta últ
logaritmo
EL USO DE LA ECONO
̂
V i==1.851,62
̂
𝑌𝑌 ̂
𝛽𝛽 0 +𝛽𝛽-1 329,75
Xi + 𝜇𝜇̂Pi natural aumenta en 1%, la media(2.3)
de
Nivel-logla relación
ata de averiguar de las ventas (𝒱𝒱𝓉𝓉 = 𝑌𝑌) con el precio promedio
las ventas de la Editorial disminuye
Emilio,
Dónde:sabe que este
̂ i = Ventas de tema no es𝛽𝛽̂en
0 = nada sencillo,
en 3,30 por tanto,
(329,75/100) trata de exp
deunidades
𝑌𝑌 la editorial; efecto marginal en las ventas cuando el p
ariable de tendencia (que puede representar una multitud otros factores,
monetarias y viceversa.
modo: ¡Papá!,
promedio considera losendatos disponibles en la Tabla 1.1, entre los cual
omento endeellos libros
ciclo varía
económico, unacambio
unidad en gustosXoi =
monetaria; Precio promedio
preferencias, de los
etcétera).
entas de estimados
libros de la la
editorial 2009-2018 Cuando el precio
𝓉𝓉 = 𝑌𝑌) yel
(𝒱𝒱matricial, promedio
elproblema de
precio promedio
se muestra de
orresiduos
consiguiente, el de
modeloregresión. En notación
de regresión es:
los libros se incrementa en una
de
𝒫𝒫𝒫𝒫𝓉𝓉 = 𝑋𝑋), así como al

manera: tiempo
̂ i==
unidad
ô la variable
̂ 0- +𝛽𝛽 demonetaria,
tendencia.la media
Al de las
incluir esta úl
lV
Log-nivel
𝑌𝑌 6,80
𝛽𝛽 0,010P
1 Xi + 𝜇𝜇̂ i (2.3)
ventas de la Editorial expresada
ata Don
de averiguar
Pablo enfadadola relación
por tantodeenredo
las ventas
cometido (𝒱𝒱 𝓉𝓉 por
= 𝑌𝑌) con
naturalel
Emilio, precioMira
exclama: promedio
hijo, ¿
Dónde: 𝑌𝑌 ̂ i = Ventas de la editorial; 𝛽𝛽 ̂ 0 =enefecto
logaritmo disminuye
marginal en las ventas cua
en 0,0001 (0,010/100) unidades
ariable de tendencia
más concreto? (que
En verdad, nopuede
entiendo representar
nada de lo una que hasmultitud de otros
hecho hasta ahora. factores
Emilio
omedio de los libros varía en una unidadmonetarias monetaria; y viceversa.
Xi = Precio promedio
momento en el
impaciencia de ciclo económico,
su padre, cambio
responde: Papá, en gustos
se cómo o preferencias,
te sientes, pero a veces etcétera)
es imposib
siduos estimados de la regresión. En notación Cuando matricial,
el precio promedio de
el problema se mu
or
deconsiguiente, el modelo
la notación matricial de regresión
para explicar el MCO. los
es: libros expresado
Ahora en logaritmo
se va a derivar en forma matri
anera: natural aumenta en 1%, las ventas
ecuación de las ventas de
Log-log ̂ la
lV
𝑌𝑌 i==
̂ 0 +𝛽𝛽
10,13
𝛽𝛽 ̂ 1 para
editorial, Xi +que
- 0,94lP i te
𝜇𝜇̂de ladesmediacuenta,
de lasque estedeprocedimiento
ventas la (2.3)
Don Pablo enfadado por tanto enredo cometido por Emilio, exclama: Mir
Editorial expresadas en logaritmo
del otro mundo.
Dónde: ̂ i = Ventas de la editorial; 𝛽𝛽
𝑌𝑌 ̂ 0 = efecto marginal en las ventas cu
ás concreto? En verdad, no entiendo nada natural
de lo disminuye
que hasenhecho 0,94% hasta
y ahora
Emilio empieza con la ordenación de los viceversa.
datos de ventas y precios en forma de m
romedio de los libros varía en una unidad monetaria; Xi = Precio promedio
mpaciencia de su padre, responde: Papá, se cómo te sientes, pero a veces es
siguiente
modo:
esiduos estimados de la regresión. En notación matricial, el problema se m
e la notación matricial para explicar el MCO. Ahora se va a derivar en form
manera: Si seventas
uación de las analiza de
detenidamente el modelo
la editorial, para log-log
que tesedes
deduce que lasque
cuenta, ventas
este proced
de la editorial son muy sensibles al precio de los libros. Para confirmar esta
Don Pablo enfadado por tanto enredo cometido por Emilio, exclama: Mi
el otro mundo.
hipótesis se calculara la elasticidad precio de la demanda.13 Para ello tomamos
más concreto? En verdad,
de las columnas no
de laentiendo nada de lo que has hecho hasta ahora
Emilio empieza con 2la
y 3ordenación
Tabla 2.1,de
los siguientes
los datosdatos:
de ventas y precios en for
mpaciencia de 2009:01
Ventas su padre,
→ $ responde:
275,5 millonesPapá,
→ Q1 se cómo te sientes, pero a veces e
guiente modo:
Ventasmatricial
e la notación 2018:04 → para
$ 407,0explicar
millones →
elQMCO.
2 Ahora se va a derivar en for
cuación de laselasticidad-precio
13 La ventas de de lalaeditorial,
demanda es lapara que
variación te des
porcentual de lacuenta, que este proce
cantidad demandada
dividida por la correspondiente variación porcentual de su precio, por lo tanto, EPD = variación
el otro mundo.
porcentual de la cantidad demandada/variación porcentual del precio. Se debe tener presente que
la elasticidad no es lo mismo que la pendiente de la recta de regresión lineal, dos conceptos de
Emilio empieza con
amplio uso en la ordenación
el análisis económico. de los datos de ventas y precios en for
iguiente modo:
71
Precio promedio 2009:01 → $ 98,6 miles → P1

Precio promedio
Precio 2009:01
promedio → $ 98,6
2018:04 → $miles
97,7→ P1 → P2
miles
La elasticidad precio de la demanda se calcula utilizando la siguiente
La elasticidad
fórmula:precio de la demanda se calcula utilizando la siguiente fórmula:
La elasticidad precio de la demanda se calcula utilizando la siguiente fórmula:
(𝑄𝑄2−𝑄𝑄1)/(𝑄𝑄2+𝑄𝑄1)/2
EPD = (𝑄𝑄2−𝑄𝑄1)/(𝑄𝑄2+𝑄𝑄1)/2
EPD =(𝑃𝑃2−𝑃𝑃1)/(𝑃𝑃1+𝑃𝑃2)/2
(𝑃𝑃2−𝑃𝑃1)/(𝑃𝑃1+𝑃𝑃2)/2
Reemplazando valoresvalores
Reemplazando en la fórmula obtenemos:
en la fórmula obtenemos:
Reemplazando valores en la fórmula obtenemos:
(4.166−2.794)/(2.794 + 4.166)/2
(4.166−2.794)/(2.794 + 4.166)/2 = - 43 = │43│
EPD = (97.700−98.600)/(98.600
EPD = (97.700−98.600)/(98.600+ 97.700)/2 = - 43 = │43│
+ 97.700)/2
Como la elasticidad precio de la demanda se expresa en valor absoluto, EPD = 42 > 1. En

Como la elasticidad precio de la demanda se expresa en valor absoluto, EPD = 42 > 1. En
Como la elasticidad precio de la demanda se expresa en valor absoluto,
conclusión, la demanda de libros es elástica al precio, de forma que el precio y el ingreso por
EPDla=demanda
conclusión, 42 > 1. de
Enlibros
conclusión, la demanda
es elástica de forma
al precio, de librosque
es elástica
el precioaly el
precio, depor
ingreso
formaenque
ventas varían el precio
sentido y el ingreso
contrario. Nótese por
que ventas varían
si el precio de en
lossentido contrario.
libros varía en unaNótese
unidad
ventas varían
que si el precio de los libros varía en una unidad monetaria, las en
en sentido contrario. Nótese que si el precio de los libros varía una unidad
ventas de la
monetaria, las ventas
editorial de la editorial
variarán variarán en 42 unidades enmonetarias en sentidoAdemás,
contrario.
monetaria, las ventas de la en 42 unidades
editorial variarán monetarias
en 42 unidades sentido contrario.
monetarias en sentido contrario.
debe considerarse que los libros son bienes superiores, cuya demanda está
Además, debe considerarse que los libros son bienes superiores, cuya demanda está relacionada
Además, debe considerarse
relacionada que los
con el nivel delibros
rentason
de bienes superiores, cuya demanda está relacionada
los individuos.
con el nivel de renta de los individuos.
con el nivelDon Pablodeylos
de renta Emilio deben considerar este aspecto y ser cautelosos en el
individuos.
momento
Don Pablo de fijar
y Emilio precios
deben de loseste
considerar libros.
aspecto y ser cautelosos en el momento de fijar
Don Pablo y Emilio deben considerar este aspecto y ser cautelosos en el momento de fijar
precios de los libros.
precios 2.1.3.
de los Coeficiente
libros. de determinación (R2).
2.1.3. Coeficiente de determinación (R2)2

2.1.3. Coeficiente de determinación
El coeficiente (R ) (R2) mide la proporción del total de la
de determinación
El coeficiente
suma dedecuadrados
determinación (R2) mide
explicada la proporción
(SCE) del total deEste
por la regresión. la suma de cuadrados
coeficiente da
El coeficiente de determinación (R2) mide la proporción del total de la suma de cuadrados
una idea de la bondad de ajuste. Siempre que en el modelo exista término
explicada (SCE) por la regresión. Este coeficiente da una idea de la bondad de ajuste. Siempre
independiente,
explicada el R2 estáEste
(SCE) por la regresión. situado entre cero
coeficiente y uno,
da una cuanto
idea de más próximo
la bondad de ajuste. esté
Siempre
que en ela modelo
cero, peor será
exista el ajuste,
término y cuanto el
independiente, másR22cercano estéentre
está situado de uno,
cero ymejor será elmás
uno, cuanto
que en el modelo
ajuste. exista término independiente, el R está situado entre cero y uno, cuanto más
próximo esté a cero, peor será el ajuste, y cuanto más cercano esté de uno, mejor será el ajuste.
próximo esté a cero, peor será el ajuste, y cuanto más cercano esté de uno, mejor será el ajuste.
SCT = ∑𝑛𝑛𝑖𝑖=1 (𝑦𝑦𝑦𝑦 − 𝑦𝑦̅)2
SCT = ∑𝑛𝑛𝑖𝑖=1(𝑦𝑦𝑦𝑦 − 𝑦𝑦̅)2
SCE = ∑𝑛𝑛𝑖𝑖=1 ̂ - 𝑦𝑦̅)22
(𝑦𝑦𝑦𝑦
SCE = ∑𝑛𝑛𝑖𝑖=1(𝑦𝑦𝑦𝑦
̂ - 𝑦𝑦̅)
SCR = ∑𝑛𝑛 𝜇𝜇̂ i2
El coeficiente de determinación (R ) mide la proporción del total de la suma de cuadrados
explicada (SCE) por la regresión. Este coeficiente da una idea de la bondad de ajuste. Siempre
EL USOEL
DEUSO
LA ECONOMETRIA
DE LA ECONOME
B
que en el modelo exista término independiente, el R2 está situado
EL USO DE LA ECONOMETRÍA entre cero y uno, cuanto más
BÁSICA
72
próximo
Emilio,esté a cero,
Emilio,
sabe quepeor
sabe será
esteque el este
temaajuste, yes
notemacuanto
en más
nonada cercano
es en nadaesté
sencillo, de uno,
sencillo,
por mejor
tanto, será el
portrata
tanto,deajuste.
trata
explicarlo
de explica
del
𝑛𝑛 2
modo: modo:
¡Papá!,¡Papá!,
considera
considera SCT
los datos
los = ∑𝑖𝑖=1disponibles
disponibles
datos 𝑦𝑦̅) la Tabla
(𝑦𝑦𝑦𝑦 − en en EL USOentre
la1.1, DE
Tabla LA
1.1,
losECONOMETRIA
entre
cuales
los se encuB
cuales s
ventas ventas
de libros
dede
libros
la editorial
de la editorial ∑𝑛𝑛𝑖𝑖=1(𝒱𝒱
SCE =2009-2018
2009-2018 ̂ -=
(𝑦𝑦𝑦𝑦 𝑦𝑦̅)2𝑌𝑌)
(𝒱𝒱𝓉𝓉y =
el 𝑌𝑌)
precio
y el promedio
precio promedio
de los ejemp
de los
𝓉𝓉
Dónde: SCR = Suma de cuadrados
SCR = de
∑𝑛𝑛 los
𝜇𝜇̂ i2residuos; SCE = Suma de cuadrados exp
𝑋𝑋),𝓉𝓉 así
(𝒫𝒫𝒫𝒫𝓉𝓉 =(𝒫𝒫𝒫𝒫 como
= 𝑋𝑋), asíal
como
tiempo
al tiempo
o la variable
o la𝑖𝑖=1
variable
de tendencia.
de tendencia.
Al incluir
Al incluir
esta última
esta última
en el
SCT
Dónde:
trata = Suma
SCR
detrata
averiguar delade
=deSuma cuadrados
cuadrados
averiguar
relación total.
de
la relación
de losventas
las residuos;
de (𝒱𝒱𝓉𝓉SCE
las ventas = Suma
(𝒱𝒱
= 𝑌𝑌) 𝓉𝓉con
deprecio
el
= 𝑌𝑌) cuadrados
con explicada
el promedio
precio y 𝓉𝓉 =(𝒫𝒫
promedio
(𝒫𝒫𝒫𝒫 𝑋𝑋
Dónde: SCR = Suma de cuadrados de los residuos; SCE = Suma de
SCT cuadrados
= Suma
variable de explicada
de tendencia
cuadrados
variable de (quey puede
total.
tendencia SCT = Suma
(que Por de cuadrados
lorepresentar
tanto:
representar
puede unaSCTtotal.
= SCE
multitud
una + otros
SCRdefactores,
multitud
de otros factores,
como lacom
r
momentoPor
en lo
el tanto:
momento en elSCT
ciclo =Por
SCE
lo +tanto:
económico,
ciclo SCRSCT
económico,
cambiocambio
en gustos
= SCE en gustos
o preferencias,
+ SCR o preferencias,
etcétera).
etcétera).
Para fines
Pa
Siguiendo a Wooldridge (2015), la variación total en yi es la suma de la variac
por consiguiente,
por consiguiente,
el modelo
el modelo
de regresión
de regresión
es: es:
𝑦𝑦̂Siguiendo a Wooldridge
Siguiendo (2015),(2015),
a Wooldridge la variación la variación
i y en 𝜇𝜇̂ i. Suponiendo que la variación total en y no sea cero,
yi es en
total en total la suma de suma
yi es la la variación
como total en
esdeellacaso, a men
variación
abe que este tema no es en nada total en y
̂
𝑌𝑌ii y
= en̂
𝛽𝛽 μ
̂
𝑌𝑌 .
+𝛽𝛽
sencillo,
0 ii =Suponiendo
̂ 1
̂
X
𝛽𝛽 +𝛽𝛽
+ ̂𝜇𝜇̂ X que
+ la
𝜇𝜇̂ variación total
por tanto, trata de explicarlo del siguiente
0i 1 i i i en y no sea
(2.3) (2.3)
𝑦𝑦̂i y en 𝜇𝜇̂ i. Suponiendo que la variación total en y no sea cero, como es el caso, a menos que las yi
sean constantes en la muestra se puedelasdividir
cero, como es el caso, a menos que yi seanSCT constantes
= SCE en la muestra
+ SCR se para obt
entre SCT
!, considera
Dónde: los ̂datos
Dónde:
𝑌𝑌 disponibles
̂ i = Ventas
i = Ventas
𝑌𝑌 en
de la
de la editorial; la Tabla 𝛽𝛽̂ 0 =
editorial; 1.1, ̂ 0 = marginal
𝛽𝛽entre
efecto los cuales
efecto en se
lasencuentran
marginal ventas
en las ventas las cuand
cuando el pre
sean constantes puedeen dividir SCT =seSCE
la muestra puede + SCRdividir entre
SCTSCT = SCE para+ obtener:
SCR entre SCT para obtener:
𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆
ros de la editorial
promediopromedio2009-2018
de los libros +(𝒱𝒱𝓉𝓉en
de losvaría
libros ==una
1, también
𝑌𝑌)
varía yen
eluna
unidad podría
precio
unidad expresarse
promedio
monetaria; Xide del
= los i siguiente
Xejemplares
Precio
monetaria; = Precio
promediomodo:
promedio
de los lib
de
𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆
+ = 1, también podría expresarse del siguiente modo:
así como al residuos
residuos tiempo oestimados
𝑆𝑆𝑆𝑆𝑆𝑆
estimados la 𝑆𝑆𝑆𝑆𝑆𝑆
variable dedelatendencia.
de la regresión.
regresión.Al
Enincluir
En notación estamatricial,
notación
matricial,última enelelproblema
el problema modelo,
se muestra
se mues
de l
Variación no explicada en Y Variación explicada en Y
R2
=1-
Variación no explicada en Y
Variación explicada en Y total en Y
= , por lo tanto:
iguarmanera:
la relación
R2 de
manera: - ventas (𝒱𝒱𝓉𝓉Variación
= 1las = 𝑌𝑌) contotal
=elenprecio
Y Variación
promedio , (𝒫𝒫𝒫𝒫
por lo = 𝑋𝑋) de la
𝓉𝓉 tanto:
Variación total en Y Variación total en Y
2 Emilio, 𝑆𝑆𝑆𝑆𝑆𝑆
endencia (que
Don puede
Pablo
Don representar
enfadado
Pablo R2 =tanto
enfadado
𝑆𝑆𝑆𝑆𝑆𝑆por una por
𝑆𝑆𝑆𝑆𝑆𝑆 1 - enredo
multitud
=
enredo
tanto de 0<=R
; otros
cometido <=1 por
factores,
cometido
por como
Emilio,
exclama: (2.5)
la renta, el hijo,
exclama:
Mira Mira¿pu
h
R2 = = 1 - 𝑆𝑆𝑆𝑆𝑆𝑆 ; 0<=R𝑆𝑆𝑆𝑆𝑆𝑆2<=1 (2.5)
el ciclo
más económico,
concreto? cambio
más concreto?
En Enen
verdad, nogustos
verdad,
entiendo
noo preferencias,
entiendo
nada denada etcétera).
lo que
de has
lo quePara
hecho
has fines
hechoempíricos,
hasta ahora.
hasta Emilio
ahora. Em
an
2
También También
También se se
se puede puede
puede
mostrar mostrar
mostrar
que el que que el coeficiente
que R2que
el coeficiente
coeficiente Rque
es igual
2
es al
igual esaligual
R cuadrado al coeficiente
cuadrado del
cuadrado
del
ente,impaciencia
el modelo dederegresión
impaciencia de sues:
su padre, responde:
padre, responde:
Papá, sePapá,
cómo sete cómo
sientes,
te sientes,
pero a veces
pero aes
veces
imposible
es im
del coeficiente de correlación entre las yi reales y los valores ajustados de
de de de correlación
correlación entre lasentre las yyilos
reales y los valoresdeajustados de 𝑦𝑦̂i, es decir:
ŷde, esla
la notación decir: ̂ yi reales
̂notación
matricial matricial
valores
para explicar
ajustados
para explicar
el MCO.
𝑦𝑦̂i, es se
el Ahora
MCO.
decir:
Ahora
va a sederivar
va a derivar
en formaen matrici
forma m
𝑌𝑌 ii = 𝛽𝛽 0 +𝛽𝛽 1 Xi + 𝜇𝜇̂ i (2.3)
𝑛𝑛 𝑛𝑛 2
ecuación
ecuación
deeditorial;
las ventas
de (∑ 2(𝑦𝑦𝑦𝑦− (∑la
𝑦𝑦̅)(𝑦𝑦 (𝑦𝑦𝑦𝑦−
̅))2 𝑦𝑦
̂𝑖𝑖−𝑦𝑦 ̅)(𝑦𝑦̂𝑖𝑖−𝑦𝑦
̅))te
2 des
i = Ventas de la R2 las
=∑𝛽𝛽̂𝑛𝑛ventas
de
0= Rla
𝑖𝑖=1
=editorial,
efecto de 𝑖𝑖=1editorial,
𝑛𝑛∑𝑛𝑛 marginal
(𝑦𝑦
̅ )2
para
2)2 𝑛𝑛
que
en para
las
̂𝑖𝑖−𝑦𝑦
̅
quecuenta,
te cuando
ventas
2
des(2.6)
cuenta,
queeleste
(2.6) que
procedimiento
precio este procedim
(2.6) n
𝑖𝑖=1(𝑦𝑦𝑦𝑦−𝑦𝑦 ∑𝑖𝑖=1 ̅ )2
(𝑦𝑦𝑦𝑦−𝑦𝑦
𝑖𝑖=1 ∑𝑖𝑖=1(𝑦𝑦̂𝑖𝑖−𝑦𝑦̅ )2
los del otro
libros del
mundo.
varíaotro mundo.
en una unidad monetaria; Xi = Precio promedio de los libros y 𝜇𝜇̂ i =
AunqueAunque
Emilio, Emilio,
no está ennototal
está desacuerdo
en total con la idea de
desacuerdo conque el
lacon precio
idea tieneeluna incidencia
Emilio Aunque
Emilio
empieza Emilio,
empieza
con la no está
ordenación
con la en total
ordenación
de losdesacuerdo
datos
de los de
datos
ventasdela de que
idea
ventas
y precios
precio
dey precios
que
en el tiene
formaen de
una i
forma
mat
mados de la regresión. En notación matricial, el problema se muestra de la siguiente
precio tiene una incidencia sobre las ventas, sostiene que la explicación
sobre las ventas, sostiene que la explicación que ofrece su padre es simplista. El efecto causal del
sobre
siguiente las ventas, sostiene que la explicación que ofrece su padre es simplista. El efect
siguiente
modo:
que ofrecemodo:
su padre es simplista. El efecto causal del precio promedio
precio promedio
de de
lostanto los
libros libros
sobre sobre las ventas
laslibros
ventas de lade la Editorial aunque lograexplicar
explicarcierta
cierta
o enfadadoprecio
porpromedio enredode los
cometido sobre lasEditorial
por Emilio,ventas aunque
de
exclama:
logra
la Editorial aunque
Mira hijo, lograser
¿puedes explicar ci
variación, ninguno de los dos personajes de la historieta hasta el momento
variación, ninguno de los dos personajes de la historieta hasta el momento conoce su magnitud.
o? En verdad, no entiendo
conoce
variación, su magnitud.
ninguno nada
de los de
Paradoslo
dar que has hecho
respuesta
personajes lahasta
a esta
de ahora.
inquietud,
historieta Emilio
Emilio
hasta el se ante
dispone
momento la conoce su
dePara dar respuesta

su padre, a estaaPapá,
a demostrar
responde: inquietud,
su padre,
se cómoEmilio sesientes,
que sitebien dispone a demostrar
es cierto,
pero que a es
su padre,
el precio
a veces ejerce que
una sicierta
imposible bien es
prescindir
Para dar respuesta a esta inquietud, Emilio se dispone a demostrar a su padre, que si b
n cierto, que el
matricial precio
para ejerce el
explicar unaMCO.
cierta Ahora
influencia
se sobre las ventas,
va a derivar ensu efectomatricial
forma es más bien
la modesto.
cierto, que el precio ejerce una cierta influencia sobre las ventas, su efecto es más bie
las ventaspara
Emilio, de sostener
la editorial, para que tecalculará
esta afirmación, des cuenta, que estedeprocedimiento
el coeficiente no es
determinación para dosnada
Emilio, sabe que este tema no es en
MARIO EDUARDO HIDALGO VILLOTA modo: ¡Papá!, considera los datos disp
73
ventas de libros de la editorial 2009-20
influencia sobre las ventas, su efecto es más bien modesto. EL USO

(𝒫𝒫𝒫𝒫 DEEmilio,
LA ECONOMETRIApara
𝓉𝓉 = 𝑋𝑋), así como al tiempo o la va
BAS
sostener esta afirmación, calculará el coeficiente de determinación para dos EL USO DE LA ECONOMETRIA BAS
trata de averiguar la relación de las ven
variables
se obtiene(Run),ajuste
2
en un “perfecto”,
primer momento pero en notación matricial y después lo lohará
EL USO DE rara vez se presenta
LA ECONOMETRIA este
BASICA caso. 75 Por general hay al
en
se EViews.
obtiene un ajuste “perfecto”, pero rara vez se presenta este de
variable caso. Por lo(que
tendencia generalpuede hay al
repre
positivas y algunas 𝜇𝜇̂ i negativas. Se tiene la esperanza de que estos residuos alrededor de
uste “perfecto”, Elpero
coeficiente
positivas rara vez de
y algunas determinación
se 𝜇𝜇̂presenta este Se
i negativas.
mide
caso.
tiene laloesperanza
Porla bondad
generaldemomento
deajuste
hay algunas
que de
en el
estos la𝜇𝜇̂residuos
ilíneaeconómico,
ciclo dealrededor cambde
regresión
de regresióna unseanconjunto
lo más depequeños
datos. “(…) es claro(Gujarati,
posibles” que si todas 2010:las 73).
observaciones 2
El R oscila entre 0 y
de regresión por consiguiente, Rel2 modelo de regresi
nas 𝜇𝜇̂ i negativas.
cayesen en lasean
Se tiene lalínealodemás
esperanza pequeños
de que estos
regresión, seposibles”
residuos
obtiene (Gujarati,
un alrededor 2010:
de la73).
ajuste “perfecto”, línea Elpero oscila
rara entre 0 y
Cuanto
vez más cerca
se presenta estedecaso.
1 se Por
sitúelosu valor, hay
general mayor será el ajuste del modelo a μla variable qu
2 algunas μi positivas y algunas 𝑌𝑌 𝛽𝛽̂0 +𝛽𝛽̂1 Xi
̂ii =
Cuantoposibles”
an lo más pequeños más cerca(Gujarati,
de 1 se sitúe 2010: su73).
valor,
El mayor
R oscila seráentre
el ajuste
0 y 1.del modelo a la variable qu
negativas. Se tiene laexplicar.
estamos intentando esperanza Dedeforma
que estos residuos
inversa, cuanto alrededor
más cerca de dela línea de menos aju
cero esté,
Dónde: 𝑌𝑌̂i = Ventas de la editorial;
regresión
ca de 1 se sitúeestamos sean
intentando
su valor, mayorlo másserá pequeños
explicar. De posibles”
el ajuste forma
del modelo (Gujarati,
inversa,
a lacuanto 2010:
variable másque 73).
cercaEldeRcero 2
oscila
esté, menos aju
tendrá0 ely modelo,
entre 1. Cuanto y por mástanto,
cercaserá de menos
1 se sitúe fiable.
su valor,promedio
mayor será de losellibros ajustevaría en una un
ndo explicar.del tendrá
Demodeloel modelo,
forma inversa, y por
cuanto tanto,
más será
cerca menos
de fiable.
cero esté, menos
a la variable que estamos intentando explicar. De forma inversa, ajuste
El coeficiente de determinación (R2) es una medidaresiduos descriptiva
estimadosdel ajuste global delEnm
de la regresión.
cuanto más cerca de
El coeficiente dedeterminación
cero esté, menos (R2)ajuste
es unatendrá
medida el descriptiva
modelo, y por tanto, global del m
del ajuste
o, y por tanto, será menos fiable.
será
cuyomenos
valor esfiable.
el cociente entre la variabilidad EL USOmanera:
explicada DE(suma de cuadrados explicada=S
LA ECONOMETRIA BASIC
cuyo valor
e de determinación (R ) es
2
es el
unacociente
medidaentre la variabilidad
descriptiva del ajuste explicada
global del (suma
modelode cuadrados explicada=S
El coeficiente de determinación (R2) es una medida descriptiva Don Pablo del ajuste𝑆𝑆𝑆𝑆𝑆𝑆
𝑆𝑆𝑆𝑆𝑆𝑆enfadado por tanto enred
milio, sabe que variabilidad
este tema totalno(sumaes en de nada
cuadrados total =por
sencillo, SCT), o sea,
tanto, R2 =de𝑆𝑆𝑆𝑆𝑆𝑆
trata = 1 – 𝑆𝑆𝑆𝑆𝑆𝑆del
explicarlo . sigui
global del modeloexplicada
cuyo valor es eldecociente entre la variabilidad
cociente entre la variabilidad
variabilidad total (suma de cuadrados(suma cuadrados
total = SCT), explicada=SCE)
o más R2 = yexplicada
sea, concreto? la = 1
En verdad, – .
no entiendo
(suma de los cuadrados explicada = en SCE) y la variabilidad 𝑆𝑆𝑆𝑆𝑆𝑆(suma de 𝑆𝑆𝑆𝑆𝑆𝑆
: ¡Papá!, considera datos disponibles la Tabla 1.1, entre total los cuales se encuentra
La suma de cuadrados total (SCT) es la varianza
𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆 total de la variable endógena (salvo
totalR(SCT)== es = la 1varianza
– . total
cuadrados
al (suma de cuadrados total
total SCT), o sea, impaciencia de su padre, responde: Pa
de =cuadrados
22
La suma
s de libros de la editorial 2009-2018 (𝒱𝒱𝓉𝓉 𝑆𝑆𝑆𝑆𝑆𝑆 = 𝑌𝑌) y el 𝑆𝑆𝑆𝑆𝑆𝑆 de la variable endógena (salvo
precio promedio de los ejemplares
tamaño muestral), y es por tanto una medida del tamaño denotación
las fluctuaciones
de total
la experiment
La suma
tamaño de cuadrados
muestral), y es por total una
tanto (SCT) es ladel
medida varianza
tamaño de las lamatricial
variablepara
defluctuaciones explicar e
experiment
cuadrados total (SCT) es la varianza total de la variable endógena (salvo
= 𝑋𝑋), así como al tiempo o la variable de tendencia. Al incluir esta última en el mode el factor
endógena
dicha variable(salvo el factordetamaño
alrededor su valor muestral),
medio. Elyobjeto
es porfundamental
tanto una
ecuación medida
de las tododel
deventas modelo
de econop
la editorial,
de
l), yaveriguar dicha
es por tantolauna
tamaño variable
relación
medida
de alrededor
de
dellas de su
ventas
tamaño
las fluctuaciones devalor
las medio.
experimentadas
= 𝑌𝑌) conEl
(𝒱𝒱𝓉𝓉fluctuaciones objeto
por el fundamental
precio
dicha promedio
experimentadas
variable porde todo
alrededor modelo
de
(𝒫𝒫𝒫𝒫 𝓉𝓉 = 𝑋𝑋) econo
de
es valor
tratarmedio.
de explicar dichas fluctuaciones. del otro mundo.
ble
su
de tendencia
El objeto fundamental demultitud
todo modelo econométrico es tratar
lrededor de su tratar(que
es valor medio. puede
de explicar representar
dichas
El objeto unade
fluctuaciones.
fundamental todo modelo de otros factores, como la renta,
econométrico
de explicar dichas fluctuaciones. Emilio̅empieza con la ordenación d
ento en el ciclo Suma de cuadrados
económico, total (SCT)
cambio en gustos - 𝑌𝑌̅)2 = YÝ -etcétera).
= ∑𝑇𝑇𝑖𝑖=1o(𝑌𝑌preferencias, T𝑌𝑌2 Para fines emp
icar dichas fluctuaciones.
Suma de
Suma de cuadrados
cuadrados total (SCT) == ∑𝑇𝑇𝑖𝑖=1(𝑌𝑌 - 𝑌𝑌
total (SCT) ̅ )2 = YÝ - T𝑌𝑌̅2
siguiente modo:
onsiguiente, elLamodelo suma dede cuadrados
regresión explicada
es: (SCE) es el grado de fluctuación de la variable 𝑌𝑌 ̂ , alr
La
La suma
drados total (SCT) de
= ∑𝑇𝑇𝑖𝑖=1
suma de(𝑌𝑌 - 𝑌𝑌̅)2 = YÝ
cuadrados
cuadrados - T𝑌𝑌̅2(SCE)
explicada
explicada (SCE)eseselelgrado
gradodedefluctuación
fluctuacióndedela la
variable 𝑌𝑌̂, alr
variable ̂
Y,
𝑌𝑌 = ̂
alrededor
𝛽𝛽 +𝛽𝛽 ̂ del
X promedio
+ 𝜇𝜇̂ de Y. Por tanto, la suma explicada
(2.3) es el
del promedio de Y. Por tanto, la suma explicada es el nivel de fluctuación de la variable
i 0 1 i i
del promedio
cuadrados explicada
nivel de (SCE) de
es Y.
fluctuación el dePorlatanto,
grado la suma
Y queexplicada
de fluctuación
variable eldemodelo
la variable 𝑌𝑌̂, alrededor
eseselcapaz
nivel fluctuación
de explicar. Es de
la la variable
̂ i = Ventas de la editorial; 𝛽𝛽̂ 0 = efecto marginal en las ventas cuando el precio
ónde: 𝑌𝑌 modelo esexplicada
variación capaz de por explicar. Es la variación
las variables exógenas. explicada por las variables exógenas.
modelo
e Y. Por tanto, la suma esexplicada
capaz de explicar.
es el nivelEsdelafluctuación
variación explicada por las
de la variable Y variables
que el exógenas.
edio de los libros varía en una unidad monetaria;𝑇𝑇 Xi = Precio promedio de los libros y
Suma de
Suma de cuadrados
cuadrados explicada
explicada (SCE) ̂
(SCE) == ∑𝑖𝑖=1 (𝑌𝑌 - 𝑌𝑌) = 𝑌𝑌Ý - T𝑌𝑌̅2
̅ 2 ̂
z de estimados
explicar. EsSuma
la variación explicada por las(SCE)
variables
= ∑exógenas.
𝑇𝑇 ̂ - 𝑌𝑌̅)2 = 𝑌𝑌̂Ý - T𝑌𝑌̅2
uos de lade cuadrados
regresión. explicada
En notación 𝑖𝑖=1 (𝑌𝑌el
matricial, problema se muestra de la sigu
La suma de cuadrados de residuos (SCR) o suma residual (SR) es un indicador del niv
drados explicada
ra: La(SCE) 𝑇𝑇
suma =de∑cuadrados ̂ ̅ 2 𝑌𝑌̂Ý - T𝑌𝑌
𝑖𝑖=1 (𝑌𝑌 - 𝑌𝑌 )de=residuos
̅2
(SCR) o suma residual (SR) es un indicador del niv
error del modelo en su intento de explicar la evolución temporal de la variable Y.
on Pablo de
cuadrados enfadado
error
residuos por
del modelo
(SCR) tanto
oen
suma enredo
su intento
residualcometido
de(SR)
explicar por
es un Emilio,del
laindicador
evolución exclama:
nivel dedeMira
temporal hijo, Y.
la variable ¿puedes
Suma de cuadrados de residuos (SCR) = ∑𝑇𝑇𝑖𝑖=1(𝑌𝑌 -𝑌𝑌̂)2 = + 𝜇𝜇̂ ´𝜇𝜇
oncreto? En verdad, no entiendo nada de lo que has hecho hasta ahora. Emilio ante la
delpromedio
del promedio de
deY.Y.Por
Portanto, la suma
tanto, explicada
la suma es el nivel
explicada es eldenivel
fluctuación de la variable
de fluctuación Y que
de la el Y
variable
modelo es
modelo es capaz
capazdedeexplicar. Luego
Es la
explicar. lasevariación
puede
Esvariación escribir
explicada por la
explicadalasigualdad
variables
por YÝ = 𝑌𝑌̂exógenas.
exógenas.
las variables Ý + 𝜇𝜇̂ ´𝜇𝜇, y si a
74
Suma de
Suma de cuadrados
cuadradosexplicada
igualdad(SCE)
explicada le
𝑇𝑇
= ∑Luego
restamos
(SCE) =∑
𝑖𝑖=1 -se𝑌𝑌̅̅(𝑌𝑌
(𝑌𝑌̂𝑇𝑇 T𝑌𝑌 )puedê 2- T𝑌𝑌̅̂2
22̂= 𝑌𝑌
- 𝑌𝑌̅Ý
, se ) escribir
= 𝑌𝑌Ý -laT𝑌𝑌
obtiene: igualdad
̅2 YÝ = 𝑌𝑌̂Ý +
𝑖𝑖=1
La suma
La suma
sumade decuadrados
cuadrados de de residuos
deresiduosresiduos (SCR) o(SCR)
suma residual
o suma (SR) residual es un indicador delunnivel de EL USO D
de cuadrados (YÝ - T𝑌𝑌 ̅ 2(SCR)
igualdad) = (𝑌𝑌̂le oÝ suma - T𝑌𝑌̅residual
restamos 2) + T𝑌𝑌 ,𝜇𝜇,seo(SR)
𝜇𝜇̂̅ 2´(SR) es unes
obtiene:
sea, SCT indicador = SCE del+niv
EL USO DE LAS
indicador
escribir la igualdad YÝ del = 𝑌𝑌̂Ý nivel + 𝜇𝜇̂de
´𝜇𝜇,error
y si a del los dos modelo miembros en sude intento
esta de explicar la evolución
error del
error del modelo
modelo enensusu intento
intento de explicar
de explicar la evolución la evolución temporal de la variable
temporal de laY. EL̂ USO DE
variable Y. LA ECON
temporal de la variable Y. Suma Luegode se
(YÝ
cuadrados puede - T𝑌𝑌 ̅
escribir
total 2) = (𝑌𝑌 la
(SCT) ̂ igualdad
Ý = - T𝑌𝑌
suma ̅ YÝ
2) + =
de 𝜇𝜇̂ Ýo+sea,
𝑌𝑌𝜇𝜇,
´
cuadrados 𝜇𝜇̂ ´𝜇𝜇,explic
y si a
SCT
̅ 2
os T𝑌𝑌 , se obtiene: EL USO
Suma de cuadrados de residuos Luego(SCR) se puede = ∑𝑇𝑇𝑖𝑖=1 escribir(𝑌𝑌 𝑇𝑇-𝑌𝑌 2 DE
̂ )la EL+LA
=2igualdad 𝜇𝜇̂)2ÉCONOMETRIA
USO 𝜇𝜇=DE YÝ LA = 𝑌𝑌̂Ý BASICA
ECONOMETRIA + 𝜇𝜇̂ ´𝜇𝜇, y si 76
a los d
BASICA
Suma de cuadrados de residuos igualdad (SCR) le =
restamos ∑ (𝑌𝑌
T𝑌𝑌 ̅ ,
̂
-𝑌𝑌
se obtiene: + 𝜇𝜇̂ ´ 𝜇𝜇
EL USO DE LA ECONOME
Luego
de se puede(SCR).
residuos escribir 𝑖𝑖=1
laestos
igualdad EL YÝ =
DE𝑌𝑌LA
̂ Ý + le 𝜇𝜇̂ ´𝜇𝜇, y si asuma los dosde mc
𝑌𝑌̂Ý - T𝑌𝑌̅2) + 𝜇𝜇̂ ´𝜇𝜇, o sea, SCT = SCE + SCR SumaAde cuadrados tres términos
USO total (SCT) seECONOMETRIA=llama suma deBASICA
cuadr
𝑇𝑇 ̂ igualdad le restamos ̂ T𝑌𝑌 ̅ 2
,
̂ se obtiene: ̂ ̂
Luego seSCR SCR =escribir
puede ∑ 𝑇𝑇 (𝑌𝑌 la -𝑌𝑌igualdad
) = + 𝜇𝜇̂ ´𝜇𝜇YÝ
2 = (Y ==-𝑌𝑌̂(Y
X𝐵𝐵
Ý )´(Y
+̅X𝐵𝐵 - X𝐵𝐵
𝜇𝜇̂2=´̂𝜇𝜇, ŷsi ) = YÝ
+-a𝜇𝜇̂YÝ
- 𝐵𝐵miembros
´XÝ =̂YÝde- esta 𝑌𝑌Ý
SCR
Luego =se∑𝑖𝑖=1 𝑖𝑖=1(𝑌𝑌
puede Luego
-𝑌𝑌̂)2se=puede
escribir
igualdad la+leigualdad´(YÝ
𝜇𝜇̂restamos
𝜇𝜇escribir -YÝ
T𝑌𝑌 -la
T𝑌𝑌 ), =
̅2igualdad 𝑌𝑌̂)´(Y
se Ý(𝑌𝑌 Ý
obtiene: -´los
X𝐵𝐵 ̂ )̅ydos
T𝑌𝑌
𝜇𝜇, =
2= si YÝ
a 𝜇𝜇̂los
)𝑌𝑌̂+Ý +´𝜇𝜇,𝜇𝜇̂-dos
ó𝜇𝜇,´XÝ
𝐵𝐵 miembros
sea,
y si SCT
a
=losYÝ deSCE
=dos esta𝑌𝑌̂Ý
-miembr+ SC
dos total (SCT) = suma de cuadrados explicada (SCE)
determinación de +residuos
Rsuma2 de cuadrados
se ha (SCR).
definido A estos
como: tres
R 2 =términos
, se
donde: le llama
igualdad igualdad Luego
Luegosese
le restamos puede
T𝑌𝑌 2
, se escribir
̅puede escribir(YÝ
obtiene: lalaigualdad - T𝑌𝑌̅2) YÝ
igualdad = (𝑌𝑌̂=Ý𝑌𝑌̂-ÝT𝑌𝑌+̅ 2𝜇𝜇̂) ´+𝜇𝜇,𝜇𝜇̂yy´𝜇𝜇, sisiaoalos los
sea,dos dos
SCT miem-
miembros
𝑆𝑆𝑆𝑆𝑆𝑆= SCE de + SCR esta
le restamos T𝑌𝑌 ̅ 2, se obtiene: ̅Suma de
̂ cuadrados ̅ total (SCT) = suma de cuadrados explica
bros de se
A estos tres términos esta igualdad
igualdad
le llama sumale (YÝ
lederestamos- T𝑌𝑌 ) T𝑌𝑌
restamos
cuadrados 2 =̅(SC).
(𝑌𝑌
2
, se ÝEl - coeficiente
obtiene:T𝑌𝑌 ) + 𝜇𝜇̂2´𝜇𝜇,
2 de o sea, SCT = SCE + SCR 𝑆𝑆𝑆𝑆𝑆𝑆
igualdad le restamos T𝑌𝑌 ̅ 2, Suma
se
SCE: obtiene: de
Suma determinación
cuadrados de cuadrados total R
(SCT) se
explicada ha
= suma definido odesuma como:
cuadrados de Rexplicada
2=
cuadrados ,(Sd
(YÝ - T𝑌𝑌 ̅ 2) = (𝑌𝑌̂𝑆𝑆𝑆𝑆𝑆𝑆
Ý̅ - T𝑌𝑌 ̅̂2) + 𝜇𝜇̂ ´𝜇𝜇,
̅ o sea, SCT = SCE + SCR 𝑆𝑆𝑆𝑆𝑆𝑆 de
e ha definido como: R2 =(YÝ - T𝑌𝑌 2) = (𝑌𝑌 Ý
(YÝ Suma
, donde: - T𝑌𝑌 )
2de
- T𝑌𝑌̅2)de=cuadrados+ residuos
𝜇𝜇̂ ´ 𝜇𝜇,
(𝑌𝑌̂Ý - T𝑌𝑌̅totalo sea,
(SCR). SCT
2) + (SCT) A =estosSCE
𝜇𝜇̂ ´𝜇𝜇, o=sea, tres
suma + SCT SCR
términos
de = cuadrados
SCE + SCR se le llama suma
explicada (SCE) de cu
(YÝ - T𝑌𝑌̅2) = (𝑌𝑌̂Ývariable
de- T𝑌𝑌 ̅ 2) + 𝜇𝜇̂(SCR).
residuos ´𝜇𝜇,SCE: o sea, A Suma
oestos
SCT tres
=deSCE términos + SCR se explicada
le llama suma 2de cuadrad
Suma de Suma cuadrados
Suma de
de total
cuadrados
cuadrados (SCT) total =
total suma
(SCT)(SCT) explicativa
de= cuadrados
determinación = suma
suma de R de
cuadrados
se
explicada
2 explicada
cuadrados
ha definido
cuadrados
(SCE)
explicada
por
explicada
como:
esta)
+ suma
(SCE) R
→ de∑(𝑌𝑌
2(SCE)
= + 𝑆𝑆𝑆𝑆𝑆𝑆
suma +,ôdonde:
-𝑌𝑌
cuadrados )suma
de
de cu
cuadrado
uadrados explicada o suma de cuadrados de residuos
Suma de debida cuadrados (SCR).
a la total A
regresión estos
(SCT) tres
(debida = sumatérminos se
a lade cuadrados𝑆𝑆𝑆𝑆𝑆𝑆 le llama suma
explicada de cuadrados
(SCE) + sum (S
sumaSuma de cuadrados de residuos (SCR). A estos tres términos se le llama 𝑆𝑆𝑆𝑆𝑆𝑆
suma
de residuos (SCR). deestos
A cuadrados tres total (SCT)
determinación
términos seSuma le=variable
suma
llama Rdese2 de
suma ha cuadrados
definido
de cuadrados explicada
como: R2 =(SCE) ,de+donde:
suma de cuadrad̂
de residuos
cuadrados (SCR).
(SC). 2AEl estos SCT:
tres
coeficiente términos de se
determinación
cuadrados
le explicativa
llama suma R
total
2 de
se
oha o (SC).
explicada
cuadrados 𝑆𝑆𝑆𝑆𝑆𝑆 El
variación
definido
coeficiente
𝑆𝑆𝑆𝑆𝑆𝑆por
(SC).
como:
los
esta)
El → de∑(𝑌𝑌
valores
coeficiente de-𝑌𝑌d
a o explicada por esta) → ∑(𝑌𝑌 ̂
de-𝑌𝑌residuos
) determinación(SCR).SCE: ARestos2
seSuma hatres definido
detérminos
cuadrados como: se leexplicada
Rllama2 = suma , donde:
o sumade cuadradosde cuadrados (SC).deb E
de residuos (SCR). A estos tres términos se le llama suma de 𝑆𝑆𝑆𝑆𝑆𝑆
cuadrados (SC). El coeficiente
determinación R2 se ha media SCE: R → 2 Suma
=∑(𝑌𝑌R de
SCT:
,− cuadrados
𝑌𝑌̅)𝑆𝑆𝑆𝑆𝑆𝑆
2donde:
2
Suma explicada
de cuadrados o suma total de ocuadrados
variación debida
de losa
uadrados totaldeterminación
o variación de definido
los2 se
R valores
ha como:de Yvariable
definido estimados
2 como: 𝑆𝑆𝑆𝑆𝑆𝑆explicativa=
alrededor ,ode
donde:
su
explicada
por esta) → ∑(𝑌𝑌 ̂
-𝑌𝑌 ) 2
determinación R se
SCE: Suma de cuadrados𝑆𝑆𝑆𝑆𝑆𝑆 ha definido como:
𝑆𝑆𝑆𝑆𝑆𝑆 R 2=
explicada o𝑆𝑆𝑆𝑆𝑆𝑆 , donde:
suma de cuadrados debida a la re
determinación
SCE: Suma de R2 se havariable
cuadrados definido
explicada como:
explicativao sumaR2 =odeexplicada , donde:
cuadrados por debida
̅de) aresiduos
2 esta) → a lao∑(𝑌𝑌 regresión-𝑌𝑌̂)2 residual o
) 2
SCE: Suma de cuadrados explicada SCR: o suma Suma
SCT: Suma media
de de →
cuadradoscuadrados
dede ∑(𝑌𝑌
cuadrados −
debida 𝑌𝑌 total la regresión variación
(debida avalores
la
SCE:(debida Suma adela cuadrados
SCE: variable
variable explicada
explicativa
Sumaexplicativade cuadrados ooosumaexplicada
explicada
explicada cuadrados
por
por esta)
esta)
o suma → →ocuadrados
debida
de
variación
∑(𝑌𝑌 a -𝑌𝑌 2 de los (debida
lâ )regresión
debida a la regresi
de
a la
uadrados de residuos SCE: Suma
o variación deresidual
cuadrados SCT:
noexplicada
oesta) Suma de
explicada o-𝑌𝑌
de cuadrados
̂suma total
de2 cuadrados Yo variación debidâade la̅los
regresión valores(debida de Y esti a
SCT:
variable Suma o explicada
de cuadrados
explicativa o alrededor
por
explicada media
total →ode
por ∑(𝑌𝑌
→ SCR:
la∑(𝑌𝑌
variación
esta) línea
→ )2los
−
∑(𝑌𝑌 Suma
𝑌𝑌
valores
de
̅de ) -𝑌𝑌̂
los
) 2de
regresión decuadrados
valores →de∑(𝑌𝑌 Y de - residuos
𝑌𝑌)2
estimados o variación
variable SCT: explicativa Suma odeexplicada cuadrados portotal esta) o variación
→ ∑(𝑌𝑌 -𝑌𝑌̂de ) los valores de Y estimado
2
a de regresión alrededor
→ ∑(𝑌𝑌̂ - 𝑌𝑌
variable ̅ )2
explicativa de su o media →
explicada →por ∑(𝑌𝑌esta) − 𝑌𝑌̅→ )2 ∑(𝑌𝑌 -𝑌𝑌̂)2
SCT: Suma de Suma
cuadrados total o variación
Don Pablo, deSuma los ver valores demontón
Y estimados alrededor de sû más- 𝑌𝑌̅de )2asust
SCT: deSCT:cuadrados
media Suma → total
∑(𝑌𝑌
de
SCR: 𝑌𝑌̅)2 al total
alrededor
o−variación
cuadrados
dedeestede
o los la
cuadrados línea
valores
variación
de dede
de
de Y fórmulas
regresión
residuos
los estimados
valores
→
o variación
de
queda ∑(𝑌𝑌
alrededor
Y
residual
estimados
o
sualre
SCR: Suma de cuadrados de
SCR: residuos
Suma o
deMirando variación
cuadrados a sude residual
residuos o no explicada
er este montón de fórmulas
media → media ∑(𝑌𝑌SCT:−→ 2 queda
Suma
𝑌𝑌̅)∑(𝑌𝑌 de más asustado
cuadrados total que oantes.
variación de los hijo,
valores de Yoestimados variación alrededor residual o de nosu ex
de los valores− ̅ )2 de
𝑌𝑌 Y alrededor
exclama: alrededor mira de de la la
Emilio,
Don línea línea
Pablo, de
he de regresión
regresión
sido
al ver muy este → →
paciente∑(𝑌𝑌
montón ̂ - ̅ ) 2
contigo,
de
𝑌𝑌 fórmulas pero cada
qued
media →SCR: ∑(𝑌𝑌 Suma − 𝑌𝑌̅) de cuadrados de residuos o variación
2 residual o no explica
lio, he sido muymedia paciente→ contigo,
∑(𝑌𝑌 − ̅pero
𝑌𝑌 ) 2 cada alrededor vez me deconfundes
la línea demás. Por → ∑(𝑌𝑌̂ - 𝑌𝑌̅)2
regresión
SCR: Suma de Suma
cuadradoscuadrados de residuos oresiduos
Donvariación Pablo, residual
al ver o nomontón
este explicada de los valores de Y asusta
SCR:
Don Pablo, de alSCR:ver este
alrededorfavor,
Suma montóndedesé
de ladirecto
cuadrados deexclama:
línea o yvariación
fórmulas
de claro
regresión
de queda
mira
residuos enresidual
tuomás
Emilio,
→ explicación.
∑(𝑌𝑌
variación o-he𝑌𝑌
̂asustado ̅de)sido
no fórmulas
2explicada
residual que
muyantes. o
queda
de
paciente
no los más
valores
explicada contigo de
de
claro en tu explicación. Don
alrededorMirando
de la SCR:líneaaSuma
su hijo, de exclama:
cuadrados ̂ Pablo,
de
mira -residuos
𝑌𝑌̅Emilio,
)2∑(𝑌𝑌
al ver ohe este
variación sidomontón muy residual de fórmulas
paciente o nocontigo, explicada quedapero más
de los asustado
valoresqu d
alrededor dedelaalrededor
regresión
línea deDon → ∑(𝑌𝑌
regresión exclama:
Pablo, → mira
̂ - ̅
𝑌𝑌 Emilio,
) 2 he sido muy paciente contigo, pero cada
Ante Porlaal ver R2este
depetición
favor, sé montón
dedirecto Don layde y-fórmulas
̂Pablo,𝑌𝑌̅) enEmilio
claro queda
enexplicación. más asustado
considera
tu explicación. pertinente que an
2
de Don Pablo,cada Emiliovezconsidera
me confundes pertinente demás. la línea
calcular favor,
el regresiónsé directo
a partir → de ∑(𝑌𝑌 claro tu
alrededor exclama: mira Emilio,
̂ ̅ 2he sido muy paciente contigo, pero cada vez m
Don Pablo, Don ver de
al Pablo, este la montón
al
línea dede
ver este
regresión
fórmulas
montón favor, de
→queda
sé
∑(𝑌𝑌 -más
directo
fórmulas
𝑌𝑌) asustado que antes. Mirando a su hijo,
y claro
queda másenpaciente
tu explicación.
asustado que antes. Mirando amesu co hi
abla 2.8. Es momento Ante de la explicar
petición Don exclama:
dePablo,
cómo elaboración
Donse estimanmira
al ver este
Pablo, Emilio,
las
Emilio montón
deventas
Ante he
la considera
Tabla sido
lade
de la muy
fórmulas
2.8.
editorial
petición Esde
pertinente queda
momento Don contigo,
másde
calcular
Pablo, pero
asustado
explicarR2cada
elEmilio a que vez
cómo antes.
considera seMe
favor, sé directo y claroqueda en tu más explicación.
exclama:partirmiraDon
exclama: de laPablo,
Emilio, mira
alsido
heEmilio,
elaboración vermuy este
de sido
he
montón
paciente
la Tablamuy Ante 2.8.de fórmulas
contigo,
laEspetición
paciente pero
momento
contigo, cada
de de
Don
perovez
explicarasustado
me
Pablo,
cada confundes
cómo
Emilio
vez me
que antes.
más. Por
seconfundes
estiman
considera
Mirando a su h
pertinente
más. Por c
favor,
ulan los residuos, es decir, la exclama:
las ventas de la editorial mira
distancia
(𝑌𝑌̂sé
existente
) y
directo
Emilio,
cómo
cómo
Antemuy
entreyhe
se
se
la petición
claro
cada sido
elaboración
calculan
calculan
en
puntomuy
decontigo,
tu explicación.
los paciente
de
los
Don Pablo, la Tabla
residuos,
residuos, contigo,
es 2.8. es
decir, pero
Es
decir,la cada vez me
momentola
distancia distancia de confund
explica
existe
exclama:
favor, sé existente
directo miraenEmilio,
y directo
claro tu he sido
explicación. paciente peroEmilio cada vez considerame confundes pertinente más.calcul Por
favor, sé entre caday punto
claro en elaboración
(observación)
tu explicación. y de la la rectaTabla de 2.8. Es
regresión momento
considera pertinente calcularseele
lineal de explicar
estimada cómo
recta de regresión lineal estimada favor,(FiguraséAnte
directo la petición
2.1). yLas claro ventasendetu Don
estimadas
explicación.Pablo, (𝑌𝑌Emilio
̂ ) se
(Figura sé 2.1). Las ventas claro(observación)
elaboración
estimadas dê )la
(𝑌𝑌 yyse la cómo
Tabla recta2.8.
calculan sedecalculan
Esaregresión
momento
partir loslineal
de residuos,
lade estimada
explicar
ecuación esdedecir,
cómo (Figura la dist
se estima 2.
Ante la favor,
petición
Ante la
directo
de Don
petición
yPablo,
de Don
en tu explicación.
Emilio (𝑌𝑌
Pablo, ̂ )considera
y cómo
Emilio se pertinente
calculan
considera calcular
los
pertinente residuos, R2esa decir,
elcalcular partir
el R deadistancia
2la la
partir de existe
la
la ecuación de regresión
regresiónlineal linealestimada elaboración
estimada
Ante la peticiónarriba: de ̂ la Tabla
de Don==Pablo,
arriba: 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 2.8.
686,57Emilio
686,57 Es momento
–– 3,53Precio. considera de explicar
Enpertinente
esta ecuación cómo se estiman
calcular el R a p 2las
Ante la petición de (𝑌𝑌
Don ̂ ) yPablo,
cómo se
Emilio calculan
(observación) considera los residuos,
pertinente
yestiman
lacada
recta es decir,
calcular
deventasregresión la distancia
el R 2
a partir
lineal existentede laarr
estimada en
elaboración simplemente
de la Tabla se2.8. reemplaza calculan
Es momento la variabledea explicar
partir Precio decómo la=ecuaciónXsepor delas regresión
uno de lineal
losdevalores la editorial estimada
elaboración
ecuación simplemente deelaboración
se reemplazala Tabla ̂ la
(𝑌𝑌) y es2.8.
variable
cómo Es (observación)
la se
dedecir, momento
Precio
Tabla calculan 2.8.= de
X y
por la
explicar
losmomento
Es recta
cada
residuos, unode
cómo regresión
de se
es explicar
decir,en estiman lineal
la cómo
distancialas estimada
ventas de
existente (Figura
la editori
lasentre 2.1
ventac
de la columna “Precio”, de la primera fila de de la tabla mención, se estiman se
elaboración de la Tabla (observación)
2.8.
3,53Precio. Es momento En y
calculan la
esta recta
de explicar
ecuaciónde
adedistancia
partir regresión
cómo
desimplemente
la selineal
ecuaciónestiman estimada selas
decada (Figura
ventas
reemplaza
regresión de 2.1).
la Lae
editor
la var
lineal
lumna (𝑌𝑌̂)“Precio”,
y cómo (𝑌𝑌̂)se calculan
esy decir,
cómo de se(𝑌𝑌 los
la residuos,
primera
calculan fila
los es
de decir,
residuos,la
calculan tabla la
es adistancia
en mención,
decir,
partir la existente
la se toma
ecuación entre
el
existente de cada entre
regresión punto lineal punto estimada arri
̂ ) y (observación)
cómo se calculan y lalos recta de regresión
residuos, es decir, lineal estimadaexistente
la distancia (Figura 2.1). entreLas cada ven p
(𝑌𝑌̂) y cómo se calculan calculan los residuos, a partir de la ecuación
es decir, la distancia de existente
regresiónentre linealcada estimada punto arriba:
̂ ) sese reemp 𝑉𝑉
(observación) y la rectaydelaregresión
(observación) recta los
de valores
lineal
3,53Precio.
regresión de
estimadalineal laEn
3,53Precio. columna
(Figura
esta
estimada En2.1).“Precio”,
ecuación estaLas
(Figura ecuación ventas
simplemente
2.1). esLas decir, estimadas dereemplaza
simplemente
se
ventas la primera
(𝑌𝑌
estimadas la fila
̂
(𝑌𝑌
̂vari
) se
calculan ya la
(observación) partirrectadedelaregresión ecuación lineal de regresión estimada lineal(Figura estimada 2.1). arriba:Las ventas 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
es
SCR: Suma de cuadrados de residuos
ción de Don Pablo,
o explicada EL
→ USO
Emilio
por esta) DE
-𝑌𝑌̂)2LA pertinente
considera
∑(𝑌𝑌 ECONOMETRIA el R2 a partir
calcularBASICA 77 de la Don Pablo,
elaboración de la Tabla alrededor
2.8. Es de
momento la
delínea de
explicar
̂ regresión
cómo se →
estiman laŝ ventas
∑(𝑌𝑌 - 𝑌𝑌̅)2 de
precio de 98,6 y lo sustituimos en X, así: 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 686,57 – (3,53)(98,6) la editorial
= 338,3; en la segunda
precio
,6 y lodesustituimos
la Tabla 98,6Es
2.8. y lo sustituimos
en X, así:
momento de los en̂ X, así:
explicar cómo
̂ –=(3,53)(98,6)
= 686,57 686,57 –ventas =alrededor
(3,53)(98,6)
338,3; en desegunda
= 338,3;
la la línea de regresión → ∑(𝑌𝑌̂
en la segunda
uadrados ̂ total o variación de valores de Yseestimados
estiman las
alrededor de
de lasueditorial exclama: mira
(𝑌𝑌
X, así:fila: ) y cómo
̂ se calculan
̂= 686,57
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 686,57
los Don Pablo,
residuos,
– (3,53)(98,6)
– (3,53)(96,6) es
MARIO
decir, alEDUARDO
= =338,3; ver este
la
345,3 distancia
en montón
existente
laHIDALGO
y así, segunda de fórmulas queda más asustado que an
sucesivamente.
VILLOTA
entre cada punto
ila:
calculan ̂
2= 686,57 = 686,57 –es(3,53)(96,6)
– (3,53)(96,6)
los residuos, = 345,3
decir, = 345,3
y así,
la distancia y así, sucesivamente.
sucesivamente.
existente entre cada puntoDon Pablo, al ver este montón 75 de fórm
(observación) y la recta de regresión lineal estimada (Figura 2.1). Las ventas estimadas ̂
(𝑌𝑌 ) sefavor, sé direct
= 345,3Elylector así, sucesivamente. exclama: mira Emilio,
habrá notado que los valores de ventas (Y) y ventas estimadas (𝑌𝑌̂) no sonhe sido muy paciente contigo, pero cada vez me co
yuadrados
laEl lector
recta
habrá notado de habrá
regresiónnotado lineal
que losovalores
de residuos que
variación los
estimada valores
de residual (Figura
ventas (Y) de
o no ventas
2.1).
y ventas (Y)
Las
explicada y ventas
ventas
estimadas estimadas
̂
exclama:
estimadas
(𝑌𝑌) no de
de los valores ̂
(𝑌𝑌 )̂
(𝑌𝑌 )
se no son
sonYmira Emilio, he sido muy pacie
calculan a partir tomadeellaprecio ecuación
favor, de 98,6 y lo sustituimos
deséregresión
directo ̂ lineal
y claro estimada
en en X,arriba:
tu así: 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
explicación.
̂ ==686,57 686,57 – – (3,53)Ante la peti
aloresexactamentede ventas (Y) y ventas
iguales, por estimadas
ejemplo, en (𝑌𝑌la) no son fila de la Tabla 2.8, Y = 275,5 y 𝑌𝑌̂ = 338,3,
primera
arxactamente
de regresión
de la ecuación
iguales, (98,6)
→de
poriguales, ∑(𝑌𝑌
ejemplo, ̂= -338,3;
regresión
por 𝑌𝑌̅ejemplo,
en )2la primera en la
lineal segunda
enestimada
la
filaprimera
de se la fila:
arriba: fila de
Tabla ̂ la Tabla
2.8, Y ==686,57
686,57
2.8,
favor, –̂275,5
Y–y =𝑌𝑌sé =(3,53)(96,6)
directo = 345,3
y 𝑌𝑌̂ =y 338,3,
claro endetuy explicación
3,53Precio. En esta ecuación simplemente reemplaza la =variable
275,5 Precio 338,3,
= X por cada uno elaboración de
en la primera precisamente así,
filasucesivamente.
dela la TablaAnte
diferencia 2.8,entre la =las
Y petición
275,5
ventas yde𝑌𝑌̂ las
y Don
= 338,3, Pablo,
ventas Emiliocorresponde
estimadas considera pertinente
a un residuo: calcular
Y - el
eresta
este
precisamente
la ecuación
montónlade
diferencia simplemente
fórmulas
diferencia
entre las ventasse reemplaza
queda
entre y más
laslas asustado
ventas
ventas lay variable
las que
ventas
estimadas
los valores de la columna “Precio”, es decir, de la primera fila de la tabla en mención, se toma(𝑌𝑌
Precio
antes. estimadas= X por
Mirando
corresponde cada
aAnte
suun
corresponde
a uno
hijo,
residuo:
la
de
a un
petición Yresiduo:
- de DonY - Pablo, Emilio
El lector habrá notado quelalos valores deEsventas (Y) y de ventas estimadas ̂el) y cómo se
ventas ̂
𝑌𝑌
aio,columna , y
en las
el ventas
caso
“Precio”, de estimadas
la
es decir, elaboración
editorial: corresponde
de lapero 275,5
primera de
– 338,3 a un
Tabla
= residuo:
2.8.
-62,7744, Ypor-
momentolo tanto, explicar
este valor secómo se
encuentra, estiman
un las
enhe sido
casomuy nolapaciente contigo, cada=fila vezporme
de laconfundes
tabla en mención, más. Porsevalor toma el
o𝑌𝑌̂,de laeleditorial: de editorial:
son
275,5 exactamente
– 338,3 275,5 – 338,3
iguales,
= -62,7744, -62,7744,
por loejemplo,
tanto, poreste loen tanto,
la
valor este
primera
se encuentra,filase encuentra,
de un la
elaboración de la Tabla 2.8. Es momento Tabla un 2.8,
–laro 338,3 tanto = -62,7744,
Y
alejado = 275,5
de por
la y lo(𝑌𝑌
recta tanto,
̂ ) =
y
de cómoeste
338,3,
regresión valor
precisamente
se calculan
linealse encuentra,
y los la
situado un
diferencia
residuos,
por debajo entre
es de las
decir, dicha ventas
la recta.y El
distancia (observación)
laspropósito
ven-
existente y
deentre c
en tu explicación.
oanto de laalejado
recta de la recta delineal
tasregresión
regresión
estimadas corresponde
linealpor
y situado y situado
a un debajo por
residuo:de debajo
dicha dê dicha
Y - recta.
(𝑌𝑌 ),yen Elcómorecta. El propósito
propósito
el caso
de
de la editorial:
se calculan
de los residuos, es de
n lineal
de Don MCO y situado
Pablo, es275,5
Emilio porconsidera
minimizar debajola suma de dicha
de
pertinente las recta.
distancias
calcular El propósito
el verticales
R 2
a partir de
entre
de la las respuestas observadas calculan
(Figura en la Lasa parti
MCO es laminimizar – 338,3(observación)
de= las -62,7744, por yverticales
la
lo recta
tanto,entrede
esteregresión
valor linealobservadas
se encuentra, estimada
un tanto en laalejado
2.1). ven
nimizar suma de la lassumadistancias distancias
verticales entre las respuestas las respuestas
observadas en la
de la recta de las regresión lineal y otras
situado por (observación)
debajo de dicha y la El
recta. recta de regresión linea
propósito
distancias
abla 2.8. muestraEsverticales
momento
y las entre
de
respuestas explicar respuestas
delcómomodelo; observadas
se estimanen laspalabras,en la
ventas de minimizar
la editorial la suma de cuadrados 3,53Precio.
de los ̂ En
muestra
s respuestas y las del
respuestas
modelo;
de MCO delen
es calculan
modelo;
otras palabras,
minimizar alapartir
en otras
suma dedelalasecuación
palabras,
minimizar la sumade
minimizar
distancias dela regresión
suma de entre
cuadrados
verticales lineal
loslasestimada
cuadrados
de de los arriba: 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
respuestas
o;lanenlos otras palabras, minimizar calculan a partir de la ecuación de regresi
residuos,
residuos, es decir,
definidos
observadas la
endistancia
como laladiferencia
la muestra suma y de
existente lasentrecuadrados
entreelcada
respuestas valor de
punto
del los
observado
modelo; de enlaotras variable que se
palabras, los valores
trata
mini- de de l
esiduos,como
finidos definidos como la 3,53Precio.
la diferencia diferencia
entre el valor entre En elesta
observado valorecuación
observado
de la variable simplemente
de laque variable
se trata se
quereemplaza
dese trata de la variable Preci
mizar la suma de cuadrados de los residuos, definidos comoEn la diferencia entresimplement
ectaentre
cia de regresión
explicar el valor lineal
observado
(ventas) estimada
y el valor de(Figura
la variable
estimado 2.1).por Las
que laventas
se trata
recta de 3,53Precio.
estimadas
ajustada
̂ ) se
(𝑌𝑌̂
(𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
esta ecuación
= 686,57 – 3,53Precio).
xplicar
ntas) y el(ventas)
valor el estimado
valor
y el valor observadoloslavalores
estimado
por depor
recta lade lavariable
ajustada la columna
recta que se
ajustada
̂
(𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 trata
̂ de
=“Precio”,
(𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
686,57 explicar
es decir,
686,57
–=3,53Precio). (ventas)
de la primera
– 3,53Precio). y el valor fila de la tabla
olaporecuación
la Para
rectadeestimado
regresión
ajustada
calcular elporlineal
R2̂ laderecta
(𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 estimada ajustada
= 686,57
la recta arriba:
de regresión
̂ ==686,57
– (3,53Precio).
lineal 686,57
basta los
– –con valores
3,53Precio).
reemplazar de la en columna
la fórmula “Precio”, es de
(2.6), los
2
ular Para
el R calcular
2 el R de la
de la recta recta delineal
regresión regresión bastalineal basta con reemplazar
con reemplazar en la fórmula en la(2.6),fórmula los (2.6), los
ecuación
regresión simplementePara calcular
se reemplaza el R 2
la de la
variable rectaPreciode =regresión
X por cada lineal
uno de basta con reemplazar
valoreslineal basta con
extractados de la reemplazar
Tabla 2.8,en tales la fórmula
como: SCR (2.6), loŝ - 𝑌𝑌̅) = 22.688,07
= ∑(𝑌𝑌 2
y la SCT = ∑(𝑌𝑌 −
valores
actadosextractados de la en Tabla lade fórmula
2.8,la tales
Tablacomo: (2.6),
2.8, tales loscomo:
SCR valores
= ∑(𝑌𝑌 SCR
̂ - 𝑌𝑌extractados
̅ )=2 ∑(𝑌𝑌 ̂ - 𝑌𝑌̅)2 de
= 22.688,07 ylalaTabla
= 22.688,07 SCT y=2.8, la SCT
∑(𝑌𝑌 tales
− = ∑(𝑌𝑌como: −
umna “Precio”, es decir, de ̂ la̅primera
2 fila de la tabla en mención, se toma 2 el
tales𝑌𝑌̅como: SCR = ∑(𝑌𝑌Por
)2 = 156.647,44. - 𝑌𝑌) = 22.688,07 R2 = y. la SCT
𝑆𝑆𝑆𝑆𝑆𝑆 SCT==∑(𝑌𝑌 ∑(Y−- Y) = 156.647,44. Por lo
𝑆𝑆𝑆𝑆𝑆𝑆 lo tanto,2 𝑆𝑆𝑆𝑆𝑆𝑆
𝑌𝑌̅47,44.
)2 = 156.647,44.
Por lotanto, Por
tanto,RR == . 22lo tanto, R = . 𝑆𝑆𝑆𝑆𝑆𝑆
𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆
= . 𝑇𝑇 ̂ ̅ )2/ ∑𝑇𝑇𝑖𝑖=1( 𝑌𝑌 − 𝑌𝑌̅)2
𝑆𝑆𝑆𝑆𝑆𝑆 2
∑
𝑇𝑇R2 =̂𝑇𝑇 𝑖𝑖=1̅( 2𝑌𝑌 −𝑇𝑇 𝑌𝑌 (2.7)
R = ∑𝑖𝑖=1(R𝑌𝑌 − ̂ ∑
= 𝑌𝑌𝑖𝑖=1
̅ −( 𝑌𝑌𝑌𝑌) − ∑
/ 𝑌𝑌𝑖𝑖=1
̅ ) ( 𝑌𝑌 − 𝑌𝑌̅) (2.7)
2 2
2 𝑇𝑇
) /(∑𝑌𝑌𝑖𝑖=1 2
(2.7)
− 𝑌𝑌̅)2/ ∑Al𝑇𝑇𝑖𝑖=1reemplazar( 𝑌𝑌 − 𝑌𝑌̅)2 valores se obtiene:(2.7)
Al reemplazar Al reemplazar
valores se obtiene: valores se obtiene:
lazar valores se obtiene:
e: R22 =
R
22.688,07
== 0,1448
0,1448xx100 100==14,48% 14,48%
22.688,07 22.688,07
R2 = R == 0,1448156.647,44
2
x =100 0,1448= x 100 = 14,48%
14,48%
2.688,07 Interpretación: 156.647,44 156.647,44
= 0,1448 x 100 = 14,48%
Interpretación:
tación:
56.647,44
Interpretación:
La variabilidad total de las ventas de la editorial respecto a su media es explicada en un
La variabilidad
ilidad total de las total ventas de de laslaventas editorial de larespecto
editoriala respecto su mediaa es su explicada
media es explicada en un en un
s de la editorial La variabilidad total de las ventas de la editorial respecto a su media es
14,48% por respecto
las variaciones a su media en el precioes explicada promedio en un de los libros. Si bien, el precio solo explica el
14,48%
las variacionespor lasexplicada
variaciones
en el precio enenpromedio
un el precio
14,48% promedio
de por
los libros.lasdevariaciones
los libros.elSiprecio
Si bien, enbien, el precio
el solo
precio soloelexplica
promedio
explica deellos
ecio promedio
14,48%libros. dede laslos Silibros.
ventas,bien,elel Si
restobien,
precio de el precio
lasolo explica
proporción solode explica
el 14,48%
la el de lasde
variabilidad ventas,
las ventasel resto
(100% de -la14,48% =
14,48%
as ventas, de ellasresto
ventas, de el
la resto
proporción de la proporción
de la de la variabilidad
variabilidad de las ventasde las (100%ventas - (100% -=14,48% =
14,48%
proporción de la variabilidad de las ventas (100% - 14,48% = 85,52%) será
proporción
85,52%)de la variabilidad
será explicada pordeotraslas ventas
variables (100%distintas - 14,48%al precio, = las cuales serán incluidas en el
85,52%)
á explicada serápor explicada
explicada por
otras variables porotras otras variables
variables
distintas distintas
aldistintas
precio, al precio,
al precio,
las cuales las las
cuales
serán cuales serán
serán incluidas
incluidas en el incluidas
en el en
ariables modelo el
distintasenmodelo
elalcapítulo
precio, en el 3.lascapítulo
cuales 3. serán incluidas en el
modelo
l capítulo 3. en el capítulo 3.
EL USO DE LA ECONOMETRIA BASIC
76
̅ 2)
2.1.4. El coeficiente de determinación ajustado (𝑹𝑹
2.1.4. El coeficiente
De acuerdo deeconométrica,
a la teoría determinaciónunajustado (R2).mejor cuanto mayor sea su coefici
modelo será
De acuerdo(Ra2).laComo
determinación teoría se
econométrica,
observa en eluncasomodelode laseráeditorial,mejorelcuanto coeficiente mayorde determina
sea su coeficiente de determinación (R ). Como se observa en el caso de la
2
depende mucho
editorial, de nuevas
el coeficiente devariables introducidas
determinación depende enmucho
el modelo, de nuevas teniendo variables cuidado
EL USO DE deLA queECONOME és
introducidas
empeoren en el de
la calidad modelo, teniendo
la regresión. Estecuidado
problema depuede
Luego se que
se Luego éstas
arregla
escribir se noLuego
sustituyendo
puede
la igualdad empeoren
escribir
YÝ se laLuego
= 𝑌𝑌̂puede
Ý 𝜇𝜇,la
+ 𝜇𝜇̂el
igualdad coeficiente
éscribir
se YÝ
y sipuede la dos
a los Ý +dl𝜇𝜇
̂miemb
=escribir
igualdad
𝑌𝑌
calidad de la regresión. Este problema seigualdad arregla sustituyendo
igualdad
le restamos le obtiene:
T𝑌𝑌̅2, se restamos
igualdad el T𝑌𝑌 coeficiente
̅le2,igualdad
se obtiene:
restamos le ̅restamos
T𝑌𝑌 2
, se obtiene: T𝑌𝑌̅ 2, se
determinación
de determinación 2
(R ) por
(R )elpor
coeficiente de determinación
el coeficiente de determinación ajustado 2ajustado
(𝑅𝑅 ̅ 2
),- -T𝑌𝑌
el cual para muestras
̅(R ),(𝑌𝑌̂𝜇𝜇̂el
2 2
(YÝ
(YÝ - T𝑌𝑌̅2) = (𝑌𝑌
̂ Ý - T𝑌𝑌 ̅ 2)̅+
- T𝑌𝑌 ) 𝜇𝜇̂=´(YÝ ̂oÝ
𝜇𝜇,(𝑌𝑌 sea, T𝑌𝑌
SCT ̅2(YÝ
)2)=
=+SCE -Ý +̅-SCR
´𝜇𝜇,
T𝑌𝑌 o ̅ 2(𝑌𝑌
) sea,
2T𝑌𝑌
= ) ̂+
SCT -=
Ý𝜇𝜇̂ ´𝜇𝜇,
T𝑌𝑌
cual para muestras grandes no depende del número de variables del modelo.
grandes no depende del número de variablesSuma deldemodelo. Suma
cuadrados Elde(SCT)
total coeficiente
cuadrados
=Suma suma total
de de
decuadrados(SCT)
cuadrados
Suma determinación
= suma
de total de
(SCT)
cuadrados
explicada (SCE)cuadrad
=
totalsu
+ sum
El coeficiente de determinación corregido o ajustado (R2) penaliza la entrada
de residuos
de residuos (SCR). A estos tres (SCR).
de residuos
términos A seestos
ledellamatres
(SCR). términos
residuos
sumaA estosde(SCR). se
tres
cuadradosleAtérmino
llama
(SC).sE
estos t
de nuevas variables explicativas
̅ 2 al modelo.
corregido o ajustado (𝑅𝑅 ) penaliza la entrada de nuevas variables2 explicativas 𝑆𝑆𝑆𝑆𝑆𝑆 al modelo. 𝑆𝑆𝑆𝑆𝑆𝑆
determinación Rdeterminación
2 R se Rha
como: 2=definido
se ha definido determinación como:
se RR22=se ha
2
ha definido
,Rdonde:
determinación , do
como:
defin
𝑁𝑁−1
𝑅𝑅̅2 = 1 - (1 – RSCE:
2 SCE: Suma
) Suma de cuadrados
(2.8)
deSCE:
cuadrados
explicada Suma
o suma explicada
deSCE: Suma
cuadrados
(2.8)
o de
de cuadrados suma
debida a lade
explicadacua
cuadrados
regresi
𝑁𝑁−𝐾𝐾−1
variable
variable explicativa explicativa
o explicada o→
variable
por esta) explicada
-𝑌𝑌̂)2por
explicativa
variable
∑(𝑌𝑌 o esta) → ∑(𝑌𝑌
explicada
explicativa opor ̂ )2
-𝑌𝑌
est
explic
Dónde:
Dónde: SCT: Suma
SCT: Suma de cuadrados total de cuadrados
o SCT: Suma
variación total oSuma
variación
devalores
SCT:
de los cuadrados deolos
total alrv
var
de Ydeestimados
cuadrados
media → ∑(𝑌𝑌 −media ̅ )2 → ∑(𝑌𝑌

𝑌𝑌̅)2 → ∑(𝑌𝑌media
− 𝑌𝑌 media ̅→
− 𝑌𝑌 ̅ )2
)2 ∑(𝑌𝑌 − 𝑌𝑌
R𝑅𝑅
̅:2 : Coeficiente
2
Coeficiente de
de determinación
determinación corregido
ajustado
SCR: Suma
SCR: Suma de cuadrados deSCR:
cuadrados
de residuos SumaSCR:
o variación de residuos
deresidual
cuadrados
Suma o variación
de
o no de residuo
cuadrados
explicada der
N : Tamaño de la muestra
alrededor de laalrededor
línea
→ ∑(𝑌𝑌̂de- 𝑌𝑌̅regresión
de2 la línea→
)alrededor lâlínea
de∑(𝑌𝑌
de ̅ ) de→regr
- 𝑌𝑌
regresión 2
∑(
KN: : Tamaño
Númerodedelavariables
muestra explicativas oalrededor
exógenasde la línea
(ende regresión
nuestro modelo, la
Don Pablo, al verDon
estePablo,
montónal ver
deDon este
Pablo,
fórmulas montón
al ver
Don
queda deeste
fórmulas
Pablo,
más quequeda
montón
al ver
asustado de fór
este mo
antes. Mm
variable Precio = X)
K: Número de variables explicativas o exógenas (en nuestro
exclama:
exclama: mira Emilio, mira
he sido muy modelo,
Emilio,
exclama:
pacientehe
mira sidola variable
muy
Emilio,
exclama:
contigo, vez Precio
paciente
he sido
peromira
cada contigo,
muy
Emilio,
me hepac
sid
confun
R2: Coeficiente de determinación
favor, sé directofavor,
y clarosé
endirecto y claro
favor, en tu explicación.
sé directo
tu explicación. favor,ysé
claro en tuy explicació
directo claro en t
R2: Coeficiente de determinación
Tabla 2.8. Ante la petición Ante
de DonlaPablo,
petición de considera
Ante
Emilio Don Pablo,
la petición
Ante deEmilio
la considera
Doncalcular
Pablo,
petición
pertinente R2 apP
Emil
deelDon
Información para la estimación del coeficiente de determinación.

elaboración elaboración
de la Tabla 2.8. Esde la Tabla
momento de2.8.
elaboración deEsla momento
Tabla
elaboración
explicar cómo se2.8.
de lade
Esexplicar
estimanmoment
Tabla 2.8.
las venta
Trimestre Ventas = Y Precio X (Y - Y )2 (𝑌𝑌̂) y cómo se ̂ )2 y cómo

-(𝑌𝑌
(Y calculan
Y) ̂ ) es
(Yse-(𝑌𝑌
calculan
Y)
los residuos, y cómo losla
decir, (Ŷresiduos,
se
(𝑌𝑌 )-calculan
Y)cómo
y 2
distancia es
los
se decir, la distan
residuos,
calculan
existente entre esrp
los
cada
2009:1 275,5 98,6 4794,5 338,3
(observación)3940,62
y(observación) -62,7744
y la lineal
(observación)
la recta de regresión 41,8368
rectaestimada
de(observación)
regresión
rectalineal
y la(Figura de estimada
y regresión
2.1).laLas
recta
ventasdeliner(
2009:2 285,6 96,6 3497,8 345,3 3568,77 -59,7392 0,3560
calculan a partircalculan a partir
de la ecuación de de la ecuación
calculan
regresión a lineal
partir
calculandela
de aregresión
estimada ecuación
partir
arriba: lineal
deecuac est
regre
de𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
la
̂ =6
2009:3 336,8 102 63,1 326,3 111,00 10,5358 341,4476
2009:4 333,4 91,9 128,7 361,9
3,53Precio. En814,61
esta ecuación -28,5414
3,53Precio. En3,53Precio.
esta ecuación
simplemente 295,8035
En simplemente
esta ecuación
3,53Precio.
se reemplaza En esta
la variable se reempla
simpleme
ecuación
Precio =X
2010:1 357 105,6 150,2 313,5 1888,11 43,4524 973,1243
los valores de lalos valores
columna de los
la columna
“Precio”, valores
es decir, de “Precio”,
delala
los columna
valores
primera esdedecir,
fila la
de de laen
“Precio”,
columna
la tabla prim
es md
“P
2010:2 325,2 102,8 381,9 323,4 3,10 1,7617 453,8698
2010:3 362,2 102,1 304,8 325,9 1316,89 36,2890 354,6269
2010:4 232 99,1 12710,9 336,5 10921,96 -104,5082 67,8044
2011:1 252,2 100,3 8564,1 332,3 6411,09 -80,0693 155,5812
2011:2 322,1 104,8 512,7 316,4 32,79 5,7265 804,8013
2011:3 297,3 85,6 2250,8 384,2 7550,84 -86,8956 1556,5439
2011:4 298,9 103 2101,5 322,7 567,95 -23,8318 484,4709
2012:1 246,8 100,4 9592,7 331,9 7244,74 -85,1160 164,5181
alrededor
alrededor de la línea de regresión → ∑(𝑌𝑌̂de
de laalrededor
línea - 𝑌𝑌̅regresión
de la línea→
)2alrededor de lâlínea
de∑(𝑌𝑌 ̅ )2de→
- 𝑌𝑌
regresión regr
∑(
Don Pablo, al verDon

este Pablo,
montón al ver
deDon este
fórmulas montón
Pablo, Don deeste
al más
queda ver fórmulas
Pablo, quequeda
montón
al ver
asustado este
de fór
mo
antes. m
M
exclama:
exclama: mira Emilio, mira
he sido muyEmilio,
pacientehe
exclama: sidoEmilio,
mira muy
exclama:
contigo, paciente
peromira
he sido
cada contigo,
Emilio,
muy
vez me hepac
sid
confund
favor, sé directo y claro en tu explicación.
favor, sé directo
favor, sé directo y claro en tu explicación. favor,ysé 77
claro
directo
en tu
y explicació
claro en t
Ante la petición Ante

de DonlaPablo,
petición de considera
Ante
Emilio Don Pablo,
la petición
Ante Emilio
de
la considera
petición
Don
pertinente Pablo, R2 apP
deelDon
calcular Emil p
Continuación Tabla 2.8. elaboración de laelaboración

Tabla 2.8. Esde la Tabla
momento de 2.8.
elaboración deEs
la momento
elaboración
explicar Tablasede
cómo lade
2.8. Esexplicar
Tabla
estiman momen2.8.
las venta
Trimestre Ventas = Y Precio = X (Y - Y)2 (𝑌𝑌̂) y cómo se ̂ )2 y cómo

(Ycalculan
-(𝑌𝑌
Y) ̂ ) es
(Yse-(𝑌𝑌
Y)
calculan
los residuos, los
y decir,
cómo (Ŷresiduos,
(𝑌𝑌
lase )-calculan
Y)cómo
y 2
distancia es
se decir,
los la distan
calculan
residuos,
existente entre los
esrp
cada
2012:2 322,4 93,8 499,2 355,2

(observación)1077,80
y (observación) -32,8299
y lalineal
(observación)
la recta de regresión 109,9851
rectaestimada
de(observación)
regresión
rectalineal
y la(Figura 2.1). estimada
dey regresión
la recta
Las ventas delinr(
es
2012:3 383,5 99,7 1502,1 334,4 2411,92 49,1113 107,2008
calculan a partircalculan a partir
de la ecuación de de la ecuación
calculan
regresión alineal
partir
calculan dela
de aregresión
estimada partir
ecuación ̂
lineal
arriba:de𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
ladeecuac est
regre
= 68
2012:4 321,8 104,6 526,4 317,1 22,28 4,7200 765,2161
2013:1 351,5 100 45,7 333,3
3,53Precio. En330,19
3,53Precio.
esta 18,1710
En esta ecuación
3,53Precio.
ecuación simplemente 130,2680
simplemente
3,53Precio.
En esta ecuación
se reemplaza En esta
la variable se reempla
simpleme
ecuación
Precio =X
2013:2 381,1 103,7 1321,9 320,3 3701,61 60,8409 599,4359
los valores de lalos valores
columna de los
la columna
“Precio”, esvalores “Precio”,
decir, delos
delala
valores
columna
primera esdedecir,
fila la de laenes
“Precio”,
de columna
la tabla prim
“P
me d
2013:3 412,5 96,7 4591,1 345,0 4558,15 67,5141 0,0593
2013:4 217,5 105,5 16190,7 313,9 9293,11 -96,4008 951,2105
2014:1 229,9 99,2 13188,8 336,2 11290,11 -106,2549 73,7465
2014:2 342,9 86,4 3,4 381,4 1479,91 -38,4696 1341,5474
2014:3 361,9 92,7 294,4 359,1 7,75 2,7845 206,5837
2014:4 301,3 100,9 1887,3 330,1 832,31 -28,8498 212,9457
2015:1 332,5 101,7 149,9 327,3 26,79 5,1761 303,4069
2015:2 343,2 95,3 2,4 349,9 45,31 -6,7313 26,9234
2015:3 421,9 98,6 5953,3 338,3 6993,25 83,6256 41,8368
2015:4 401,9 102,5 3267,0 324,5 5991,07 77,4020 409,8398
2016:1 421,8 101 5937,9 329,8 8464,63 92,0034 223,3799
2016:2 361,7 96,9 287,6 344,3 303,48 17,4206 0,2144
2016:3 393,6 98,3 2387,1 339,3 2944,79 54,2659 29,2510
2016:4 287,6 91,8 3265,3 362,3 5579,30 -74,6947 308,0790
2017:1 380 77,8 1243,1 411,7 1007,95 -31,7483 4489,7746
2017:2 495,6 81,6 22758,0 398,3 9462,39 97,2748 2871,1015
2017:3 452,6 86,6 11633,2 380,7 5174,91 71,9368 1290,2938
2017:4 404,9 93 3618,9 358,1 2194,38 46,8442 177,2440
2018:1 421,3 83,7 5861,1 390,9 923,73 30,3929 2131,1721
2018:2 333,7 93,7 121,9 355,6 478,87 -21,8831 117,5190
2018:3 379,1 94,5 1180,4 352,8 693,94 26,3428 64,2354
2018:4 407 97,7 3876,0 341,5 4296,34 65,5465 10,8174
Sumatoria 13.789,7 3.870,7 156.647,4 13.789,9 133.958,8 - 0,1993 22.688,0728
Promedio 344,7 96,8 SCT SCE Residuos SCR
Fuente: Elaboración propia a partir de los datos de la Tabla 1.2
Se observa que cuando N → ∞, o sea, para muestras grandes (N-1)(N-k-1)

→ 1 y no depende de k, que es el número de variables del modelo. Además,
N → ∞ → R2→ R2.
Ahora ya se puede considerar a R2 como una buena medida de la calidad

de la regresión. El modelo será tanto mejor cuanto mayor sea el coeficiente de
determinación ajustado (R2).
Emilio procede a calcular el R2 para el modelo de las ventas de la

editorial, así:

78
Emilio procede a calcular el 𝑅𝑅̅2 para el modelo de las ventas de la editorial, así:
R2 = 0,1448 R2 = 0,1448
N = 40
𝜇𝜇,=y 1si a losN
𝜇𝜇̂ ´k dos=miembros
40 de esta
k = 1
Reemplazando en la fórmula
Reemplazando en la(2.7), se obtiene:
fórmula (2.7), se obtiene:
SCE + SCR
40−1
𝑅𝑅̅ 2 = 1 - (1 – 0,1448)
dos explicada (SCE) + suma de cuadrados 40− 1−1
uma de cuadrados (SC). El coeficiente de𝑅𝑅̅ = 0,1223 x 100 = 12,23%

2
nde: Interpretación:
Interpretación:
dradosLadebida
variabilidad
a la total de las ventas
a la dede la editorial respecto a su media es explicada en un
Laregresión (debida
variabilidad total las ventas de la editorial respecto a su media es
2 12,23% por explicada en un en
las variaciones 12,23% por promedio
el precio las variaciones en el precio
de los libros. Si bien,promedio
el precio de
sololosexplica el
libros. Si bien, el precio solo explica el 12,23% de las ventas, el resto de la
12,23% de las ventas,
alores de Y estimados
proporción el resto
alrededor
de de la proporción
de su
la variabilidad de la variabilidad
de las ventas (100,00% - de las ventas
12,23% (100,00%
= 87,77%) es -
explicada por otras variables distintas al precio.
12,23% = 87,77%) es explicada por otras variables distintas al precio.
Donde N es el tamaño de la muestra y k el número de variables explicativas.
Donde
esidual N es el tamaño
o no explicada de la muestra
de los valores de Y y k el número de variables explicativas. Por deducción
Por deducción matemática, a valores más altos de k, más alejado estará el R 2
matemática, dela R 2
normal.
valores másYaltos
al revés,
de k,amás
valores másestará
alejado bajoselde𝑅𝑅̅k,2 del
másRcerca
2 estará
normal. Y de uno a
al revés,
la fracción central, por consiguiente, más parecidos serán R y R . El lector
2 2
más asustado
valores más quebajos
antes.deMirando
k, más acerca
su hijo,
estará dedeuno la fracción central, por consiguiente, más
recordará que k es el número variables explicativas introducidas en el
pero modelo;
cada vezserán por consiguiente,
me confundes se deduce que si k fuera igual a cero, el coeficiente
parecidos 𝑅𝑅̅ 2 y R2.más. Por recordará
El lector que k es el número de variables explicativas
de determinación sería también cero; es decir, no habría modelo alguno (en
introducidasun en
modelo cualquiera,
el modelo; como mínimo
por consiguiente, se tendría
se deduce queque
si kexplicar unaavariable
fuera igual cero, el en
coeficiente
función 2de otra). Dado que k debe ser como mínimo 1, el R y el R no pueden
ertinente calcular el R a partir de la
2 2
de determinación
tener el sería
mismotambién
valor; cero;
el R2 es decir,
será no habría
siempre modelo
inferior al R2.alguno (en un modelo
cómo se estiman las ventas de la editorial
cualquiera, como mínimo
En la Tabla se
2.2,tendría que explicar
se observa una variable
que EViews en función
al momento de otra).
de calcular Dado que k
la recta
ncia existente de
entre cada punto
regresión entre la información que arroja, incluye el R2 (R-squared) y
debe ser como mínimo 1, el 𝑅𝑅̅ y el R no pueden tener el mismo valor; el ̅𝑅𝑅 será siempre
2 2 2
el R2 (Adjusted R-squuared). Emilio siente satisfacción al observar los
Figura 2.1). Las ventas estimadas (𝑌𝑌̂) se
inferior al coeficientes
R2. de determinación del modelo econométrico de la editorial:
̂
imada arriba: 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 ==686,57
$686,57
– – $3,53Precio. Emilio mirando a los ojos a Don Pablo
En la Tabla 2.2, se observa
y de manera sonriente queexclama:
EViews al momento
¡Mira papa!,deyocalcular la rectaeldeprecio
tenía razón, regresión
no entre la
za la variable Precio = X por cada uno de
información que arroja, incluye el R2 (R-squared) y el 𝑅𝑅̅ 2 (Adjusted R-squuared). Emilio siente
mera fila de la tabla en mención, se toma el
satisfacción al observar los coeficientes de determinación del modelo econométrico de la
79
es una variable suficientemente importante para explicar las ventas; si se

analiza el R2, el precio únicamente explica el 12,23% de las variaciones
en las ventas de la editorial y el 14,48% si se toma el R2; es decir, más de
4/5 partes de las ventas no son explicadas por el precio, lo que sugiere que
hay otros factores que también influyen en las ventas, las cuales serán
consideradas en el modelo que se especifique y estime en el siguiente capítulo.
2.1.5. Coeficiente de correlación.
Don Pablo como es un hombre obstinado, le propone a su hijo que se mida

la fuerza o el grado de asociación lineal entre el precio promedio de los libros
y las ventas de la editorial. Emilio acepta el reto y decide hacerlo utilizando el
coeficiente de correlación. Antes de iniciar con el cálculo de este coeficiente,
Emilio considera conveniente establecer las diferencias entre lo realizado con
la regresión y el procedimiento actual que se pretende emprender. Emilio,
apoyado en el manual de econometría del profesor Gujarati (2010) afirma: “La
regresión y la correlación presentan diferencias fundamentales que vale la pena
mencionar. En el análisis de regresión hay una asimetría en el tratamiento a las
variables dependientes y explicativas. Se supone que la variable dependiente
es estadística, aleatoria o estocástica, es decir, que tiene una distribución de
probabilidad. Por otra parte, se asume que las variables explicativas tienen
valores fijos (en muestras repetidas), (…) En el análisis de correlación, por
otra parte, se tratan dos variables cualesquiera en forma simétrica; no hay
distinción entre las variables dependiente y explicativa” (p. 20). El coeficiente
de correlación lineal puede tomar valores comprendidos entre -1 y 1.
Para el cálculo en forma manual del coeficiente de correlación se desarrolla
el siguiente
Para procedimiento,
el cálculo a partir
en forma manual de los datosdecontenidos
del coeficiente correlaciónenseladesarrolla
Tabla 2.9,el siguiente
para ello:
procedimiento a partir de los datos contenidos en la Tabla 2.9, para ello:
̅ i = 344,7
1. Hallamos la medias aritméticas: 𝑋𝑋̅i = 96,8 y 𝑌𝑌
2. Calculamos la covarianza: σxy = ∑(Xi – Yi)/n – (𝑋𝑋̅i 𝑌𝑌

̅ i).
Reemplazando se obtiene: 1.327.971,9/40 – (96,8)(344,7) = -160,57
3. Calculamos las desviaciones típicas:

Para el cálculo en forma manual del coeficiente de correlación se desarrolla el siguiente
1. Hallamos la mediasEL USO DE LA ECONOMETRÍA
y 𝑌𝑌̅i = 344,7
aritméticas: 𝑋𝑋̅i = 96,8 BÁSICA
80
1. Hallamos la medias aritméticas: 𝑋𝑋̅i = 96,8 y 𝑌𝑌̅i = 344,7
2. Calculamos la covarianza: σxy = ∑(Xi – Yi)/n – (𝑋𝑋̅i 𝑌𝑌̅i).
2. Calculamos
Reemplazandola covarianza: σxy1.327.971,9/40
se obtiene: = ∑(Xi – Yi)/n –– (𝑋𝑋 ̅ i 𝑌𝑌̅i).
(96,8)(344,7) = -160,57
2
∑Xi2
σx = √ i − 𝑋𝑋̅ii22 = √376.376,2 − . , = 6,7
𝑛𝑛
∑Xi2
40
σx = √ − 𝑋𝑋̅i2 = √ 40 − . , = 6,7
376.376,2
𝑛𝑛
∑Yi2
2
σy = √ − 𝑌𝑌̅i2i2 = √4.910.543,1
i
− . , = 62,6
𝑛𝑛
∑Yi2
40
σy =último,
4. Por 𝑌𝑌̅i2 =el√coeficiente
√ se−calcula 4.910.543,1
, = 62,6
− de correlación
. lineal
𝑛𝑛 40
4. Por último, se calcula el coeficiente de correlación lineal
σxy −160,57
r= = = - 0,38
σx
σxyσy (6,7)(62,6)
−160,57
r= = = - 0,38
σx σy (6,7)(62,6)
Tabla 2.9.
Información para la estimación del coeficiente de correlación lineal.
Trimestre Ventas = Y Precio = X Xi Yi Xi2 Yi2
2009:1 275,5 98,6 27.164,3 9.722,0 75.900,3
2009:2 285,6 96,6 27.589,0 9.331,6 81.567,4
2009:3 336,8 102,0 34.353,6 10.404,0 113.434,2
2009:4 333,4 91,9 30.639,5 8.445,6 111.155,6
2010:1 357 105,6 37.699,2 11.151,4 127.449,0
2010:2 325,2 102,8 33.430,6 10.567,8 105.755,0
2010:3 362,2 102,1 36.980,6 10.424,4 131.188,8
2010:4 232 99,1 22.991,2 9.820,8 53.824,0
2011:1 252,2 100,3 25.295,7 10.060,1 63.604,8
2011:2 322,1 104,8 33.756,1 10.983,0 103.748,4
2011:3 297,3 85,6 25.448,9 7.327,4 88.387,3
2011:4 298,9 103,0 30.786,7 10.609,0 89.341,2
2012:1 246,8 100,4 24.778,7 10.080,2 60.910,2
2012:2 322,4 93,8 30.241,1 8.798,4 103.941,8
2012:3 383,5 99,7 38.235,0 9.940,1 147.072,3
2012:4 321,8 104,6 33.660,3 10.941,2 103.555,2
2013:1 351,5 100,0 35.150,0 10.000,0 123.552,3
2013:2 381,1 103,7 39.520,1 10.753,7 145.237,2
81
Continuación Tabla 2.9.

Trimestre Ventas = Y Precio = X Xi Yi Xi2 Yi2
2013:3 412,5 96,7 39.888,8 9.350,9 170.156,3
2013:4 217,5 105,5 22.946,3 11.130,3 47.306,3
2014:1 229,9 99,2 22.806,1 9.840,6 52.854,0
2014:2 342,9 86,4 29.626,6 7.465,0 117.580,4
2014:3 361,9 92,7 33.548,1 8.593,3 130.971,6
2014:4 301,3 100,9 30.401,2 10.180,8 90.781,7
2015:1 332,5 101,7 33.815,3 10.342,9 110.556,3
2015:2 343,2 95,3 32.707,0 9.082,1 117.786,2
2015:3 421,9 98,6 41.599,3 9.722,0 177.999,6
2015:4 401,9 102,5 41.194,8 10.506,3 161.523,6
2016:1 421,8 101,0 42.601,8 10.201,0 177.915,2
2016:2 361,7 96,9 35.048,7 9.389,6 130.826,9
2016:3 393,6 98,3 38.690,9 9.662,9 154.921,0
2016:4 287,6 91,8 26.401,7 8.427,2 82.713,8
2017:1 380,0 77,8 29.564,0 6.052,8 144.400,0
2017:2 495,6 81,6 40.441,0 .658,6 245.619,4
2017:3 452,6 86,6 39.195,2 7.499,6 204.846,8
2017:4 404,9 93,0 37.655,7 8.649,0 163.944,0
2018:1 421,3 83,7 35.262,8 7.005,7 177.493,7
2018:2 333,7 93,7 31.267,7 8.779,7 111.355,7
2018:3 379,1 94,5 35.825,0 8.930,3 143.716,8
2018:4 407,0 97,7 39.763,9 9.545,3 165.649,0
Sumatoria 13.789,7 3.870,7 1.327.971,9 376.376,2 4.910.543,1
Promedio 344,7 96,8
Como el coeficiente de correlación se encuentra entre -1 y 1 (-1 ≤ r ≤ 1), el

coeficiente de -0,38 se interpreta como una relación lineal entre el precio y las
ventas como débil (más cercana a 0) e inversa (signo negativo).
Después de calcular el coeficiente de correlación lineal de manera manual,

Emilio procede a ejecutar su cálculo a través de EViews para luego elaborar
un gráfico de dispersión que relacione el precio con las ventas (Figura 2.22),
así como una matriz de correlación. Para ello se abre el archivo ventas.wf1 y
se selecciona las variables precio y ventas en este orden, dando clic derecho
82
en el ratón se elige Open → as Group. Inmediatamente se abre una ventana con

la lista de las variables precio y ventas, tal como se muestra en la Figura 2.23.
Posteriormente, se selecciona Views → Graph, se elige Scatter como se

muestra en la Figura 2.24 y pulsamos OK. En la Figura 2.25 se muestra una
nube de puntos resultante de la combinación de las variables X = precio y
Y = ventas. El diagrama de dispersión sugiere que existe una relación inversa
entre el precio y las ventas; a simple vista se observa que existe una débil
relación entre las variables en cuestión.
Para medir la intensidad o fuerza entre el precio y las ventas, se selecciona

las variables precio y ventas en este orden y con el clic derecho del ratón se
selecciona as Group → View → Covariance analysis y se da clic (Figura
2.26). Enseguida, se señala Correlation como se muestra en la Figura 2.27 y
se pulsa OK.
83

ELEL
EL USO
USO
USO DEDE
DE
LA LA
LA ECONOMETRIA
ECONOMETRIA
ECONOMETRIA BASI
BASIC
BASICA
EL USO DE LA ECONOMETRIA BA
Enseguida, se obtiene la matriz de correlación que se muestra en la Tabla
2.10, donde se aprecia que el coeficiente
Tabla
Tabla
Tabla 2.10 de correlación lineal es de -0,380577.
2.10
2.10
Coeficiente
Tabla
Coeficiente
Tabla
Tabla
Tabla 2.10
2.10.
2.10.
Coeficiente
2.10. de
de correlación
correlación
Coeficiente
deCoeficiente
correlación
Coeficiente de
dede lineal lineal
lineal
correlación
lineal
correlación
correlación lineal
lineal
Tabla 2.10 Coeficiente dePrecio
correlación
Tabla 2.10. Coeficiente
Precio lineal
de correlación
Ventas lineal
Ventas
Precio Ventas
Precio
Coeficiente Precio
dePrecio 1,000000
correlación lineal 1,000000
Precio
1,000000 -0,380577
Ventas
-0,380577
-0,380577
Ventas
Precio
Ventas
Ventas Precio -0,380577
1,000000
-0,380577
-0,380577 1,000000
-0,380577
1,000000
1,000000
Ventas
Ventas -0,380577 1,000000
Precio 1,000000 -0,380577
Ventasla discusión-0,380577
En este apartado inicial entre Don1,000000
Pablo y Emilio queda planteada en el m
EnEneste
esteapartado
apartadolaladiscusión
discusióninicial inicialentre entreDon DonPabloPabloy yEmilio
Emilioqueda quedaplanteada
planteadaenenelelmod m
En este apartado la discusión inicial entre Don Pablo y Emilio queda planteada en e
que
que
que Enaparece
aparece
aparece acontinuación.
continuación.
estea acontinuación.
apartado la discusión inicial entre Don Pablo y Emilio queda
que aparece a continuación.
planteada en el modelo que aparece a continuación.
𝒱𝒱𝓉𝓉𝒱𝒱𝒱𝒱𝓉𝓉=
𝓉𝓉 ==𝛽𝛽0𝛽𝛽𝛽𝛽0+0++
𝛽𝛽1𝛽𝛽𝛽𝛽 𝒫𝒫𝓉𝓉++
11𝒫𝒫
𝒫𝒫 𝓉𝓉 𝓉𝓉+ 𝜇𝜇𝓉𝓉𝜇𝜇𝜇𝜇𝓉𝓉𝓉𝓉 (2.9)
(2.9)
(2.9)
𝒱𝒱𝓉𝓉 = 𝛽𝛽0 + 𝛽𝛽1 𝒫𝒫𝓉𝓉 + 𝜇𝜇𝓉𝓉 (2.9) (2.9)
AAA partir
partir
partir de
dedeunun un procedimiento
procedimiento
procedimiento manual
manual
manual ode
o ode deunun un proceso
proceso
proceso automatizado
automatizado
automatizado en
enen EViews,
EViews,
EViews, lalala esti
estim
estima
A partir
A partir de deun unprocedimiento
procedimiento manualmanual o de o de un un
proceso
proceso automatizado
automatizado en en EViews, la e
del
del
del modelo
EViews,
modelo
modelo la
eseses
lalala siguiente:
estimación
siguiente:
siguiente: del modelo es la siguiente:
del modelo es la siguiente:
̂ ̂ ==686,57
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 686,57 3,53Precio
–3,53Precio
3,53Precio (2.10)
̂
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 686,57 – – (2.10)
(2.10)
̂(5,083)
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 (5,083)
= 686,57
(5,083) –(-2,537)
3,53Precio
(-2,537)
(-2,537) (2.10) (2.10)
2
2R ==14,48% 14,48%
(5,083) ̅ ̅ 2
= 12,23%
(-2,537)
𝑅𝑅̅𝑅𝑅2𝑅𝑅==12,23%
2 2
RR = 14,48% 12,23%
R2 = 14,48% 𝑅𝑅̅ 2 = 12,23%
El
ElEl resultado
resultado
resultado anterior
anterior
anterior eses essólo sólo
sólo partede
parte de
lalala información
información que
que EViews
EViews proporciona
proporciona paralala
para
El resultado anterior es parte sólodeparte información
de la informaciónque EViews que proporciona
EViews para la
El resultado anterior es sólo parte de la información que EViews proporciona para l
proporciona
estimación
estimación de para
este la estimación
modelo. Si se de esteelelmodelo.
analiza conjunto Sidese analiza el (véase
información conjunto
(véase Tabla 2.2) que
estimación dede este
este modelo.
modelo. SiSi sese analiza
analiza conjunto
el conjunto dede información
información (véase Tabla
Tabla 2.2)
2.2) que
que s
de estimación
información de(véase
este modelo.Tabla 2.2) Si seque analizase obtiene
el conjunto con el de software,
información se puede
(véase Tabla 2.2)
obtiene
obtiene
observar,
obtiene concon
con elel
elque software,
software,
además,
software, sese se de puede
puede
puede observar,
observar,
la observar,
columna quequeque
que además,
además,
contiene
además, de
dede lalala
los columna
columna
valores
columna que
que
de
que contiene
contiene
los
contiene los
los
los v
va
val
obtiene con el software, se puede observar,
coeficientes estimados (Coefficient), también se proporciona una columna que además, de la columna que contiene lo
de
dedeloslos
los coeficientes
coeficientes
coeficientes estimados
estimados
estimados (Coefficient),
(Coefficient),
(Coefficient), también
también
también se
sese proporciona
proporciona
proporciona una
una
una columna
columna
columna que
que
que reco
reco
recoge
de los coeficientes estimados (Coefficient), también se proporciona una columna que r
desviaciones
desviacionestípicas
desviaciones típicas
típicas estimadas
estimadas
estimadas (Std. (Std.
(Std. Error)
Error)
Error) yotra
y yotra otra con
con
con elelel valor
valor
valor de
dedelalala razón
razón
razón t=𝛽𝛽/𝓈𝓈
t=𝛽𝛽/𝓈𝓈
t=𝛽𝛽/𝓈𝓈 (t-Stat
, ,(t-Stati
̂(t-Statist
̂ ,𝛽𝛽
̂𝛽𝛽
𝛽𝛽
desviaciones típicas estimadas (Std. Error) y otra con el valor de la razón t=𝛽𝛽/𝓈𝓈𝛽𝛽̂ , (t-S
unto de información (véase Tabla 2.2) que se
además, de la84columna que contiene los

EL valores
USO DE LA ECONOMETRÍA BÁSICA
bién se proporciona una columna que recoge las

que recoge las desviaciones típicas estimadas (Std. Error) y otra con el valor
razón t=𝛽𝛽/𝓈𝓈𝛽𝛽̂ , (t-Statistic),
ra con el valordedelalarazón (t-Statistic), que son los valores situados debajo de cada
coeficiente en la ecuación (2.9).
ficiente en la ecuación (2.9).
Por su parte, la ecuación (2.10) muestra que existe una relación negativa
existe una relación negativa entre precio y ventas,
entre precio y ventas, tal como Don Pablo lo sostenía desde un comienzo. Por
nzo. Por otro otro
lado,lado, los valores
los valores de 𝑅𝑅2de R̅ 2 son
y 𝑅𝑅 y R2 son bajos, lo que hace suponer que, aunque el
precio pueda ser relevante en el comportamiento de las ventas, no es el único
o pueda ser relevante
factor deeninterés.
el comportamiento
Se tiene quedeconcluir,
las que aunque la variable “Precio” debe
que concluir,ser
queincluida
aunque laenvariable
el modelo econométrico, sería conveniente añadir al modelo
“Precio”
otros factores que puedan ser relevantes en la explicación de las ventas de la
ería conveniente añadir al modelo otros factores
editorial.
as ventas de la editorial.
RETO 1:
Se invita al lector a realizar las rutinas econométricas expuestas en

este capítulo, utilizando las bases de datos que acompañan este texto
con el apoyo del software EViews.
Capítulo 3
REGRESIÓN LINEAL GENERAL:
ESPECIFICACIÓN Y ESTIMACIÓN
Supuesto 2: Los valores de X son fijos en muestreo repetido: Los valores

que toma el regresor X son considerados fijos en muestreo repetido.
Técnicamente, X se supone no estocástica.
Supuesto 3: El valor medio de la perturbación ui es igual a cero. Dado

el valor de X, la media o el valor esperado del término aleatorio de
perturbación u es cero. Técnicamente, el valor de la media condicional de
u es cero. Simbólicamente, se tiene que E(ui \ Xi) = 0
Supuesto 4: El número de observaciones n debe ser mayor que el

número de parámetros por estimar: Sucesivamente, el número de
observaciones n debe ser mayor que el número de variables explicativas.
Supuesto 5: La naturaleza de las variables X: No todos los valores X en

una muestra determinada deben ser iguales. Técnicamente, var(X) debe ser
un número positivo. Además, no puede haber valores atípicos de la variable
X, es decir, valores muy grandes en relación con el resto de las
observaciones.
Supuesto 6. El modelo de regresión está correctamente especificado.

Alternativamente, no hay un sesgo de especificación o error en el modelo
utilizado en el análisis empírico.
86
EnEnel capítulo anterior

el capítulo en el
anterior encaso de la
el caso deEditorial, se postula
la Editorial, la relación
se establece entre
la relación
En el capítulo anterior en el caso de la Editorial, se postula la relación entre
entre eldeprecio
el precio de los
los libros libros
y las y lastotales,
ventas ventasasí:
totales, así:
el precio de los libros y las ventas totales, así:
𝒱𝒱𝓉𝓉 = 𝛽𝛽0 + 𝛽𝛽1 𝒫𝒫𝓉𝓉 + 𝜇𝜇𝓉𝓉

𝒱𝒱𝓉𝓉 = 𝛽𝛽0 + 𝛽𝛽1 𝒫𝒫𝓉𝓉 + 𝜇𝜇𝓉𝓉
Dónde: 𝒱𝒱𝓉𝓉 es el número de libros vendidos y 𝒫𝒫𝓉𝓉 es el precio promedio al

Dónde: 𝒱𝒱𝓉𝓉 es el número de libros vendidos y 𝒫𝒫𝓉𝓉 es el precio promedio al
que los vende la editorial. Como se mencionó antes, este corresponde a un
que los vende la editorial. Como se mencionó antes, este corresponde a un
modelo de regresión simple o bivariado, compuesto por una variable
modelo de regresión simple o bivariado, compuesto por una variable
dependiente y una variable explicativa.
dependiente y una variable explicativa.
Por su parte, el modelo de regresión lineal múltiple es más complejo y de

Por su parte, el modelo de regresión lineal múltiple es más complejo y de
mayor uso en las ciencias; su propósito es explicar el comportamiento de una
mayor uso en las ciencias; su propósito es explicar el comportamiento de una
variable (variable dependiente) a partir de otras (variables explicativas). Su
variable (variable dependiente) a partir de otras (variables explicativas). Su
estructura es la siguiente:
estructura es la siguiente:
Vt = 𝛽𝛽0 + 𝛽𝛽1X1t +…+ 𝛽𝛽X2t +…+ 𝛽𝛽Xkt + 𝜇𝜇t t t==1,1,2,3,…,T

2, 3, ...., T (3.1)
Vt = 𝛽𝛽0 + 𝛽𝛽1X1t +…+ 𝛽𝛽X2t +…+ 𝛽𝛽Xkt + 𝜇𝜇t t = 1,2,3,…,T (3.1)
La variable Yt se denomina variable dependiente o endógena, las variables

La variable Yt se denomina variable dependiente o endógena, las variables
Xit , i = 1,…,K son las variables explicativas y 𝜇𝜇t es la perturbación aleatoria,
Xit , i = 1,…,K son las variables explicativas y 𝜇𝜇t es la perturbación aleatoria,
𝛽𝛽it son los (K+1) parámetros asociados a cada una de las variables explicativas,
𝛽𝛽it son los (K+1) parámetros asociados a cada una de las variables explicativas,
llamados también coeficientes de regresión, los cuales miden el impacto de
llamados también coeficientes de regresión, los cuales miden el impacto de
cada variable explicativa en el comportamiento de la variable dependiente. 𝛽𝛽0
cada variable explicativa en el comportamiento de la variable dependiente. 𝛽𝛽0
es el término independiente o parámetro asociado a una variable explicativa
es el término independiente o parámetro asociado a una variable explicativa
que toma el valor de 1 para todas las observaciones, es decir, cuando el valor
que toma el valor de 1 para todas las observaciones, es decir, cuando el valor
de las Xi es igual a cero, Yt es igual al valor que toma 𝛽𝛽0.
de las Xi es igual a cero, Yt es igual al valor que toma 𝛽𝛽0.
En notación matricial el modelo de regresión lineal múltiple se escribe
En notación matricial el modelo de regresión lineal múltiple se escribe
como Y = X𝛽𝛽 + 𝜇𝜇, donde:
como Y = X𝛽𝛽 + 𝜇𝜇, donde:
87
Y 1 X11 … X21 …̂ Xk1 𝛽̂ 𝜇̂ 1

Y1 1 1 X11 … X21 … Xk1 𝛽𝛽0 𝜇𝜇̂ 1 0
……
……
…
……
…
=
…
…
= X12 … X22 … ̂ 𝜇̂ 2
Yt 1Y t X12 …
1 X22 … Xk2 𝛽𝛽̂1 X+
k2
𝜇𝜇̂ 2𝛽1 +
…
…
…
…
Yn 1Y nX1n …
1 X X1n … XXkn2n …𝛽𝛽̂k Xkn 𝜇𝜇̂ n𝛽̂k
2n …
𝜇̂ n
y = y = X X
𝛽𝛽̂ 𝜇𝜇̂ 𝛽̂ 𝜇̂
nx1 nx1 nxk n x k kx1 n xk 1x 1 nx1
De acuerdoetaal.,
Carrascal Carrascal
(2004),etseñalan
al. (2004),
que el modelo de regresión lineal múltiple
cumple
cumple las
las siguientes
siguientes hipótesis
hipótesis clásicas:
clásicas:
- La linealidad de la relación y la constancia de los parámetros a lo

largo de la muestra están implícitas en la especificación de la
ecuación del modelo.
- No existen relaciones lineales exactas entre las variables
explicativas, y estas, no son variables aleatorias.
- Las distribuciones de probabilidad del vector de perturbaciones
σ2t2, I).
aleatorias es 𝜀𝜀 → N (0, σt
Volviendo a la discusión entre padre e hijo, se expondrá ahora la posición

de Emilio. Aunque Emilio no está en desacuerdo con la idea de que el precio
tiene una incidencia sobre las ventas de la editorial, sostiene que la explicación
que da su padre es simplista y que deben añadirse más elementos para poder
explicar correctamente lo que ha venido sucediendo. Su afirmación central es
que el mundo es más complejo de lo que su padre parece creer. La
competencia ha sido bastante fuerte en los últimos años y los precios a los que
vende la editorial son competitivos, por ende, esta es una variable que debe
tenerse muy en cuenta. De la misma manera, la gente es bombardeada
constantemente con publicidad, de manera que es necesario tener en cuenta
también su efecto. Emilio está convencido de que el gasto en publicidad que
ha venido realizando la editorial, a pesar de la protesta de su padre, ha sido
importante para explicar las ventas que se han logrado. Intuitivamente,
88
también considera que la renta de los clientes influye de alguna manera en las
ventas de la editorial. Todo ello significa que, de acuerdo con su teoría,
además del precio, hay otras variables que afectan a las ventas, por lo que es
necesario reformular la relación entre variables de la siguiente manera:
𝒱𝒱𝓉𝓉 = 𝛽𝛽0 − 𝛽𝛽1 𝑃𝑃𝑃𝑃𝓉𝓉 + 𝛽𝛽2 𝑃𝑃𝑃𝑃𝓉𝓉 + 𝛽𝛽3 𝐺𝐺𝐺𝐺𝓉𝓉 + 𝛽𝛽4 𝑅𝑅𝓉𝓉 + 𝑢𝑢𝓉𝓉 tt = 1, 2, 3, ..., T (3.2)
1,2,3,…,T
Donde: Vt representa las ventas de libros, PEt el precio promedio al que los
vende la editorial, PCt el precio promedio de la competencia (precio al que
venden otras editoriales), GPt el gasto realizado en publicidad por la editorial
y Rt la renta o ingreso promedio de los clientes de la editorial, partiendo de la
información contenida en la Tabla 3.1. Los signos de los coeficientes señalan
la relación que se sospecha exista entre la variable dependiente y cada una de
las variables explicativas.
Se procede a realizar sendos gráficos de las variables del modelo para

observar su comportamiento en el periodo de análisis. Para la elaboración de
gráficos en EViews, se toma la información disponible en el archivo de trabajo
Tab2; en la ventana del Workfile se selecciona en el siguiente orden las
variables V, PE, PC, GP y R oprimiendo la techa CTRL y el puntero del ratón.
Enseguida, se abre estas variables como grupo con View → Open → as Group
y damos clic como se indica en la Figura 3.1. En la ventana de las variables
elegimos View → Graph y damos clic (Figura 3.2).
89
Tabla 3.1
Ventas trimestrales de libros 2009-2018 (pesos constantes de 2009).
Precio
Precio promedio Gasto Renta promedio
Ventas promedio
Trimestre competencia publicidad del consumidor
(millones de $) Editorial
(miles de pesos) (miles de pesos) (miles de pesos)
(miles de pesos)
2009:1 275,5 98,6 105,5 1.868,0 895,0

2009:2 285,6 96,6 104,4 2.157,0 957,7
2009:3 336,8 102,0 115,6 2.541,0 1.024,7
2009:4 333,4 91,9 102,7 2.561,0 1.075,9
2010:1 357,0 105,6 106,1 3.103,0 1.129,7
2010:2 325,2 102,8 100,2 2.661,0 1.186,2
2010:3 362,2 102,1 97,2 2.757,0 1.245,5
2010:4 232,0 99,1 93,3 1.403,0 1.307,8
2011:1 252,2 100,3 94,6 1.856,0 1.386,3
2011:2 322,1 104,8 109,4 2.123,0 1.455,6
2011:3 297,3 85,6 94,7 2.181,0 1.528,3
2011:4 298,9 103,0 111,4 2.520,0 1.604,8
2012:1 246,8 100,4 105,0 2.134,0 1.685,0
2012:2 322,4 93,8 118,3 2.473,0 1.786,1
2012:3 383,5 99,7 102,1 3.125,0 1.875,4
2012:4 321,8 104,6 110,6 2.753,0 1.969,2
2013:1 351,5 100,0 97,3 2.869,0 2.067,6
2013:2 381,1 103,7 91,8 3.301,0 2.171,0
2013:3 412,5 96,7 96,8 3.043,0 2.279,6
2013:4 217,5 105,5 102,2 1.538,0 2.370,8
2014:1 229,9 99,2 108,5 1.903,0 2.465,6
2014:2 342,9 86,4 98,1 2.489,0 2.564,2
2014:3 361,9 92,7 122,8 2.770,0 2.666,8
2014:4 301,3 100,9 106,9 2.493,0 2.773,4
2015:1 332,5 101,7 108,3 2.701,0 2.939,8
2015:2 343,2 95,3 114,4 2.497,0 3.116,2
2015:3 421,9 98,6 114,9 3.192,0 3.303,2
2015:4 401,9 102,5 107,5 3.086,0 3.501,4
2016:1 421,8 101,0 108,5 3.533,0 3.676,5
2016:2 361,7 96,9 109,4 2.864,0 3.860,3
2016:3 393,6 98,3 114,6 3.181,0 4.053,3
2016:4 287,6 91,8 118,2 1.855,0 4.256,0
2017:1 380,0 77,8 106,8 2.575,0 4.468,8
2017:2 495,6 81,6 131,4 3.723,0 4.692,2
2017:3 452,6 86,6 101,5 3.268,0 4.879,9
2017:4 404,9 93,0 146,2 3.025,0 5.075,1
2018:1 421,3 83,7 114,2 3.173,0 5.227,4
2018:2 333,7 93,7 119,3 2.387,0 5.384,2
2018:3 379,1 94,5 116,5 2.839,0 5.545,7
2018:4 407,0 97,7 113,5 3.352,0 5.712,1
Fuente: El autor con base a la información proporcionada por Alonso et. al., (2005). En esta tabla se
ha incorporado una nueva variable: la renta promedio de los clientes de la editorial.
90

En el cuadro de opciones de gráficos (Graph Options) que se abre (por
defecto gráfico de líneas), en la pestaña Multiple series se elige Multiple graph
En el cuadro de opciones de gráficos (Graph Options) que se abre (por
y damos OK, tal como se indica en la Figura 3.3.
defecto gráfico de líneas), en la pestaña Multiple series se elige Multiple graph
y damos OK, tal como se indica en la Figura 3.3.
Figura 3.3
Figura 3.3
Figura 3.3
De este modo, se generan los gráficos de las series temporales utilizadas en
el modelo (véase Figura 3.4). Se aprecia que las ventas de la editorial en el
De este modo, se generan los gráficos de las series temporales utilizadas en
periodo 2009-2018 tienen una tendencia creciente debido posiblemente a la
el modelo (véase Figura 3.4). Se aprecia que las ventas de la editorial en el
disminución progresiva del precio promedio de los libros (se mueven en
periodo 2009-2018 tienen una tendencia creciente debido posiblemente a la
dirección contraria) y al aumento del precio medio de la competencia. Por su
disminución progresiva del precio promedio de los libros (se mueven en
parte, el comportamiento del gasto en publicidad es muy similar al de las
dirección contraria) y al aumento del precio medio de la competencia. Por su
parte, el comportamiento del gasto en publicidad es muy similar al de las
91
ventas (se mueven en la misma dirección), lo que permite aproximarse a la

conclusión, de que a mayor publicidad, mayor volumen de ventas. La renta
personal promedio de los clientes ha tenido un crecimiento notorio,
probablemente este factor también ha favorecido las ventas de la editorial.
El análisis gráfico debe ser considerado como una primera aproximación a

la comprensión de las relaciones entre las variables del modelo, aunque el
análisis numérico será el que permita aceptar o rechazar las hipótesis que
vayan surgiendo en el desarrollo de la historia de la editorial.
V PE
V Pe Pc
500 110
500 110 150
450 105
450 105 140
100
400 100
400 130
95
350 95
350 90 120
90
300
300 85 110
85
250 250 80 80 100
200 200 75 75 90
09 1009 11 10
12 1311 14 12
15 1613 17 14
18 15 16 09 17
10 1118 12 13 14 15 09
16 17 1018 11 12 09 1310 14 12 1513
11 16
14 15 1716 18
17 18
Gp PC R GP
4,000 150 6,000 4,000
3,500 140 5,000 3,500
3,000 130 4,000 3,000
2,500 120 3,000 2,500
2,000 110 2,000 2,000
1,500 1,000
100 1,500
1,000 0
90 1,000
09 10 11 12 13 14 15 16 17 18 09 10 11 12 13 14 15 16 17 18
09 10 11 12 13 14 15 16 17 18 09 10 11 12 13 14 15 16 17 18
Figura 3.4
También sería interesante calcular la tasa de crecimiento anual media

(TCAM)14 de las variables incorporadas en el modelo para comparar su
comportamiento en el transcurso del tiempo. La Tabla 3.2 muestra que en el
periodo 2009-2018 las ventas crecieron a una tasa anual media de 3,46%
probablemente gracias a la disminución de precios (-1,14%), al aumento de
14
La tasa de crecimiento anual media se calcula como la derivada del logaritmo natural de las
14 La tasa de crecimiento anual media se calcula como la derivada del logaritmo natural de las
variables en cuestión con respecto al tiempo.
variables en cuestión con respecto al tiempo.
92
los precios de la competencia (1,69%), a un mayor gasto en publicidad

los precios
(3,36%) y alde la comportamiento
buen competencia (1,69%), a unpersonal
de la renta mayor gasto
de losen publicidad
clientes de la
(3,36%) y al buen comportamiento
editorial (19,22%). de la renta
Nótese que en el análisis personal
preliminar dede loscifras,
estas clientes de la
se están
editorial
lanzando(19,22%). Nótese quecarentes
juicios apresurados en el análisis preliminar
de soporte de estas .cifras, se están
econométrico
lanzando juicios apresurados carentes de soporte econométrico.
Tabla 3.2
Tabla3.2
Tabla 3.2
Tasa
Tasa de de crecimiento
crecimiento anual
anual media
media de las
de las variables
variables del del modelo.
modelo
Tasa
Tablade
3.2.crecimiento anual media
Tasa de crecimiento anual de las de
variables del modelo
Periodo Ventas PE mediaPC las variables
GP del modelo
R
Tabla 3.2. Tasa de crecimiento anual media de las variables del modelo
Periodo Ventas PE PC GP R
2009-2018 3,46% -1,14% 1,69% 3,36% 19,22%
Periodo
2009-2018 Ventas
3,46% PE
-1,14% PC
1,69% GP
3,36% R
19,22%
Fuente:
2009-2018
Fuente: Elaboración
Elaboración propia..
3,46%propia -1,14% 1,69% 3,36% 19,22%
Fuente: Elaboración propia
En el caso del modelo de regresión lineal simple se observa valores para la

En el caso
variable del modelo
dependiente Y ydepararegresión lineal simple
la variable se observa
explicativa X, es valores para la
decir, nuestro
variable
problemadependiente Y y para lavervariable
consistía simplemente cómo las explicativa X, es decir,
ventas variaban nuestro
ante cambios
problema
en el precioconsistía
promediosimplemente
de los libros. verAhora,
cómo se lascuenta
ventascon
variaban ante cambios
observaciones de un
en el precio promedio de los libros. Ahora, se cuenta con
conjunto completo de variables explicativas y hay que enfrentar conobservaciones de un
la
conjunto completo de variables explicativas y hay que enfrentar
compleja tarea de aislar los efectos de cada una de ellas entre sí, es decir, se con la
compleja
debe tareaelde
estimar aislarindividual
efecto los efectosquede cada
cada una
una de
de las
ellasvariables
entre sí,explicativas
es decir, se
debe
ejerceestimar
sobre lasel ventas.
efecto individual
Este nuevoque cada nos
modelo unaservirá
de las para
variables explicativas
estimar cómo las
ejerce
ventas de libros dependen de cada una de las variables explicativas;cómo
sobre las ventas. Este nuevo modelo nos servirá para estimar las
en otras
ventas dese
palabras, libros
debedependen
desarrollardeunacada una de
técnica las variables
mediante la cualexplicativas; en otras
se puede estimar los
palabras, se debe desarrollar una técnica mediante
valores de los coeficientes de 𝛽𝛽0, 𝛽𝛽1, 𝛽𝛽2, 𝛽𝛽3 y 𝛽𝛽4. la cual se puede estimar los
valores de los coeficientes de 𝛽𝛽0, 𝛽𝛽1, 𝛽𝛽2, 𝛽𝛽3 y 𝛽𝛽4.
3.13.1 Especificación
Especificación del modelo
del modelo.
3.1 Especificación del modelo
Antes de especificar un modelo, es aconsejable hacer una inspección
Antesy numérica
gráfica de especificar
de las un modelo,
series es aconsejable
temporales hacer
para analizar una inspección
el grado y la forma
gráfica y numérica de las series temporales para analizar el grado
de la relación existente entre las variables. A partir de la información y la forma
de la
de la relación existente entre las variables. A partir de la información
Tabla 3.1 y con el apoyo de EViews se procede a realizar la siguiente rutina: de la
Tabla
al igual3.1que
y con el apoyo
hicimos con de EViewsde
el modelo se regresión
procede alineal
realizar la siguiente
simple rutina:a
procedemos
al igualelque
cargar hicimos
archivo con el modelo
del siguiente modo:deAbrimos
regresión lineal ysimple
EViews procedemos
elegimos la opción:a
cargar el archivo del siguiente modo: Abrimos EViews y elegimos la opción:
93
Open → an existing EViews workfile, buscamos el archivo de trabajo Tab2 en

la carpeta que haya sido guardado y se procede a abrirlo. Posteriormente, se
selecciona
Open → anen el siguiente
existing EViews orden las siguientes
workfile, buscamosvariables:
el archivoV,dePE, PC, Tab2
trabajo GP y en
R.
se carpeta
la da clic derecho
que hayay sido
se selecciona
guardadoOpen → as Group,
y se procede se daPosteriormente,
a abrirlo. clic y se visualiza
se
las variables
selecciona endel modelo enorden
el siguiente columnas (véase Figura
las siguientes 3.5). V, PE, PC, GP y R.
variables:
se da clic derecho y se selecciona Open → as Group, se da clic y se visualiza
las variables del modelo en columnas (véase Figura 3.5).
Figura 3.5
EViews
Figura 3.5es capaz de realizar Figura
un conjunto
3.5 de diagramas de dispersión muy
útiles para el análisis. Si se quiere hacer una inspección gráfica de parejas de
variables,
EViewseneslacapaz
ventana
de del Workfile
realizar seleccionamos
un conjunto las variables
de diagramas que se quiere
de dispersión muy
chequear
útiles parapulsando la Si
el análisis. tecla CTRL hacer
se quiere y el puntero del ratón
una inspección empezando
gráfica por de
de parejas la
variables, y luego
en la ventana la variable
del Workfile dependiente las
seleccionamos y sevariables
da clic. que
Se procede
se quierea
seleccionar
chequear las variables
pulsando la teclade CTRL
trabajoyen
el elpuntero
siguiente
del orden: PE y V, como
ratón empezando por se
la
indica enexplicativa
variable la Figura 3.6. Posteriormente,
y luego se selecciona
la variable dependiente Open
y se → asSeGroup
da clic. y sea
procede
da clic. En la
seleccionar lasFigura 3.7 de
variables se trabajo
observaenqueel se abren las
siguiente seriesPEdeylas
orden: V, variables
como se
elegidas.
indica en la Figura 3.6. Posteriormente, se selecciona Open → as Group y se
da clic. En la Figura 3.7 se observa que se abren las series de las variables
elegidas.
94
Figura 3.6Figura 3.6 Figura 3.7 Figura 3.7

Enseguida, se selecciona View → Graph → Scatter y en la opción Fit lines
– Options se elige
Enseguida, línea de regresión
se selecciona (Regression
View → Graph line)y yenselada
→ Scatter OK, como
opción se
Fit lines
–muestra ense
Options la elige
Figura 3.8.de
línea Laregresión
línea de regresión (línea
(Regression de ylase
line) recta de regresión)
da OK, como se
nos permite
muestra en laapreciar la dirección
Figura 3.8. La línea de
de la pendiente
regresión existente
(línea entrede
de la recta losregresión)
pares de
variables.
nos permite apreciar la dirección de la pendiente existente entre los pares de
variables.
Figura 3.8
Figura 3.8
Figura 3.8
Con el propósito de conocer de manera intuitiva el tipo de relación existente
entre
Conlaselventas y cada
propósito una de las
de conocer detres nuevas
manera variables
intuitiva (a excepción
el tipo de relacióndel precio
existente
de la editorial)
entre las ventasse procede
y cada una adeelaborar
las tres los diagramas
nuevas de (a
variables dispersión
excepciónrespectivos;
del precio
porlaejemplo,
de editorial)laseFigura 3.9amuestra
procede elaborarquelos existe una relación
diagramas positiva
de dispersión (directa)
respectivos;
por ejemplo, la Figura 3.9 muestra que existe una relación positiva (directa)
95
entre las ventas y el precio de las editoriales competidoras, es decir, una

entre las ventas
variación y el precio de las
(aumento/disminución) editoriales
de los precios competidoras,
promedio de laescompetencia
decir, una
variación
provocaría(aumento/disminución)
una variación en el mismo de lossentido
precios(aumento/disminución)
promedio de la competencia
de las
provocaría
ventas de launa variación
editorial en el mismo
de propiedad de sentido
Don Pablo.(aumento/disminución)
Aunque aún es tempranode las
ventas
para de la
sacar editorial deEmilio
conclusiones, propiedad deque
siente DonsuPablo. Aunque
hipótesis aún eslatemprano
es correcta: variable
para sacar conclusiones,
determinante de las ventasEmilio
es el siente
precioque su competencia.
de la hipótesis es correcta:
Don Pablo,la variable
por su
determinante de las ventas es el precio de la competencia.
parte, en su interior reflexiona al respecto: Aunque en el diagramaDon Pablo, por de
su
parte, en su
dispersión interior
(Figura reflexiona
3.10) se observaal respecto: Aunque
una relación en el entre
positiva diagrama de
las dos
dispersión (Figura
variables, esto 3.10)
aún esto se observauna
no constituye unaevidencia
relacióncontundente.
positiva entre las dos
variables,500
esto aún esto no constituye una V evidencia contundente.
500
500 500 500 500

450 450
450 450
450 400
450 400
400 400
400 350 400 350
V
V
350 350
V
300
V 300
350 350
300 300
250 250
300 300
250 250
200 200
250 75 80 85 90 95 100 250
105 110 90 100 110 120 130
200 200
75 80 85 90 Pe 95 100 105 110 90 100 110 120
Pc 130
200 200
75 80 85 90 95 100 Pe105 110 90 100 110 120 130 140 150 Pc
Pe Pc
Figura 3.9Figura 3.9 Figura 3.10 Figura 3.10
La Figura 3.9 muestra la relación negativa (inversa) existente entre el

La Figura
precio 3.9 muestra
de la editorial la relación
y las ventas, la quenegativa
sugiere(inversa)
que a mayorexistente
precioentre el
menor
precio
volumendedela ventas
editorial y las ventas,
y viceversa. la el
Entre que sugiere
precio que
de la a mayor precio
competencia y las menor
ventas
volumen de ventas y viceversa. Entre el precio de la competencia
hay una relación positiva (directa), que indica que si la competencia elevay las ventas
sus
hay una relación
precios y si la positiva
editorial(directa),
mantiene queconstantes
indica que si
losla suyos,
competencia eleva sus
sus ventas se
precios
incrementarán y viceversa (véase Figura 3.10). Entre el gasto en publicidadsey
y si la editorial mantiene constantes los suyos, sus ventas
incrementarán y viceversa
las ventas existe (véase
una relación Figura
positiva 3.10). Entre
(directa) el gasto
bastante en publicidad
estrecha (los puntosy
lasencuentran
se ventas existe
muyuna relaciónapositiva
próximos la recta (directa) bastante
de regresión -líneaestrecha
que pasa(losen puntos
medio
se
de encuentran
los puntos-,muy próximos
por ende, a la rectason
los residuos demás
regresión -línealos
pequeños), quecual
pasa en medio
sugiere que
de los puntos-, por ende, los residuos son más pequeños), los cual sugiere que
96
un mayor gasto en publicidad impulsará un mayor volumen de ventas de libros

un mayor gasto
y viceversa en publicidad
(véase impulsará
Figura 3.11). Por un mayorlavolumen
último, Figura de
3.12ventas de libros
muestra una
yrelación
viceversa (véase Figura 3.11). Por último, la Figura 3.12 muestra
positiva (directa) entre la renta personal de los clientes y las ventas una
relación positiva
de la editorial, la (directa)
cual indicaentre
quelasirenta personal
la renta de losde los clientes
clientes y lastambién
aumenta, ventas
de la editorial,
lo harán la cual
las ventas y loindica que siNótese
contrario. la renta
quedelalos clientes aumenta,
inspección también
gráfica efectuada
lo
es harán las ventas
un análisis y lo contrario.
preliminar Nótese
que permite que laindicios
recoger inspección
sobregráfica efectuada
la dirección en
es
que se mueven las variables, pero no aporta ningún dato sobre la magnitud en
un análisis preliminar que permite recoger indicios sobre la dirección de
que se mueven
dicha relación. las variables, pero no aporta ningún dato sobre la magnitud de
dicha relación.
500 500
500 500
450 450
500 500
450 450
400 400
450 450
400 400
350 350
400 400
V
V
350 350
V
V
300 300
350 350
300 300
250 250
300 300
250 250
200 200
250 250 0 1,000 2,000 3,000 4,000
1,000 1,500 2,000 2,500 3,000 3,500 4,000 200
200
1,000 1,500 2,000 2,500 3,000 3,500 4,000 0 1,000 2,000 3,000 4,000
200 Gp 200 R
1,000 1,500 2,000 2,500 3,000 3,500 4,000 0 1,000 2,000 3,000 4,000 5,000 6,000 R
Gp
Gp R
Figura 3.11
Figura 3.11 Figura 3.12 Figura 3.12
A continuación se realiza una inspección numérica apoyada en el análisis

delAcoeficiente
continuación se realiza una
de correlación inspección
lineal simple (r)numérica
entre cadaapoyada en el análisis
par de variables. Para
del coeficiente de correlación lineal simple (r) entre cada par de variables.
ello se pulsa la tecla CTRL y con el puntero del ratón se selecciona las Para
ello se pulsa
variables en el la tecla orden
mismo CTRLanterior;
y con luego
el puntero delOpen
se elige ratón→seAsselecciona
group y se las
da
variables
clic. En la ventana que se abre, se elige View → Covariance Analysis y se da
en el mismo orden anterior; luego se elige Open → As group y se da
clic. En la ventana que se abre, se elige View → Covariance Analysis
clic como se muestra en la Figura 3.13. Posteriormente, en el cuadro de y se da
clic como
diálogo quesesemuestra en la Figura
abre, se selecciona 3.13. Posteriormente,
Correlation en elsecuadro
y se da OK como indica de
en
diálogo que se
la Figura 3.14. abre, se selecciona Correlation y se da OK como se indica en
la Figura 3.14.
97
Figura 3.13
Figura 3.13 Figura 3.14 Figura 3.14
En la Tabla 3.15 se muestra los coeficientes de correlación lineal, por

ejemplo, entre el precio promedio de la editorial (PE) y las ventas (V) existe
una relación inversa y débil de -0,38, entre el precio de competencia (PC) y
las ventas existe una relación directa y débil de 0,36, en cambio entre el gasto
en publicidad (GP) y las ventas existe una relación directa y fuerte de 0,93, y
por último, entre la renta personal y las ventas la relación existe una relación
0 5,000 6,000directa y media de 0,58. En síntesis, mediante el coeficiente de correlación
lineal se puede deducir que las ventas de la editorial tienen relación inversa
con el precio de la editorial y directa con el precio de la competencia, el gasto
en publicidad y con la renta personal. El gasto en publicidad y la renta personal
son las variables que tienen mayor correlación lineal con las ventas; en
cambio, el precio de la competencia es la variable que tiene menor correlación
lineal con las ventas. Esto seguramente, debe preocuparle un tanto a Emilio,
quien es el defensor de la hipótesis de que el precio de la competencia es la
variable más importante en la explicación de las ventas de la editorial.
98
Tabla 3.3
Tabla 3.3
Matriz de correlación lineal
Matriz de correlación lineal.
Tabla 3.3. Matriz de correlación lineal
Variables explicativas
Variables
PE PC GP R
PE PE 1,000000PC GP
-0,258176 R
-0,159481 -0,498638
explicativas
PE PC 1,000000-0,258176
-0,258176 1,000000
-0,159481 -0,498638
0,285806 0,556504
PC -0,258176 1,000000 0,285806 0,556504
GP -0,159484 0,285806 1,000000 0,464269
GP -0,159484 0,285806 1,000000 0,464269
R R -0,498638-0,498638
0,556504 0,556504
0,464269 0,464269
1,000000 1,000000
Las características descriptivas básicas de cada serie se obtienen a

través de la selección de las variables en el orden sugerido anteriormente, con
el mouse se selecciona Open → as Group y se da clic derecho.
Inmediatamente se despliega una ventana que contiene las variables del
modelo, se da View → Descriptive Stats → Common Sample (véase Figura
3.15). A continuación aparece una ventana que muestra los principales
estadísticos de cada una de las variables, tales como: la media (mean),
mediana (median), valor máximo (maximun), valor mínimo (minimun),
desviación típica (Std. Dev), etcétera., tal como se muestra en la Tabla 3.4.
Figura 3.15
Figura 3.15
99
Tabla 3.4
Estadísticos descriptivos.
Estadísticos TablaV3.4 PE PC GP R
Mean 344,7425 96,76750 108,5175 2.646,825 2.779,105
Median Estadísticos
343,0500 descriptivos
98,60000 107,9000 2.681,000 2.418,165
Maximum 495,6000 105,6000 146,2000 3.723,000 5.712,077
Estadísticos
Minimum V
217,5000 PE
77,80000 PC
91,80000 GP
1.403,000 R
895,0000
Mean 344,7425 96,76750 108,5175 2.646,825 2.779,105
Std. Dev. 63,37666 6,828049 10,65847 545,6214 1.487,668
Median 343,0500 98,60000 107,9000 2.681,000 2.418,165
Skewness
Maximum -0,047215
495,6000-1,014618
105,6000 1,125159
146,2000-0,317646
3.723,000 0,539739
5.712,077
Kurtosis
Minimum 2,696249
217,5000 3,394580
77,80000 5,414099
91,80000 2,548437
1.403,000 2,007456
895,0000
Std. Dev. 63,37666
6,828049
10,65847
545,6214
1.487,668

Skewness -0,047215 -1,014618 1,125159 -0,317646 0,539739
Jarque-Bera 0,168637 7,122489 18,15301 1,012508 3,584032
Kurtosis 2,696249 3,394580 5,414099 2,548437 2,007456
Probability 0,919139 0,028403 0,000114 0,602749 0,166624
Jarque-Bera 0,168637 7,122489 18,15301 1,012508 3,584032

Probability 0,919139 0,028403 0,000114 0,602749 0,166624
Sum 13.789,70 3.870,700 18,15301 105.873,0 111.164,2
Sum 13.789,70 3.870,700 18,15301 105.873,0 111.164,2
Sum Sq. Dev. 156.647,4 1.818,268 0,000114 11.610.406 86.313.064
Sum Sq. Dev. 156.647,4 1.818,268 0,000114 11.610.406 86.313.064

Observations 40 40 40 40 40
Observations 40 40 40 40 40
Fuente : Elaboración propia
Aunque, Emilio no está en desacuerdo con la idea de que el precio tiene

una cierta incidencia sobre las ventas, sostiene que la explicación que da su
padre es simplista y que deben añadirse más elementos para poder explicar
correctamente lo que ha venido sucediendo. Su afirmación central es que el
mundo es más complejo de lo que su padre parece creer. La competencia ha
sido bastante fuerte en los últimos años y los precios a los que vende la
editorial son competitivos (esta es una variable que debe tenerse muy en
cuenta). De la misma manera, la gente es bombardeada constantemente con
publicidad, de modo que es necesario tener en cuenta también su efecto.
Emilio está convencido de que el gasto en publicidad que ha venido realizando
la editorial, a pesar de las protestas de su padre, ha sido importante para
explicar las ventas obtenidas, pero en el análisis tampoco se puede dejar de
lado, el ingreso o renta de los clientes de la editorial, considerando que los
libros son bienes superiores, muy elásticos al ingreso de los consumidores.
100
Según la intuición de Emilio, el modelo de ventas de la editorial estaría
Según la
conformado porintuición de Emilio,
una variable el modelo
dependiente de ventas
y cuatro de la editorial
variables estaría
explicativas,
Según la intuición de Emilio, el modelo de ventas de la editorial estaría
conformado por
minuciosamente una variable
identificadas comodependiente
se indica eny lacuatro
Tabla variables
3.5. explicativas,
conformado por una variable dependiente y cuatro variables explicativas,
minuciosamente identificadas como se indica en la Tabla 3.5.
minuciosamente identificadas como se indica en la Tabla 3.5.
Tabla 3.5
Tabla 3.5
Tabla 3.5 Tabla 3.5
Variables del modelo de la editorial
Variables del modelo de la Editorial.
Variables del modelo de la editorial
Tabla 3.5. Variables del modelo
Variables de la Editorial
del modelo de la editorial
Variable
Variable Dependiente
dependiente
Tabla deVariables
Variables
3.5. Variables del modelo EditorialExplicativas
Explicativas
la
Tabla 3.5. Variables del modelo de la Editorial
Variable dependiente PEt = Precio promedio
Variables de la
Explicativas
PE
Variable dependiente editorial. = Precio
Variables promedio
Explicativas
PEt = Precio promedio de la
t
de la editorial.
PCtPE = Precio
= tPrecio
editorial.
promedio
promedio de de
la la
PC =
editorial.
competencia
t
Precio promedio de la competencia
Vt = Ventas PCt = Precio promedio de la
Vt = Ventas GPtPC = Precio
= tGasto promedio de
en publicidad de la
la
Vt = Ventas GP = Gasto
competencia
competencia
t
en publicidad de la editorial
Vt = Ventas editorial
GPt = Gasto en publicidad de la
RtR=GP t = Gasto
Renta
editorial
en publicidad
personal
= Renta promedio
personal de
de la
promedio de los
t
los editorial
clientes
R t = Renta
de la editorial
clientes de la
personal editorial
promedio de
Fuente: Elaboración propia Rt = Renta personal promedio de
los clientes de la editorial
Fuente: Elaboración propia los clientes de la editorial
En términos generales, ahora nuestro objetivo consiste en cuantificar la
relación En existente
términos generales, ahora nuestro objetivo consiste yenuncuantificar
conjunto la
En términos entre generales,una variable Y (variable
ahora nuestro dependiente)
objetivo consiste en cuantificar la
de relación
K existente
variables entre una
explicativas X1, variable
X Y (variable
2, X3,……., X dependiente)
K, mediante
relación existente entre una variable Y (variable dependiente) y un conjunto un y un conjunto
modelo lineal
de K variables
múltiple y una muestraexplicativas
de datosX 1, X T. XK, mediante un modelo lineal
2, X3,…….,
de K variables explicativas Xde tamaño
1, X2, X3,……., XK, mediante un modelo lineal
múltiple y una muestra de datos de tamaño T.
múltiple y una muestra de datos de tamaño T.
𝒱𝒱𝓉𝓉 = 𝛽𝛽0 - 𝛽𝛽1X1t + 𝛽𝛽2X2t + 𝛽𝛽3X3t +…+ 𝛽𝛽KXKt + 𝜇𝜇t t = 1,2,…, T (3.3)
𝒱𝒱𝓉𝓉 = 𝛽𝛽0 - 𝛽𝛽1X1t + 𝛽𝛽2X2t + 𝛽𝛽3X3t +…+ 𝛽𝛽KXKt + 𝜇𝜇t t = 1,2,…, T (3.3)
𝒱𝒱𝓉𝓉 = 𝛽
𝛽𝛽00 - 𝛽𝛽
𝛽11X
X1t1t++ 𝛽𝛽𝛽22XX2t2t++𝛽𝛽𝛽33XX3t3t+…+
+…+𝛽𝛽𝛽KKXXKtKt++𝜇𝜇𝜇t t t = 1,2,…, T …, T (3.3)
t = 1, 2,
Dónde:
Dónde:
= Observación t-ésima de la variable dependiente Yt
𝒱𝒱𝓉𝓉 Dónde:
XKt𝒱𝒱=𝓉𝓉 = Observación
Observación t-ésima
t-ésima dede la la variable
variable dependiente
explicativa Xk,Yt
𝒱𝒱𝓉𝓉 = Observación t-ésima de la variable dependiente Yt
k =X1,2,3,…,k
Kt = Observación t-ésima de la variable explicativa Xk,
XKt = Observación t-ésima de la variable explicativa Xk,
𝛽𝛽0 =k Intercepto
= 1,2,3,…,k o término independiente.
k = 1,2,3,…,k
𝛽𝛽0 = Intercepto o término independiente.
𝛽𝛽k = = Interceptoo parámetro
𝛽𝛽0Coeficiente o término independiente.
de la variable explicativa Xk, que mide el impacto
de 𝛽𝛽 k = Coeficiente
cada o parámetro
variable explicativa en eldecomportamiento
la variable explicativa Xk, que mide
de la variable el impacto
dependiente.
𝛽𝛽k = Coeficiente o parámetro de la variable explicativa Xk, que mide el impacto
de cada variable explicativa en el comportamiento de la variable dependiente.
de cada variable explicativa en el comportamiento de la variable dependiente.
𝜇𝜇t = t-ésimo valor del término de perturbación o de error.
101
El término de perturbación (𝜇𝜇t) es una variable aleatoria (no observable)

que recoge el efecto de variables no incluidas en el modelo (el número de
competidores, los gustos o preferencias, el sexo de los compradores, la
religión, entre otras), el comportamiento aleatorio de los agentes económicos,
posibles errores de medida, etcétera.
Entonces, el modelo de ventas de la editorial quedaría especificado de la

siguiente manera:
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 𝛽𝛽0 + 𝛽𝛽1 𝑃𝑃𝑃𝑃𝓉𝓉 + 𝛽𝛽2 𝑃𝑃𝑃𝑃𝓉𝓉 + 𝛽𝛽3 𝐺𝐺𝐺𝐺𝓉𝓉 + 𝛽𝛽4 𝑅𝑅𝓉𝓉 + 𝑢𝑢𝓉𝓉 tt== 1,2,…,
1, 2, …,
T T (3.4)
3.2
3.2 Estimación
Estimacióndel
delmodelo
modelo.
La estimación por MCO del modelo de ventas de la editorial quedaría, así:
̂ = 𝛽𝛽̂0 - 𝛽𝛽̂1PEt + 𝛽𝛽̂2PCt + 𝛽𝛽̂3GPt +𝛽𝛽̂4Rt +𝜇𝜇̂ t

𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 tt = 1, 2, …,TT
1,2,…, (3.5)
El lector recordará que el gorro o circunflejo colocado encima de cada

parámetro incluido el término independiente (intercepto) y la perturbación
significa valores estimados.
Dado que el modelo de regresión lineal múltiple es más complejo, su

estimación se hará con el apoyo de EViews. En la estimación del modelo de
regresión lineal múltiple se seleccionan las variables del modelo en el
siguiente orden: V, PE, PC, GP y R. Posteriormente, se elige Open → as
Equation y damos clic. En el cuadro de diálogo que se abre (véase Figura 3.16)
de forma manual reordenamos las variables en el siguiente orden: V, c15. PE,
PC, GP y R. En la pestaña de método (Method), EViews por defecto, elige
mínimos cuadrados ordinarios (LS – Least Squares - NLS and ARIMA) y se da
Aceptar.
1515
También llamado término independiente, ordenada en el origen, intercepto o constante.
15 También llamado término independiente, ordenada en el origen, intercepto o constante.
102
A partir de esta rutina, EViews proporciona la información de la regresión

múltiple que se muestra en la Tabla 3.6. La salida de la información se
distribuye en columnas, tales como: los valores de los coeficientes estimados,
sus errores estándar, los valores t, la probabilidad de los valores t y muchos
estadísticos más, que enriquecen el análisis econométrico. Infortunadamente,
EViews no visualiza el intervalo de confianza al 95% de cada coeficiente de
regresión, como si lo hacen otros paquetes como Stata.
Tabla3.6
Tabla 3.6
Estimación del modelo por MCO.
Método: MCO
C 243,2046 59,81264 4,066106 0,0003
PE -1,913099 0,492254 -3,886406 0,0004
PC 0,126788 0,327776 0,386813 0,7012
GP 0,100304 0,006031 16,63173 0,0000
R 0,002669 0,002832 0,942452 0,3524
Sum squared resid 11478,23 Schwarz criterion 8,958315
103
Como EViews no visualiza el intervalo de confianza al 95% de los

coeficientes de regresión, se procede a calcularlos manualmente. La tercera
columna (Std. Error) de la Tabla 3.6 recoge la desviación típica estimada de
los parámetros del modelo y puede utilizarse para el cálculo de intervalos de
confianza de los parámetros estimados a un nivel de confianza α igual a
[Coefficient ± (tα/2 T-K-1 x Std. Error)]. Como el valor de la t de Student t0,025 =
2,03011 para 35 grados de libertad (T-K-1 → 40 - 4 - 1 = 35). Un intervalo de
confianza nos va a permitir calcular dos valores alrededor de una media
muestral (uno superior y otro inferior). Estos valores van a acotar un rango
dentro del cual, con una probabilidad del 95% se van a localizar los parámetros
poblacionales. El nivel de confianza y la amplitud del intervalo varían
conjuntamente, de forma que un intervalo más amplio tendrá más
posibilidades de acierto (mayor nivel de confianza), mientras que para un
intervalo más pequeño, que ofrece una estimación más precisa, aumentan sus
posibilidades de error.
La probabilidad de que el verdadero valor del parámetro se encuentre en el

intervalo construido se denomina nivel de confianza (95%) y la probabilidad
de equivocarnos se llama nivel de significancia (5%). Los intervalos de
confianza permiten verificar hipótesis planteadas respecto a parámetros
poblacionales, como se verá más adelante.
La Tabla 3.7 muestra que los coeficientes de las variables precio de la

competencia (PC) y renta personal (R) se encuentran fuera del intervalo de
confianza con un nivel de confianza del 95%; en cambio, los coeficientes del
precio de la editorial (PE) y el gasto en publicidad (GP) se encuentran dentro
de los intervalos de confianza respectivos con un 95% de confianza.
Tabla 3.7EL USO DE LA ECONOMETRÍA BÁSICA
104
Tabla 3.7
Matriz de coeficientes de covarianza
Tabla 3.7
Intervalos de Matriz de coeficientes de covarianza
confianza.
Variable Coeficiente t Error Estándar Intervalo de confianza al 95%
α/2 T-K-1
C 243,2046 2,03011 59,81264
Error 121,77836
Intervalo 364,63084
de confianza
Variable
Variable
PE Coeficiente
Coeficiente
-1,913099 α/2tα/2
t2,03011
T-K-1 Error Estándar
0,492254 Intervalo de
-2,91243confianza al 95%
-0,91377
T-K-1 Estándar al 95%
C 243,2046 2,03011 59,81264 121,77836 364,63084
CPC 0,126788
243,2046 2,03011
2,03011 0,327776
59,81264 -0,53863 364,63084
121,77836 0,79221
PE
GP -1,913099
0,100304 2,03011
2,03011 0,492254
0,006031 -2,91243
0,08806 -0,91377
0,11255
PEPC -1,913099
0,126788 2,03011
2,03011 0,492254
0,327776 -2,91243
-0,53863 -0,91377
0,79221
R 0,002669 2,03011 0,002832 -0,00308 0,00842
PC 0,126788
GP Elaboración
0,100304 2,03011
2,03011 0,327776
0,006031 -0,53863
0,08806 0,79221
0,11255
Fuente: propia
GPR 0,100304
0,002669 2,03011
2,03011 0,006031
0,002832 0,08806
-0,00308 0,11255
0,00842
R Elaboración
Fuente: 0,002669
propia 2,03011 0,002832 -0,00308 0,00842
Posteriormente, con el puntero del ratón se selecciona View →
Representations que muestra la especificación del modelo, así como el modelo
Posteriormente, con el puntero del ratón se selecciona View →
finalmente estimado (véase Figura 3.17) y se da clic. En el campo Substituted
Representations que muestra la especificación del modelo, así como el modelo
Coefficients aparece la ecuación del modelo estimado, donde cada coeficiente
finalmente estimado (véase Figura 3.17) y se da clic. En el campo Substituted
está acompañado de una apreciable cantidad de decimales como sinónimo de
Coefficients aparece la ecuación del modelo estimado, donde cada coeficiente
mayor precisión en la estimación, tal como se indica en la Figura 3.18.
está acompañado de una apreciable cantidad de decimales como sinónimo de
mayor precisión en la estimación, tal como se indica en la Figura 3.18.

La estimación del modelo de ventas de la editorial proporciona el siguiente
resultado:
La estimación del modelo de ventas de la editorial proporciona el siguiente
resultado:
105
̂ = 243,20 – 1,91PE+ 0,127PC + 0,100GP + 0,003R

𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 (3.6)
(59,8) (0,49) (0,33) (0,006) (0,003)
R2 = 92,67%; 𝑅𝑅̅ 2 = 91,84%
Cabe recordar, que los valores entre paréntesis ubicados debajo de cada
coeficiente corresponden a la desviación típica o error estándar (Std. Error).
Los signos del modelo son coherentes con la teoría económica, así pues, el
precio de la editorial está inversamente relacionado con las ventas; en cambio,
existe una relación directa entre el precio de la competencia, el gasto en
publicidad y la renta personal con las ventas como es apenas lógico.
En el modelo de regresión simple del capítulo 2 se calculó el coeficiente

̅2) para medir
de determinación (R2) y el coeficiente determinación ajustado (R
la bondad de ajuste del modelo, cuyos valores arrojados fueron de 14,48% y
12,23%, respectivamente. En este nuevo modelo, el coeficiente de
determinación se ha elevado considerablemente; por ejemplo, si se interpreta
el R2 se dice que el 92,7% de la variabilidad de las ventas en su media son
explicadas por PE, PC, GP y R; pero aún queda un faltante de 7,3% (100% -
92,7% = 7,3%) de las ventas de la editorial sin ninguna explicación hasta el
momento, lo cual sugeriría que podrían incluirse nuevas variables en el
modelo, pero esto le restaría simplicidad y utilidad16.
El signo de los coeficientes confirma que existe una relación negativa

(inversa) entre el precio promedio de la editorial y las ventas de la misma, así
16
Un modelo nunca puede llegar a ser una descripción completamente precisa de la realidad;
para describir la realidad, se tendría que desarrollar un modelo tan complejo e incomprensible
16 Un
que éstemodelo nunca
sería de pocapuede llegar
utilidad a ser una
práctica. En descripción completamente
cualquier construcción de precisa
modelosdeeslainevitable
realidad;
para describir la realidad, se tendría que desarrollar un modelo tan complejo
hacer abstracción o simplificación en alguna medida. El principio de parsimonia, establecee incomprensible
queque
un éste seríasededebe
modelo pocaconservar
utilidad práctica. En cualquier
tan simple como seaconstrucción
posible, estodesignifica
modelos que es inevitable
se deben
hacer abstracción o simplificación en alguna medida. El principio de parsimonia,
introducir en el modelo unas pocas variables claves que capturen la esencia del fenómeno establece
bajo
que un
estudio modelo toda
relegando se debe conservar
influencia tan simple
menor comoalsea
y aleatoria posible,
término esto significa
de error (𝜇𝜇t). que se deben
introducir en el modelo unas pocas variables claves que capturen la esencia del fenómeno bajo
estudio relegando toda influencia menor y aleatoria al término de error (𝜇t).
106
como una relación positiva (directa) entre el precio de la competencia, el gasto

en publicidad y la renta personal promedio de los clientes con respecto a las
ventas. En fin, los signos de los coeficientes son coherentes con los postulados
de la teoría económica.
3.3 Estadísticos
3.3 Estadísticosde
dela
laestimación.
estimación
EViews al estimar un modelo por MCO proporciona una salida de

información muy rica que se muestra en la Tabla 3.5. Aquí se encuentra la
estimación de los coeficientes asociados a cada una de las variables
explicativas junto con su error estándar o desviación típica estimada, el
estadístico t de significación individual y la probabilidad del mismo. En la
parte inferior se encuentra un conjunto de estadísticos que permiten evaluar
parcialmente la regresión realizada. Recogiendo la exposición de Carrascal et
al, (2004), se hace una breve explicación de los principales elementos de la
salida de Eviews.
La columna denominada Coeficientes (Coefficient) recoge el valor de los

estimadores de los parámetros asociados a cada una de las variables
explicativas, los cuales se obtienen a partir de la siguiente expresión:
𝛽𝛽̂ = (X´X)-1 XÝ
Si se cumplen las hipótesis clásicas señaladas anteriormente, estos

estimadores serán lineales, insesgados, óptimos (ELIO) y consistentes
(MELI); por lo tanto, el modelo tendrá mayor capacidad explicativa y
predictiva; es decir, mayor poder para explicar de qué dependen las ventas de
la editorial, así como para pronosticar las ventas a partir de valores dados de
precios, gasto en publicidad y renta personal.
Cada uno de estos coeficientes recoge el cambio que experimenta la

variable dependiente ante un cambio unitario de la variable explicativa
correspondiente, suponiendo que el resto de las variables permanecen
107
constantes17. Así, por ejemplo, los resultados muestran que si el precio

promedio de la editorial aumenta en una unidad monetaria, permaneciendo el
resto de las variables constantes o fijas (manteniendo constantes el precio de
la competencia,
constantes el17gasto
. Así, en por publicidad
ejemplo, losyresultados
la renta personal),
muestran que lassi ventas
el preciode la
promedio de la editorial aumenta en una unidad
editorial disminuirán en 1,91 unidades monetarias. Mantener el resto de monetaria, permaneciendo el las
variables constantes permite
constantes 17 aislar
. Así, por el los
ejemplo, efecto o cambio
resultados muestran quede sicada variable
el precio
la competencia, el gasto en publicidad y la renta personal), las ventas de la
explicativaeditorial
sobre disminuirán
la variableen dependiente.
1,91 unidades Simonetarias.
se prescinde de esta resto
Mantener condición, el
resto de las variables constantes o fijas (manteniendo constanteselel precio de
de las
análisis de la contribución
variables laconstantes degasto
competencia,permite
el cada variable
aislar
en y laexplicativa
el efecto
publicidad o cambio
renta sobre
personal),de cada lavariable
las ventas de variable
la
dependiente su vuelve prácticamente imposible.
explicativa sobre
editorial la variable
disminuirán dependiente.
en 1,91 unidades Si se prescinde
monetarias. de
Manteneresta
el condición,
resto de las el
variables
análisis de constantes permite
la contribución de cadaaislar el efectoexplicativa
variable o cambio de cada la
sobre variable
variable
explicativa sobre la variable dependiente. Si se prescinde de esta condición, el
La columna deanálisis
los errores estándarde(Std.
de la contribución recoge la
Error)explicativa
cada variable desviación
sobre la variable típica
estimada deLalos estimadores
columna y mide
de los errores estándar–siempre
(Std. Error)que losla estimadores
recoge desviación típicasean
insesgados–, la precisión
estimada deLa los con la errores
estimadores
columna de los quey son
mideestimados
estándar–siempre los
(Std. Error)que parámetros.
los
recoge estimadores
la desviación También
sean
típica
estimada de los estimadores y mide –siempre que los estimadores sean
significan el grado de confianza que podemos depositar en nuestras
insesgados–, la precisión con la que son estimados los parámetros. También
significan el grado de confianza que podemos depositar en nuestras
estimaciones. significan el grado de confianza que podemos depositar en nuestras
estimaciones.
estimaciones.
La matrizLade varianzas
matriz La de deyvarianzas
varianzas
matriz covarianzas
y covarianzas estimada
y covarianzas estimada de
estimada de
de los losestimadores
los estimadores
estimadores es es es
S𝛽𝛽̂𝛽𝛽̂ = S2S𝛽𝛽̂ 𝛽𝛽̂ = S-1
(X´X) 2 ,̂ 𝛽𝛽̂donde
S𝛽𝛽 (X´X) S2-1,=donde
= S2-1(X´X)
, donde Seé/T
2 S2 =–eé/T
= eé/T(K+1) = =∑
– (K+1)
– (K+1) =∑𝑇𝑇 𝑒𝑒t222/ T – K – 1– es1
𝑡𝑡=1 𝑒𝑒tt // TT––KK
∑𝑇𝑇𝑇𝑇𝑡𝑡=1 𝑒𝑒
𝑡𝑡=1 – un1 un
es es un
estimador insesgado y consistente, bajo las hipótesis clásicas de la varianza de
estimador
estimador insesgado insesgado y
y consistente,consistente,
2
bajo las hipótesis clásicas de
bajo las hipótesis clásicas de la varianza de la varianza de
las perturbaciones 2 (σ𝜀𝜀 ). De esta forma, los errores estándar se obtienen como
las perturbaciones 2 (σ 𝜀𝜀 ). De esta forma, los errores estándar se obtienen como
las perturbacionesla (σ ). De esta
raíz𝜀𝜀 cuadrada de losforma,
elementoslos
de laerrores estándar
diagonal principal se obtienen
de dicha matriz. como
la raíz cuadrada de los elementos de la diagonal principal de dicha matriz.
la raíz cuadrada de El losestadístico
elementos de la diagonal
t (t-statistic) principal
que se calcula como el de dichaentre
cociente matriz.
el
El estadístico
estimador ty (t-statistic) que se
su error estándar 𝛽𝛽̂i/𝜎𝜎̂calcula
i 𝛽𝛽 ̂ i (para
como el cociente
el caso entre el
de la variable
El estadístico
estimadorPEt y=(t-statistic)
−1,913099
su error
0,492254
que
= 0,0004),
estándar se
𝛽𝛽̂
permite i calcula
contrastar
/𝜎𝜎
̂ i 𝛽𝛽̂ i la como
(parahipótesis
el el
de
caso cociente
que el entre
el coeficiente
de la variable
−1,913099 i = 0̂ Ĥ1i: 𝛽𝛽(para
estimadorPEy= su eserror
0,492254
estándar
(H0: 𝛽𝛽
igual=a0,0004),
cero permite i/𝜎𝜎
𝛽𝛽frente
̂ i a 𝛽𝛽
contrastar el casode quede la variable
i ≠0) y que, por tanto, la variable en
la hipótesis el coeficiente
cuestión no es individualmente significativa para explicar el comportamiento
−1,913099
PE = = a0,0004),
es igual decero (H0:permite
la variable contrastar
i = 0 frente
𝛽𝛽endógena. a H1: 𝛽𝛽i la
≠0)hipótesis
y que, porde quelaelvariable
tanto, coeficiente
en
0,492254
es igual a de
cero (H0: 𝛽𝛽endógena.
la variable i = 0 frente a H1: 𝛽𝛽i ≠0) y que, por tanto, la variable en

Esto supone que las demás variables explicativas toman el valor de cero (0), que al ser
17
de la variable endógena.
multiplicado por el coeficiente específico de cada variable, el producto es igual a 0, condición
que permite analizar por separado el efecto o cambio que ejerce cada variable explicativa
sobre la variable dependiente.
17
17 Esto supone que las demás variables explicativas toman el valor de cero (0), que al ser
17
multiplicado
multiplicado porpor el coeficiente
el coeficiente específicodedecada
específico cadavariable,
variable,elelproducto
producto es
es igual
igual aa 0,
0, condición
condición
queque permite
permite analizar
analizar porpor separadoel elefecto
separado efectoo ocambio
cambioque
queejerce
ejerce cada
cada variable
explicativa
sobre la variable
sobre dependiente.
dependiente.
la variable
108
La columna de probabilidad (Prob) proporciona dos veces el área que el

7 valor absoluto
. Así, por ejemplo, los resultadosdel estadístico
muestran quet deja si el aprecio
su derecha e indica la probabilidad de
cometer
e la editorial aumenta en el
unaerror
unidaddemonetaria,
rechazarpermaneciendo
la hipótesiselnula siendo cierta (error de tipo I).
variables Estos valores están calculados ael partir
constantes o fijas (manteniendo constantes
nstantes17. Así, por ejemplo, los resultados muestran que si el precio
de la distribución t de Student con
precio de
ncia, el gasto en publicidad
T-K-1 grados y la renta personal), las ventas de la
omedio de la editorial aumenta en una de libertad,
unidad monetaria,siendo K+1 elel número
permaneciendo de coeficientes de regresión
sminuirán en 1,91 unidades monetarias. Mantener el resto de
to de las variables constantes o fijas (manteniendo constantes el precio de las
incluyendo el término constante.
onstantes permite aislar el efecto o cambio de cada variable
competencia, el gasto en publicidad y la renta personal), las ventas de la
sobredisminuirán
torial la variableendependiente.
1,91 unidadesSi se prescinde
monetarias. de esta
Mantener condición,
el resto de las el
riables
la contribución El cada
constantes permite
de coeficiente
aislar
variable de determinación
el efectoexplicativa
o cambio de cada la
sobre variable (R-squared) o R2, es una medida
variable
plicativa sobre la variable dependiente. Si se prescinde de esta condición, el
estadísticaimposible.
e su vuelve prácticamente que sirve para valorar el éxito de la regresión para predecir los
álisis de la contribución de cada variable explicativa sobre la variable
pendiente su vuelvevalores de laimposible.
prácticamente variable dependiente en el periodo muestral y se define como la
mna de los errores estándar (Std. Error) recoge la desviación típica
e los
La columna
partey de
estimadores
de los errores
la varianza
mide –siempre
estándar (Std. Error)que
de los
recoge
lala variable
estimadores
desviación
dependiente
típicasean
explicada por las variables
imada
–, la precisión independientes.
de los estimadores
con la que y mide –siempre que
son estimados los los estimadoresTambién
parámetros. sean
esgados–, la precisión con la que son estimados los parámetros. También
el grado de confianza que podemos depositar en nuestras
nifican el grado de confianza 𝑆𝑆𝑆𝑆𝑆𝑆 que podemos
𝑆𝑆𝑆𝑆𝑆𝑆 depositar en nuestras
es.
imaciones. R22 = 1 - =
iz de
La varianzas
matriz y covarianzas
de varianzas y covarianzasestimada
estimada de de los losestimadores
estimadores es es
2 Dónde: 𝑇𝑇 2 𝑇𝑇un ̂ ̅ )2 y SCT = ∑𝑇𝑇𝑡𝑡(𝑌𝑌t – 𝑌𝑌̅)2
̂ = S2-1(X´X)-1, donde S 2
= eé/TSCE
(X´X) , donde S = eé/T – (K+1) = ∑𝑡𝑡=1
𝛽𝛽 – =
(K+1) ∑
= ∑ 𝑇𝑇
𝑇𝑇 𝑒𝑒 22
;
/ SCR
T – K –=1
𝑡𝑡=1 𝑒𝑒 t / T – K – 1𝑡𝑡=1
𝑡𝑡=1
𝑒𝑒 tt ∑
es un t –𝑌𝑌
es (𝑌𝑌
imador insesgado y consistente, bajo las hipótesis clásicas de la varianza de
nsesgado y consistente,
2
bajo las hipótesis clásicas de la varianza de
perturbaciones
2 (σ𝜀𝜀 ). De esta forma, los errores estándar se obtienen como
aciones Enforma,
(σ𝜀𝜀 ). De esta
raíz cuadrada de los elementosel modelo de las
los errores
de la diagonal ventas
estándar
principal
sede
de dicha la editorial,
obtienen
matriz.
como la capacidad explicativa conjunta
drada de los elementos
de las de la diagonal
variables principal de dicha
explicativas PE, matriz.
PC, GP y R es elevada, pues explican el
El estadístico t (t-statistic) que se calcula como el cociente entre el
92,7%que
dístico ty (t-statistic)
imador su error estándar
de se
la variabilidad
𝛽𝛽̂i/𝜎𝜎̂calcula
̂ i (para
i 𝛽𝛽 como
de ladevariable
el cociente
el caso
dependiente
entre el
la variable
ventas (V). Hay que tener
−1,913099
y= 0,492254
su error bastante
= 0,0004),
estándar permite cuidado,
̂ i 𝛽𝛽̂i (para
𝛽𝛽̂i/𝜎𝜎
contrastar sinel embargo,
la hipótesis de quede
caso la con
el coeficiente la interpretación del coeficiente de
variable
099 a cero (H0: determinación. Enhipótesis
ocasiones,
igual i = 0 frente a H1: 𝛽𝛽i ≠0)
= 0,0004), 𝛽𝛽permite contrastar la y que, por de quelasi
tanto, la muestra
variable
el en
coeficiente consta de pocas observaciones,
254
estión no es individualmente significativa para explicar el comportamiento
erovariable
la
quizás, uno o dos residuos elevados pueden generar un coeficiente de
(H0: 𝛽𝛽endógena.
i = 0 frente a H1: 𝛽𝛽i ≠0) y que, por tanto, la variable en
o es individualmente determinación
significativareducido
para explicar y, por ello, conducir a creer que la regresión estimada
el comportamiento
ble endógena. es mala, cuando excepto por dichas observaciones, el ajuste puede ser
excelente. Por otra parte, si la muestra consta de muy pocas observaciones, y
permite analizar porningún residuo es ejerce

especialmente alto, se tendrá un coeficiente de
ltiplicado por el coeficiente específico de cada variable, el producto es igual a 0, condición
separado el efecto o cambio que cada variable explicativa
determinación muy elevado, sin que deba interpretarse como un excelente
re la variable dependiente.
e que las demás variables explicativas toman el valor de cero (0), que al ser
por el coeficiente ajuste,
específicosino
de cadamás bien
variable, como un
el producto indicador
es igual de escasa información muestral. Otro
a 0, condición
analizar por separado el efecto o cambio que ejerce cada variable explicativa
ble dependiente. caso delicado se refiere al uso del coeficiente de determinación con muestras
de series temporales que muestran una tendencia similar. En tales casos, el
coeficiente de determinación se aproxima a la unidad, aunque la relación entre
ambas variables, excepción hecha de sus tendencias, pueda ser pobre.
109
El coeficiente de determinación ajustado (adjusted R-squared) o 𝑅𝑅̅2 se

obtiene a partir del R2 ponderado por los grados de libertad.
𝑇𝑇−1
𝑅𝑅̅2 = 1 - 𝑇𝑇−𝐾𝐾−1
𝑆𝑆𝑆𝑆𝑆𝑆 = 1 – R2 (3.7)
𝑇𝑇−𝐾𝐾−1
𝑇𝑇−1
La ventaja que presenta este coeficiente frente al R2 es que permite

comparar la capacidad explicativa de modelos referidos a una misma muestra
de la misma variable dependiente con distinto número de variables
explicativas, por consiguiente, se elegirá el modelo con mayor 𝑅𝑅̅2. En el
modelo de las ventas de la editorial, la capacidad explicativa conjunta de las
variables exógenas PE, PC, GP y R es elevada, pues explican el 91,8% de la
variabilidad de la variable endógena Ventas (V) en su media.
El error estándar de la regresión (S.E. of regression) es otra medida que

sirve para analizar la capacidad explicativa del modelo, pues está recogiendo
la función objetivo ponderada por sus grados de libertad. Bajo las hipótesis
clásicas, el cuadrado de este coeficiente es una estimación insesgada y
consistente de la varianza de las perturbaciones.
S = √𝑆𝑆2 = √𝑒𝑒´𝑒𝑒/(𝑇𝑇 − 𝐾𝐾 + ) = √𝜎𝜎̂𝜀𝜀2
La suma de los errores al cuadrado (Sum squared resid) es el valor de la

función objetivo en el mínimo, cuando estimamos por MCO, es decir, cuando
obtenemos los estimadores de modo que las diferencias entre el valor
observado de Y y el valor estimado de 𝑌𝑌̂ sea el más pequeño posible.
El logaritmo de la función de verosimilitud (Log likelihood) es el valor de

la función objetivo en el máximo cuando estimamos por máxima
verosimilitud18, es decir, cuando obtenemos los estimadores de los parámetros
18
18 La
Laidea
ideafundamental
fundamentalde
deeste
estemétodo
método es
es tomar
tomar como
como estimación
estimación del parámetro estudiadoelel
parámetro estudiado
valor queque
valor haga máxima
haga máxima la la
probabilidad
probabilidaddedeobtener
obtenerlalamuestra
muestra observada.
observada. El estimador
estimador de
de
máxima
máximaverosimilitud es es
verosimilitud el el
valor
valordede𝜃𝜃 que maximiza
maximizaL(Φ).
L(𝜃𝜃).
constantes17. Así, por ejemplo, los resultados muestran que si el precio
la competencia, el gasto en publicidad y la renta personal), las ventas de la
editorial resto
disminuirán
de las EL en 1,91
USO
variablesDE unidades
LA monetarias.
ECONOMETRÍA
constantes o fijas Mantener
BÁSICA
(manteniendo constanteselel resto
precio de
de las
110
variableslaconstantes permite aislar el efecto o cambio de cada
competencia, el gasto en publicidad y la renta personal), las ventas de la variable
explicativa sobredisminuirán
editorial la variableendependiente.
1,91 unidadesSi se prescinde
monetarias. de esta
Mantener condición,
el resto de las el
variables constantes
análisis delalaprobabilidad permite
contribución dedecada aislar el efecto o cambio
variable explicativa de cada
sobre variable
la variable
que maximizan explicativa sobre la variable la muestra
dependiente. (los más
Si se prescinde verosímiles
de esta condición, el dada la
muestra disponible).
análisis de la contribución de cada variable explicativa sobre la variable
La columna de los errores estándar (Std. Error) recoge la desviación típica
El estadístico
estimada dede Durbin-Watson
La los estimadores
columna (Durbin-Watson
y estándar
de los errores mide –siempre
(Std. Error)que stat) sirve para
losla desviación
recoge estimadores contrastar
típicasean
estimada de los estimadores y mide –siempre que los estimadores sean
la hipótesis de incorrelación
insesgados–, la precisión con entre lasson
la que perturbaciones aleatorias
estimados los parámetros. frente a la
También
significan el grado
presencia de autocorrelación de confianza que podemos depositar en nuestras
significan el gradosegún un esquema
de confianza AR(1).
que podemos Su utilización
depositar en nuestras se verá
estimaciones.
en el capítulo 10 dedicado a la presencia de autocorrelación.
estimaciones.
La matriz La de varianzas
matriz de varianzasy covarianzas
y covarianzasestimada
estimada de de loslosestimadores
estimadoreses es
̂ ̂ S𝛽𝛽 DW
2 ̂ 𝛽𝛽̂ = S2-1(X´X) -1
, = 2∑𝑇𝑇
donde S 2
=(𝑒𝑒
eé/T– –e )2
(K+1)/∑ = 𝑇𝑇𝑇𝑇𝑇𝑇 𝑒𝑒t222 / T – K – 1 es un
∑ 𝑒𝑒
S𝛽𝛽𝛽𝛽 = S (X´X) , donde S =𝑡𝑡=2 eé/T – (K+1) = ∑𝑡𝑡=1
t t-1 𝑡𝑡=1 𝑒𝑒 / T – K – 1 es un
𝑡𝑡=1 t
estimadorestimador
insesgado insesgado y consistente, bajo las hipótesis clásicas de la varianza de
y consistente,
2
bajo las hipótesis clásicas de la varianza de
las perturbaciones 2 (σ𝜀𝜀 ). De esta forma, los errores estándar se obtienen como
Las características
las perturbaciones básicas
(σ𝜀𝜀 ).
la raíz cuadrada de forma,
De esta la variable
de los elementos dependiente
los errores
de la diagonal vienen
estándar se obtienen
principal de dicha matriz. recogidas
como
la raíz cuadrada de los elementos de la diagonal principal
mediante su media (Mean dependent var) y su cuasi desviación típica muestral de dicha matriz.
El estadístico t (t-statistic) que se calcula como el cociente entre el
(S.D. dependent var). ty (t-statistic)
El estadístico
estimador su error estándar 𝛽𝛽̂i/𝜎𝜎̂calcula
que se ̂ i (para
i 𝛽𝛽 como el cociente
el caso entre el
de la variable
−1,913099
estimadorPE y= 0,492254
su error = 0,0004), permite
estándar ̂ i 𝛽𝛽̂i (para
𝛽𝛽̂i/𝜎𝜎
contrastar la hipótesis de quede
el caso el coeficiente
la variable
El criterio
PE = deesinformación
−1,913099 cero (H0: 𝛽𝛽
igual=a0,0004), de
i = Akaike
0 frente
permite a H(Akaike
1: 𝛽𝛽i ≠0) y info
contrastar criterion)
que, por
la hipótesis tanto,
de quela el y el en
variable criterio de
coeficiente
0,492254
Schwarz (Schwarz criterion), son dos estadísticos que sirven para analizar la
es igual adecero (H0: 𝛽𝛽endógena.
la variable i = 0 frente a H1: 𝛽𝛽i ≠0) y que, por tanto, la variable en
capacidad explicativa
cuestión de un modelo
no es individualmente y permiten
significativa pararealizar
explicar elcomparaciones
comportamiento a este
respectodeentre modelos
la variable anidados. La definición de cada uno de ellos es:
endógena.
17
AICmultiplicado
= - 2Ɩ/T por el+ 2(K+1)/T;
coeficiente SC
específico de cada=variable,
-2Ɩ/T + (K+1)(logT)/T
el producto es igual a 0, condición
17
Donde L es el logaritmo de la verosimilitud calculado en los valores
obtenidos para
que permitelos estimadores
analizar por separadoyelcuya
efecto expresión
o cambio que viene dado
ejerce cada por:explicativa
variable
= -T/2 (1+ log2𝜋𝜋 + log(eé/T))
El estadístico F (F-statistic) es el estadístico que se construye para

contrastar si los parámetros asociados a las variables explicativas del modelo
(exceptuando el término independiente) son conjuntamente iguales a cero, es
decir, este estadístico permite contrastar la capacidad explicativa conjunta de
las variables introducidas en el modelo.
𝑆𝑆𝑆𝑆𝑆𝑆 𝑅𝑅2
R2
ℱ= 𝐾𝐾
𝑆𝑆𝑆𝑆𝑆𝑆 = 𝐾𝐾
R2
1−𝑅𝑅2 → FK T-K-1
𝑇𝑇−𝑘𝑘−1 𝑇𝑇−𝐾𝐾−1
111
Dado que el estadístico puede expresarse en términos del R2, el contraste

puede considerarse como un modo de determinar si el coeficiente de
determinación del modelo es suficientemente elevado, estadísticamente como
para considerar que la capacidad explicativa del modelo es adecuada.
La probabilidad del estadístico ℱ (Prob F-statistic). Este valor mide la

probabilidad de cometer el error de tipo I, la probabilidad de rechazar la
hipótesis nula siendo cierta. Para calcularla se parte de una distribución ℱ de
Snedecor con K grados de libertad en el numerador y T-K-1 en el
denominador.
La estimación de la matriz de varianzas y covarianzas (Covariance matriz)

de los estimadores de los coeficientes del modelo se realiza a partir de la raíz
cuadrada de los elementos de la diagonal principal. De aquí se derivan las
desviaciones típicas (Std. Error) de los estimadores (Coefficient) que aparecen
en los resultados generales de la estimación. La matriz de covarianza de los
coeficientes (Coefficiente covariance matriz) se obtiene seleccionado View →
Covariance Matriz (véase Figura 3.19) y damos clic. Para comprobar que las
desviaciones típicas de los coeficientes se derivan de la raíz cuadrada de los
elementos de la diagonal principal (véase Tabla 3.8), tomaremos el valor de
0,242314 que corresponde a la variable precio medio de la editorial (PE), cuya
raíz cuadrada es 0,492254. Efectivamente, este valor corresponde a la
desviación típica de la variable PE.
Figura 3.19
112
Tabla 3.8.
Matriz de coeficientes de Covarianza.
C PE PC GP R
C 3.577,552 -24,02121 -9,928135 -0,043883 -0,018478
PE -24,02121 0,242314 -0,003783 -0,000276 0,000062
PC -9,928135 -0,003783 0,107437 -0,000069 -0,000425
GP -0,043883 -0,000276 -0,000069 0,000036 -0,000007
R -0,018478 0,000617 -0,000425 -0,000007 0,000008
RETO 2:

4. Encarando el modelo de regresión lineal general: Restricciones y

contrastes Capítulo 4
RESTRICCIONES Y CONTRASTES
La discusión entre padre e hijo puede empezar a dilucidarse ya. Si Emilio

tiene razón, el valor que los coeficientes estimados toman, no tendrá
importancia y si la tendrá en cambio, el saber si puede aceptarse respecto de
ellos la hipótesis nula de que cada uno de ellos (o todos conjuntamente, o dos
de ellos a la vez) toman el valor cero (0). Si alguna de estas hipótesis se
aceptará, la variable que acompaña a ese coeficiente no resultará de interés
para explicar las ventas de la editorial. Por lo tanto, llevar a cabo los contrastes
adecuados permitirá acabar con esta larga discusión.
El contraste de hipótesis es un tema un tanto confuso que pocas veces se

puede comprender tan solo con un repaso de los conceptos. Su entendimiento
requiere el uso de ejemplos prácticos y una claridad en las definiciones. Por
esta razón, incluiremos un par de conceptos importantes respecto a las
hipótesis.
Una hipótesis estadística es un supuesto, concerniente a los parámetros o a

la forma de la distribución de probabilidad, correspondiente a una o más
poblaciones dadas; en palabras más simples, una hipótesis es un enunciado
acerca de un valor estadístico (parámetro) poblacional. La hipótesis se debe
formular en forma correcta o lógica y debe ser enunciada antes de obtener los
datos muestrales.
114
En el contraste de hipótesis es común encontrar dos términos singulares:

hipótesis nula e hipótesis alternativa. La hipótesis nula es aquella por medio
de la cual se hace una afirmación sobre un parámetro a contrastar con el
resultado muestral. De otro lado, la hipótesis alternativa como su nombre lo
indica, ofrece una alternativa a la hipótesis nula, afirmando que la hipótesis
nula es falsa. En el caso de las ventas de la editorial, a lo largo de este capítulo,
se plantearán varias hipótesis; como por ejemplo, Don Pablo cree tener la
razón de que el precio es la variable determinante en la explicación de las
ventas de la editorial, en cambio, Emilio sospecha que el precio de los libros
NO es la única variable determinante de las ventas de la editorial. En otras
palabras, la hipótesis nula es la contrapartida de la hipótesis de investigación.
Sampiere et al, (2010) argumenta que “las hipótesis nulas son, en cierto
modo, el reverso de las hipótesis de investigación. También constituyen
proposiciones acerca de la relación entre variables, sólo que sirven para refutar
o negar lo que afirma la hipótesis de investigación” (p.104). Si la hipótesis de
investigación de Don Pablo propone que el precio de los libros es la única
variable que explica las ventas de la editorial, entonces la hipótesis nula de
Emilio propone que el precio NO es la única variable explicativa de las ventas,
por ende, la discusión entre padre e hijo en términos de hipótesis quedaría
planteada, así:
Don Pablo → Hipótesis nula (H0: β1 = 0): El precio es la única variable que
explica las ventas de la editorial.
Emilio → Hipótesis alternativa (H1: β1 ≠ 0): El precio NO es la única

variable explicativa de las ventas.
El contraste de hipótesis está pensado y creado para someter a prueba este

tipo de enunciados para comprobar su exactitud y validez.
115
4.1 Contraste de significancia individual Modelo 1:

Regresión simple .
Alonso et al., (2005:4) afirman que el estadístico t (t-Statistic) de interés

para contrastar si una variable explicativa es relevante a la hora de explicar el
comportamiento de la variable dependiente es igual al estimador 𝛽𝛽̂𝑘𝑘 dividido
por el estimador 𝑠𝑠𝛽𝛽𝛽𝛽
̂ de su desviación típica, cociente que, bajo la hipótesis
nula, sigue una distribución t de student con T-K-1 grados de libertad. Cuando,
dada una muestra, se sustituyen dichos estimadores por las correspondientes
estimaciones, se obtiene un valor numérico del estadístico. La regla de
decisión de adopta entonces en los siguientes términos: si 𝛽𝛽k realmente fuera
cero, su estimación MCO no debería estar muy alejada de dicho valor y el
valor del estadístico t debería ser muy pequeño. Nótese que el coeficiente
teórico de 𝛽𝛽k puede tomar valores positivos o negativos; ello significa que las
desviaciones del estadístico t de cero pueden también tomar valores positivos
o negativos. Por lo tanto, una vez elegido el nivel de significación ∝ que
determina la región crítica de rechazo de la hipótesis, si el valor absoluto de t
supera el valor crítico de 𝑡𝑡∝/2 (𝑇𝑇 − 𝑘𝑘 − 1) extraído de las tablas de la
distribución de t Student, entonces se rechaza la hipótesis nula ℋ0 : 𝛽𝛽k = 0 al
nivel de significación elegido (véase Figura 4.1). Obsérvese que la región
crítica se divide en dos partes iguales puesto que se trata de discriminar valores
próximos a cero de valores alejados de cero tanto positivos como negativos.
Debido a que la distribución de referencia es simétrica, el valor absoluto de t
que define las dos partes de la región crítica es el mismo. Por ello, el contraste
individual a dos colas al nivel de significación de 100 ∝%, el procedimiento
a seguir se resumen en:
Valor crìtico Valor crìtico

116 EL USO DE LA ECONOMETRIA BASICA 122
Región Región
de rechazo No se rechaza H o de rechazo
.025 .025
.95
-1.96 0 -1.96
Valor crìtico Valor crìtico
Figura 4.1. Distribución

Figura 4.1. Distribución t: nivel de significación
t: nivel de significación α (dos colas)
α (dos colas)
Fuente:Fuente:
Elaboración propiapropia
Elaboración
Las zonas situadas a lado y lado de la curva rellenas de color negro

representan las regiones críticas, mientras que la región no sombreada es la
zona de aceptación. Si la hipótesis nula (ℋ0 ) se ubica dentro del intervalo se
acepta esta hipótesis, en caso contrario, se acepta la hipótesis alternativa (ℋ1 ).
𝛽𝛽̂𝑘𝑘
| 𝑡𝑡 | = | | > 𝑡𝑡∝/2 (𝑇𝑇 − 𝑘𝑘 − 1) = 𝑅𝑅𝑅𝑅𝑐𝑐ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 ℋ0
𝑠𝑠𝛽𝛽𝛽𝛽
̂
Cuando se rechaza la hipótesis nula (ℋ0 ) concluimos que el parámetro es

significativamente diferente de cero19, es decir, la variable explicativa X
asociada a dicho parámetro es significativa o relevante a la hora de explicar la
19 SiSi el valor
del del coeficiente o parámetro que acompaña a laexplicativa,
variable explicativa,
por ejemplo,por
19
el valor coeficiente o parámetro que acompaña a la variable en
ejemplo,
nuestro modelo estimado, si el coeficiente -1,91 que acompaña a la variable Precio adelala variable
en nuestro modelo estimado, si el coeficiente -1,91 que acompaña editorial
Precio de la),editorial
(-1,91PE (-1,91PE
fuese cero, t), fuese cero, el producto (0xPEt) también sería cero, lo que
el producto (0xPEt) también sería cero, lo que nos llevaría a concluir que
nos llevaría t a concluir que la variable explicativa asociada a dicho parámetro no es relevante
la variable explicativa asociada a dicho parámetro no es relevante a la hora de explicar la variable
a la hora de explicar la variable dependiente. Por esta razón, se requiere que el parámetro sea
dependiente. Por esta razón, se requiere que el parámetro sea significativamente diferente de cero.
significativamente diferente de cero.
La quinta columna (Probabilidad) de la Tabla 4.1 corresponde al valor-p en las pruebas t. El valor-p
La quinta columna (Probabilidad) de la Tabla 4.1 corresponde al valor-p en las pruebas t.
es el nivel
El valor-p es de
el significancia de la pruebadecuando
nivel de significancia se usacuando
la prueba el estadístico
se usadeel prueba. Comodeelprueba.
estadístico valor-p
es una probabilidad, su valor es siempre un número desde cero hasta uno.
Como el valor-p es una probabilidad, su valor es siempre un número desde cero hasta uno. Para calcular el valor-p
Parasecalcular
necesitaneltablas estadísticas
valor-p de la distribución
se necesitan t extremadamente
tablas estadísticas detalladast –lo
de la distribución que no es muy
extremadamente
práctico –lo
detalladas – (Wooldridge,
que no es 2015:133-134).
muy práctico Los programas econométricos
– (Wooldridge, como EViews
2015:133-134). calculan
Los programas
áreas bajo lacomo
econométricos función de densidad
EViews de probabilidad
calculan áreas bajo la defunción
la distribución t. El valor-p
de densidad es P(‫׀‬T‫׀ > ׀‬t‫)׀‬
de probabilidad de
donde: T es t.una
la distribución El variable
valor-p es aleatoria
P(‫׀‬T‫> ׀‬con‫׀‬t‫)׀‬distribución
donde: T es t yuna
n-k-1 gradosaleatoria
variable de libertad
cony distribución
t es el valor
numérico
t y n-k-1 del estadístico
grados de libertaddeyprueba.
t es el valor numérico del estadístico de prueba.
117
variable dependiente Y. En caso contrario, la variable explicativa no es

significativa o relevante para explicar Y.
El lector recordará que la discusión inicial entre Don Pablo y su hijo Emilio
giraba en torno al precio de los libros como la variable fundamental que
explicaba las ventas de la editorial. El contraste de significancia individual
será muy útil para zanjar, al menos parcialmente, esta discusión.
La pregunta es si la variable precio (P) incluida en dicho modelo, tal como

lo afirma Don Pablo es capaz por sí sola, de explicar las ventas de la editorial.
La respuesta puede encontrarse al realizar un contraste de significación
individual sobre el coeficiente de 𝛽𝛽1, considerando que el t estadístico de la
variable P es -2,54 (véase Tabla 4.1) con un nivel de significación de ∝= 5%
y T – K – 1 → (40 – 1 – 1 = 38) grados de libertad.
Tabla 4.1 Tabla 4.1

Modelo 1 - Ventas de la editorial.
Modelo 1: ventas de la editorial
Variable Coeficiente Error estándar t-Estadístico Probabilidad
Tabla 4.1. Modelo 1: Ventas de la editorial
C 686,5686 135,066 5,083209 0,0000
P C -3,532447
686,5686 1,392403
135,066 -2,536944
5,083209 0,0154
0,0000
F- statisticP -3,532447 6,436083
1,392403 -2,536944 0,0154
F- statistic
0,015410
Fuente: Elaboración propia a partir de la salida de Eviews.
Fuente: Elaboración propia a partir de la salida de Eview
Vamos a comprobar si la variable P es individualmente significativa para

explicar las ventas de la editorial. Para ello, utilizaremos el resultado del
modelo (2.9) junto con la regla de decisión (4.1) para realizar el contraste
individual del coeficiente 𝛽𝛽1.
Modelo estimado:
̂ = 686,57 – 3,53P
(135,07) (1,39)
R2 = 14,48% 𝑅𝑅̅2 = 12,23%
118
El lector recordará que los valores entre paréntesis corresponden al error

estándar (Std. Error) o desviación típica de los coeficientes (columna 3 de la
El lector
Tabla recordará
4.1), los queútiles
cuales son los valores
para el entre paréntesis
contraste corresponden al error
de hipótesis.
estándar (Std. Error) o desviación típica de los coeficientes (columna 3 de la
Tabla 4.1),procedamos
Ahora los cuales son útiles para
contrastar el contraste
las hipótesis de hipótesis.
de Don Pablo:
Ahora procedamos
Hipótesis nulacontrastar las hipótesis de Don Pablo: alternativa
Hipótesis
H0: El precio NO es una variable que Hα: El precio es una variable que
frente
explica las ventas de la editorial. explica las ventas de la editorial.
H0: β1 = 0 Hα: β1 ≠ 0
Para ello, utilizaremos la siguiente regla de decisión para comparar las
hipótesis:
Para ello, utilizaremos la siguiente regla de decisión para comparar las
hipótesis: 𝛽𝛽̂𝑖𝑖 > 𝑡𝑡0,025 (38) ⇒ 𝑅𝑅𝑅𝑅𝑅𝑅ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐻𝐻0
|𝑡𝑡𝑖𝑖 | = | | { (4.1)
̂ ≤ 𝑡𝑡0,025 (38) ⇒ 𝑁𝑁𝑁𝑁 𝑟𝑟𝑟𝑟𝑟𝑟ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐻𝐻0
̂
𝛽𝛽 > 𝑡𝑡0,025 (38) ⇒ 𝑅𝑅𝑅𝑅𝑅𝑅ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐻𝐻0
|𝑡𝑡𝑖𝑖 | = | 𝑖𝑖 | { (4.1)
Ahora, tomamos
̂ ≤ 𝑡𝑡el (38) ⇒ 𝑁𝑁𝑁𝑁(columna
t estadístico
0,025 𝑟𝑟𝑟𝑟𝑟𝑟ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎
4 de𝐻𝐻0la Tabla 4.1) resultante del
cociente entre el coeficiente del precio medio (-3,53) y el error estándar del
Ahora,
precio tomamos
medio (1,39).elElt resultado
estadístico2,54
(columna
(columna4 de4 la Tabla 4.1) resultante
– Estadístico del
t) se compara
cociente entre
con el valor 2,024el coeficiente
extraído dedella precio medio (-3,53)
tabla estadística y el errorcon
t de Student estándar del
38 grados
precio medio (1,39). El resultado 2,54 (columna 4 – Estadístico t) se compara
de libertad.
con el valor 2,024 extraído de la tabla estadística t de Student con 38 grados
de libertad. 𝛽𝛽̂1 3,53
|𝑡𝑡𝑖𝑖 | = | | = | | = 2,54 > 𝑡𝑡0,025 (38) = 2,024
𝑠𝑠𝛽𝛽1
̂ 1,39
𝛽𝛽̂1 3,53
|𝑡𝑡𝑖𝑖 | = | | = | | = 2,54 > 𝑡𝑡0,025 (38) = 2,024
Con el valor de tα/2 𝑠𝑠𝛽𝛽1 1,39
̂(T-K-1), dado que T-K-1 = 40 - 1 – 1 = 38, con un nivel
de significancia de α= 5%, la tabla de la distribución t de Student proporciona
un Con
valoreldevalor
t0,025de tα/2=(T-K-1),
(38) dado
2,024, por que T-K-1
lo que = 40 -el1 valor
al comparar – 1 = obtenido
38, con unpara
nivel
|t|
de significancia de α== 5%, la tabla de la distribución t de Student
con el valor anterior, encontramos que 2,54 > 2,024, lo cual nos lleva a proporciona
un valor de
rechazar t0,025(38) nula
la hipótesis = 2,024, por𝛽𝛽lo
de que que al comparar el valor obtenido para |t|
1 = 0. En conclusión, el precio de los libros
con el valor
es una variable anterior, encontramos
significativa al 5%. queClaro2,54 > 2,024,
está, que estolo no
cual nos lleva
supone que ela
rechazar
precio sealalahipótesis nula de determinante
única variable que 𝛽𝛽1 = 0. Ena conclusión, el preciolas
la hora de explicar deventas,
los libros
tal
es una variable significativa
como lo afirma Don Pablo. al 5%. Claro está, que esto no supone que el
precio sea la única variable determinante a la hora de explicar las ventas, tal
como lo afirma Don Pablo.

Realicemos ahora el contraste del parámetro Precio con la ayuda 119 de
EViews. Para ello utilizaremos el test de Wald de la siguiente manera: en la
Realicemos
ventana ahora
del objeto el contraste
ecuación del parámetro
seleccionamos View →Precio con laDiagnostics
Coefificient ayuda de
EViews.
→ Para –ello
Wald Test utilizaremos
Coefficient el test de(véase
Restrictions Wald Figura
de la siguiente
4.1) y enmanera: en de
el cuadro la
ventana
diálogo del
Waldobjeto
Testecuación seleccionamos
escribimos View (C(1)=0)
la restricción → Coefificient Diagnostics
del parámetro o
→ Wald Test
coeficiente – Coefficient
asociado Restrictions
a la variable P, como (véase Figura
se indica en 4.1) y en el
la Figura 4.2cuadro de
y damos
diálogo
OK. Wald Test escribimos la restricción (C(1)=0) del parámetro o
coeficiente asociado a la variable P, como se indica en la Figura 4.2 y damos
OK.

El resultado obtenido en la Tabla 4.2 arroja una probabilidad
(Probability)20 con el t estadístico (t-statistic) muy baja de 0,0000 (0,0000 ˂
El por
0,05), resultado obtenido
consiguiente, en la laTabla
rechazamos 4.2nula,
hipótesis arroja unasignifica,
lo cual probabilidad
que el
20
(Probability) con elest estadístico
precio de la editorial una variable(t-statistic)
relevante enmuy baja de 0,0000
la explicación (0,0000
de las ˂
ventas.
0,05), por consiguiente, rechazamos la hipótesis nula, lo cual significa, que el
precio de la editorial es una variable relevante en la explicación de las ventas.
20
Indica la probabilidad de rechazar la hipótesis nula, siendo cierta, que tiene asociado el
valor muestral del estadístico.
20
Indica la probabilidad de rechazar la hipótesis nula, siendo cierta, que tiene asociado el
valor
20 muestral
Indica del estadístico.
la probabilidad de rechazar la hipótesis nula, siendo cierta, que tiene asociado el valor
muestral del estadístico.
EL USO DE LAEL
ECONOMETRÍA BÁSICA
USO DE LA ECONOMETRIA BASICA 126
120
Tabla 4.2
Tabla 4.2
Prueba de Wald.
Test Statistic
Prueba de Wald Value df Probability
t-statistic 5,083209 38 0,0000
F-statistic Test Statistic 25,83902
Value (1,df38) 0,0000
Probability
Chi-square
t-statistic 25,83902
5,083209 381 0,0000
0,0000
NullF-statistic
Hypothesis: C(1)=0 25,83902 (1, 38) 0,0000
Chi-square
Null Hypothesis Summary: 25,83902 1 0,0000
Null Hypothesis: C(1)=0
Normalized Restriction (=0) Value Std. Error
Null Hypothesis Summary:
C(1) →P
Normalized Restriction (=0) 686,5686
Value Std.135,0660
Error
C(1)→ are
Restrictions P linear in coefficients. 686,5686 135,0660
Restrictions are linear in coefficients
4.2 Contraste de significancia individual Modelo

Modelo 2:
2: Regresión
Regresión
múltiple.
múltiple
Debemos preguntarnos si cada una de las variables incluidas en el modelo

tiene por sí la misma capacidad para explicar las ventas de la editorial, cuando
las otras variables forman parte del modelo. Esto supone llevar a cabo un
contraste de significación individual sobre cada uno de los coeficientes de la
pendiente (𝛽𝛽1, 𝛽𝛽2, 𝛽𝛽3 y 𝛽𝛽4). Como se puede apreciar en los datos de la Tabla
4.3, los valores del estadístico 𝑡𝑡 para los coeficientes de las cuatro (4) variables
incluidas en el modelo son, respectivamente: -3,89, 0,39 y 16,63 y 0,94. Por
lo tanto, y dado que para llevar a cabo un contraste de significación individual
sobre uno cualquiera de los coeficientes en este modelo, eligiendo el nivel de
significación de ∝= 5%, el procedimiento a seguir, es el siguiente:
127
Tabla 4.3
Modelo 2 - VentasTabla
de la editorial.
4.3
Modelo
C 2: ventas de la editorial
243,2046 59,81264 4,066106 0,0003
PE -1,913099
Tabla 4.3. Modelo0,492254 -3,886408
2 - Ventas de la editorial 0,0004
Variable
PC Coeficiente
0,126788 Error0,327776
estándar t-Estadístico
16,63173Probabilidad
0,7012
C 243,2046 59,81264 4,066106 0,0003
GP 0,100304 0,006031 16,63173 0,0000
PE -1,913099 0,492254 -3,886408 0,0004
R PC 0,002669
0,126788 0,002832
0,327776 0,942452
16,63173 0,3524
0,7012
F- statistic
GP 0,100304 110,6643
0,006031
16,63173 0,0000
R
Prob(F-statistic) 0,002669 0,002832
0,000000 0,942452
0,3524
F- statistic 110,6643
Fuente: Elaboración propia a parir de la0,000000
Prob(F-statistic) salida de Eviews.
Fuente: Elaboración propia a parir de la salida de Eview
ℋ0 : 𝛽𝛽𝑖𝑖 = 0 Frente a ℋ𝑎𝑎 : 𝛽𝛽𝑖𝑖 ≠ 0
̂𝑖𝑖
𝛽𝛽 > 𝑡𝑡0,025 (35) ⇒ 𝑅𝑅𝑅𝑅𝑅𝑅ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐻𝐻0
|𝑡𝑡𝑖𝑖 | = | |{ (4.2)
̂ ≤ 𝑡𝑡0,025 (35) ⇒ 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝐻𝐻0
El lector curioso se preguntará de dónde salen los valores 0,025 y 35. El

0,05
valor 0,025 proviene del cociente = 0,025 (distribución t de Student a dos
2
colas) y el valor de 35 corresponde a los grados de libertad: T – K – 1 →
(40 – 4 – 1 = 35). K representa las variables explicativas del modelo
(X1 = PE, X2 = PC, X3 = GP y X4 = R).
El coeficiente de 𝛽𝛽0 no es de interés por no estar asociado a ninguna

variable explicativa. Si dicho parámetro fuese cero, solo nos estaría indicando
que cuando todas las variables explicativas toman el valor de cero, se espera
que el valor medio de Y sea también cero, o lo que es lo mismo,
E = (Y\X1=X2=…=XK=0)=0.
Vamos a comprobar si las variables seleccionadas en el modelo para

explicar las ventas de la editorial son individualmente significativas. Para ello,
utilizaremos el resultado del modelo (3.6) junto con la regla de decisión (4.2)
para realizar el contraste individual de los coeficientes.
EL USO DE LAEL USO DE LA ECONOMETRIA
ECONOMETRÍA BÁSICA BASICA 128
122
Para contrastar
Hipótesislanula
hipótesis, consideremos lo siguiente:
Hipótesis alternativa
H�: El precio de la editorial NO es Hα: El precio de la editorial
una variable que explica las ventas frente es una variable que explica las
de la editorial. ventas de la editorial.
H�: β1 = 0 Hα: β1 ≠ 0
Ahora,
Ahora, comparamos
comparamos el valor
el valor de: de:
𝛽𝛽̂1 −1,91
|𝑡𝑡𝑖𝑖 | = | |=| | = 3,90 > 𝑡𝑡0,025 (35) = 2,030
𝑠𝑠𝛽𝛽1
̂ 0,49
Con el valor de tα/2 (T-K-1), dado que T-K-1 = 40 - 4 – 1 = 35, si elegimos

un nivel de significancia de α== 5%, la tabla de la distribución t de Student
proporcionará un valor de t0,025(35) = 2,030, por lo que al comparar el valor
obtenido para |t| con el valor anterior encontramos que 3,90 > 2,028, lo cual
nos lleva a rechazar la hipótesis nula de que 𝛽𝛽1 = 0 (ℋ0 : el precio de los libros
NO es una variable que explique las ventas de la editorial), por ende, el precio
promedio de los libros es una variable significativa al 5%, es decir, el precio
es una variable explicativa de las ventas de la editorial.
El valor crítico de comparación 2,030 de las tablas de t Student también

puede hallarse de manera muy sencilla a través del uso del software
econométrico Gretl21 de uso gratuito, muy potente y de fácil instalación y
manipulación, disponible en http://gretl.sourceforge.net/es.html.
Simplemente, se requiere una vez instalado en programa en el disco duro

del PC, abrir y seleccionar Herramientas → Tablas estadísticas y damos clic
21
Gretl es un paquete de cálculo econométrico gratuito que incluye una biblioteca
21 Gretl es un paquete de cálculo econométrico gratuito que incluye una biblioteca compartida, un
compartida, un programa cliente de línea de instrucciones y un interfaz gráfico para el usuario
programa cliente de línea de instrucciones y un interfaz gráfico para el usuario (GUI). Gretl ofrece
(GUI). Gretl ofrece un interfaz intuitivo para el usuario; es muy fácil de instalar y de usar para
un interfaz
realizar análisisintuitivo para el usuario;
econométrico. es muy
El paquete estáfácil
muy deligado
instalaraylos
demanuales
usar para realizar análisis eco-
de Econometría de
nométrico. El paquete está muy ligado a los manuales de Econometría
Ramu Ramanathan, Jeffrey Woolridge y James Stock y Mark Watson lo cual permite ofrecer de Ramu Ramanathan,
Jeffreyarchivos
muchos Woolridgede y James
datosStock
paray Mark Watsonprácticos
ejercicios lo cual permite ofrecer ficheros
así como muchos archivos de datos
con lotes de
para ejercicios prácticos así como ficheros con lotes de instrucciones (scripts).
instrucciones (scripts). Estos son fácilmente accesibles y vienen acompañados de muchos Estos son fácilmen-
te accesiblesPara
comentarios. y vienen
mayoracompañados
información de muchos
descargarcomentarios.
en manual Para de
mayor información
usuario descargar
disponible en:
en manual de usuario disponible
http://gretl.sourceforge.net/es.html. en: http://gretl.sourceforge.net/es.html.
EL USO DE LAVILLOTA
ECONOMETRIA BASICA 129
129
MARIO EDUARDO HIDALGO
123
como
como sese muestra
muestra enen la
la Figura
Figura 4.3.
4.3. En
En lala ventana
ventana de
de diálogo
diálogo que
que se
se abre,
abre,
seleccionamos
seleccionamos la tabla “t” y en la casilla grados de libertad (gl) digitamos 35
la tabla “t” y en la casilla grados de libertad (gl) digitamos 35
(40-4-1)
(40-4-1) yy en
en la
la casilla
casilla probabilidad
probabilidad en
en la
la cola
cola derecha
derecha digitamos
digitamos con
con punto
punto
0,05
(no
(no con
con coma):
coma): 0.025 (α= 2 =
0.025 (α=
0,05
= 0,025)
0,025) yy damos
damos Aceptar
Aceptar como
como se
se muestra
muestra en
en
2
la Figura 4.4, y de este modo, obtenemos el valor crítico de 2,03011≈ 2,030
la Figura 4.4, y de este modo, obtenemos el valor crítico de 2,03011≈ 2,030
(véase
(véase Figura
Figura 4.5).
4.5).
Figura 4.4
Figura 4.3
Figura
Figura 4.3
4.3 Figura
Figura 4.4
4.4
Figura 4.5
Figura
Figura 4.5
4.5
El
El contraste
contraste individual
individual para
para los
los coeficientes
coeficientes de
de las
las variables
variables PC,
PC, GP
GP yy R
R se
se
llevará a cabo de la misma manera. Como los tres coeficientes
llevará a cabo de la misma manera. Como los tres coeficientes han sido han sido
estimados
estimados en
en el
el mismo
mismo modelo
modelo con
con el
el mismo
mismo número
número dede observaciones,
observaciones, el el

124
valor crítico al 5% es igual a 2,030 para las tres variables. Basta, por lo tanto,
calcular los respectivos estadísticos t:
valor crítico al 5% es igual a 2,030 para las tres variables. Basta, por lo tanto,
Ahoralos
calcular realizaremos
respectivoselestadísticos
contraste delt: parámetro PE con la ayuda de EViews.
Para ello utilizaremos el test de Wald de la siguiente manera: en la ventana del
Ahora
objeto realizaremos
ecuación el contraste
seleccionamos Viewdel
→parámetro PEDiagnostics
Coefificient con la ayuda→deWald
EViews.
Test
Para ello utilizaremos
– Coefficient el test(Figura
Restrictions de Wald de ylaen
4.6) siguiente manera:
el cuadro en la ventana
de diálogo del
Wald Test
objeto ecuación
digitamos seleccionamos
la restricción View →o Coefificient
del parámetro Diagnostics
coeficiente asociado a la→ Wald Test
variable PE,
–como
Coefficient
se muestraRestrictions (Figura
en la Figura 4.7 y4.6)
damosy enOK.el cuadro de diálogo Wald Test
digitamos la restricción del parámetro o coeficiente asociado a la variable PE,
como se muestra en la Figura 4.7 y damos OK.

El resultado obtenido en la Tabla 4.4 arroja una probabilidad con el
t estadístico (t-statistic) muy baja de 0,0004 (0,0004 ˂ 0,05) por lo tanto,
El resultado
rechazamos obtenidonula,
la hipótesis en lo
la cual
Tabla 4.4 arroja
significa que eluna probabilidad
precio con es
de la editorial el
t estadístico
una en muy
(t-statistic)
variable relevante baja de 0,0004
la explicación (0,0004 ˂ 0,05) por lo tanto,
de las ventas.
rechazamos la hipótesis nula, lo cual significa que el precio de la editorial es
una variable relevante en la explicación de las ventas.
125
Tabla 4.4 Tabla 4.4

Prueba de Wald.
Test Prueba
Statistic de Wald Value df Probability
t-statistic Tabla 4.4.-3,886406
Prueba de Wald 35 0,0004
F-statistic Test Statistic Value
15,10415 df
(1, 35) Probability
0,0004
t-statistic -3,886406 35 0,0004
Chi-square 15,10415 1 0,0001
F-statistic 15,10415 (1, 35) 0,0004
Null Hypothesis:
Chi-square
C(1) = 0
15,10415 1
0,0001
Null Hypothesis
Null Summary:
Hypothesis: C(1) = 0
Normalized Restriction
Null Hypothesis (=0)
Summary: Value Std. Error
Normalized
C(1) → PE Restriction (=0) Value
-1,913099 Std. Error
0,492254
C(1)→ PE
Restrictions are linear in coefficients. -1,913099 0,492254
Restrictions are linear in coefficients
Contraste individual de la variable Precio de la competencia (PC):
La hipótesis de investigación propuesta por Emilio es que el precio de la

competencia es la variable determinante de las ventas de la editorial, por lo
tanto, la hipótesis nula se postula, así:
Para contrastar la hipótesis:
Hipótesis nula Hipótesis alternativa

ℋ0 : El precio de la editorial NO ℋ𝑎𝑎 : El precio de la editorial es
es una variable que explica las Frente
frente una variable que explica las
ventas de la editorial. ventas de la editorial.
ℋ0 : 𝛽𝛽1 = 0 ℋ𝑎𝑎 : 𝛽𝛽1 ≠ 0
Ahora, comparamos el valor de:
𝛽𝛽̂2 0,127
|𝑡𝑡𝑖𝑖 | = | |=| | = 0,38 < 𝑡𝑡0,025 (35) = 2,030
𝑠𝑠𝛽𝛽2
̂ 0,33
Como 0,38 < 2,030 por lo tanto, no se rechaza la hipótesis nula, por ende,
el precio de la competencia no es una variable significativa al 5% (esta
variable individualmente no explica las ventas).
126
Hasta aquí, esta afirmación entristece un poco a Emilio y eleva el orgullo

de Don Pablo, quien se siente parcialmente ganador en la discusión.
Hasta aquí, esta afirmación entristece un poco a Emilio y eleva el orgullo
de Don Pablo, quien se siente parcialmente ganador en la discusión.
Para la restricción del parámetro asociado a la variable PC con EViews,
seleccionamos View → Coefificient Diagnostics → Wald Test – Coefficient
Para la restricción del parámetro asociado a la variable PC con EViews,
Restrictions. En el cuadro de diálogo Wald Test digitamos la restricción
respectiva como se muestra en la Figura 4.8 y damos OK.
Restrictions. En el cuadro de diálogo Wald Test digitamos la restricción
Figura 4.8
Figura 4.8
Figura 4.8
El resultado obtenido en la Tabla 4.5 arroja una probabilidad con el t
estadístico (t-statistic) de 0,7012 (0,7012 ˃ 0,05), por ende, no rechazamos la
hipótesis nula, lo cual significa que el precio de la competencia no es una
estadístico (t-statistic) de 0,7012 (0,7012 ˃ 0,05), por ende, no rechazamos la
variable relevante en la explicación de las ventas.
hipótesis nula, lo cual significa que el precio de la competencia no es una
variable relevante en la explicación de las ventas.
EL USO
EL USO
MARIO EDUARDO DE DE
LA LA
ECONOMETRIA
HIDALGO ECONOMETRIA
VILLOTA BASICA
BASICA133 133
127
Tabla 4.5 Tabla 4.5

TablaTabla
4.5 4.5
Prueba de Wald.
Prueba de Wald
TestPrueba
Prueba
Statisticde Wald
de Wald Value df Probability
Tabla 4.5. Prueba de Wald
t-statisticTest Statistic Tabla Tabla
4.5.4.5. 0,386813
Prueba
Prueba
Value de Wald
de Walddf 35 Probability0,7012
F-statistic
t-statistic Test Test
Statistic
Statistic Value
Value
0,149624
0,386813 df(1,df35) Probability
35 Probability
0,7012
0,7012
t-statistic
t-statistic
F-statistic
Chi-square 0,386813
0,386813
0,149624
0,149624 (1,3535)351 0,7012
0,7012
0,7012
0,6989
F-statistic
F-statistic
Chi-square 0,149624
0,149624(1,135)
0,149624 (1, 35) 0,7012
0,7012
0,6989
Null Hypothesis: C(2) = 0
Chi-square
Chi-square

0,149624
0,149624 1 1
0,6989

0,6989
Null
Null
Hypothesis
NullNull
Hypothesis:
Hypothesis:
Hypothesis
Summary:
C(2)C(2)
= 0= 0
Summary:

Normalized Restriction (=0)
Normalized
Null Null
Hypothesis Restriction
HypothesisSummary:
Summary:
(=0) Value ValueStd. Error Std. Error
Normalized
Normalized
C(2)→
C(2) → PCPC Restriction
Restriction
(=0)(=0) ValueValue
0,126788
0,126788 Std.Std.
Error
Error
0,327776
0,327776
C(2)C(2)
→ PC
Restrictions→ are
PClinear in coefficients 0,126788
0,126788 0,327776 0,327776
Restrictions are linear in coefficients.
Restrictions
Restrictions
are linear
are linear
in coefficients
in coefficients
Contraste individual de la variable Gasto en publicidad (GP):

Contraste
Contraste
individual
individual
de la
devariable
la variable
Gasto
Gasto
en publicidad
en publicidad
(GP):
(GP):
Otra de las hipótesis de investigación propuesta por Emilio es que el gasto
OtraOtra
de las
de las
hipótesis
hipótesis
de investigación
de investigación
propuesta
propuesta
porpor
Emilio
Emilio
es que
es que
el gasto
el gasto
en publicidad es una variable determinante de las ventas de la editorial, por lo
en publicidad
en publicidades una
es una
variable
variable
determinante
determinante
de las
de las
ventas
ventas
de la
deeditorial,
la editorial,
porpor
lo lo
tanto, la hipótesis nula se postula, así:
tanto,
tanto, la hipótesis
la hipótesis nulanula se postula,
se postula, así:así:
ParaPara contrastar
contrastar la hipótesis:
la hipótesis:

ℋ0 : La renta personal NO es una ℋ𝑎𝑎 : La renta personal es una
variable que explica las ventas de frente
Frente variable que explica las ventas de
la editorial. la editorial.
ℋ0 : 𝛽𝛽4 = 0 ℋ𝑎𝑎 : 𝛽𝛽4 ≠ 0

Ahora,
Ahora, comparamos
comparamos el valor
el valor de: de:
𝛽𝛽̂3 0,100
|𝑡𝑡𝑖𝑖 | = | 𝛽𝛽̂3 |𝛽𝛽̂= 3 | 0,100 | = 16,67 > 𝑡𝑡0,025 (35) = 2,030
0,100
|𝑡𝑡𝑖𝑖 ||𝑡𝑡=𝑖𝑖 ||𝑠𝑠=𝛽𝛽3
̂| | =||0,006
= | | =|16,67
= 16,67
> 𝑡𝑡> (35)
𝑡𝑡0,025
0,025 (35)
= 2,030
= 2,030
𝑠𝑠𝛽𝛽3̂ 𝑠𝑠𝛽𝛽3
̂ 0,006 0,006
Como 16,67 > 2,030 por lo tanto, no se rechaza la hipótesis nula, por
Como
Como 16,67
16,67 > 2,030
> 2,030 porpor lo tanto,
lo tanto, no no se rechaza
se rechaza la hipótesis
la hipótesis nula,
nula, porpor
consiguiente, el gasto en publicidad es una variable significativa al 5% (esta
consiguiente,
consiguiente, el gasto
el gasto en publicidad
en publicidad es una
es una variable
variable significativa
significativa al 5%
al 5% (esta
(esta
variable individualmente explica las ventas).
variable
variable individualmente
individualmente explica
explica las las ventas).
ventas).
EL
EL USO DE LA USO DE LA ECONOMETRIA
128
Para la restricción del parámetro asociado a la variable GP con EViews,

seleccionamos View →
Para la restricción delCoefificient
parámetro Diagnostics
asociado a la→variable
Wald Test
GP –con
Coefficient
EViews,
Restrictions, y en el cuadro de diálogo Wald Test digitamos la restricción
respectiva como
Restrictions, se muestra
y en el cuadroendela Figura
diálogo4.9 y damos
Wald OK.
Test digitamos la restricción
Figura 4.9
Figura 4.9
Figura 4.9
estadístico (t-statistic)
El resultado obtenidode en
0,0000 (0,0000
la Tabla 4.6 ˂arroja
0), por
unaloprobabilidad
tanto, rechazamos
con ellat
hipótesis nula,
estadístico lo cual significa
(t-statistic) que(0,0000
de 0,0000 el gasto ˂en0),
publicidad es unarechazamos
por lo tanto, variable muy
la
relevante nula,
hipótesis en la lo
explicación de las
cual significa queventas de en
el gasto la editorial.
publicidad es una variable muy
relevante en la explicación de las ventas de la editorial.
Tabla 4.6
Tabla 4.6 Tabla 4.6
Prueba de Wald.Prueba de Wald
PruebaTabla
Test Statistic de Wald4.6. Prueba
Value de Wald df Probability
Test Statistic Value df Probability
t-statistic Tabla 4.6.16,63173
Prueba de Wald 35 0,0000
t-statistic 16,63173 35 0,0000
F-statistic Test Statistic Value
276,6145 df
(1, 35)
35) Probability
0,0000
F-statistic 276,6145 (1, 0,0000
t-statistic 16,63173 35 0,0000
Chi-square
Chi-square 276,6145
276,6145 11 0,0000
0,0000
F-statistic 276,6145 (1, 35) 0,0000
Null
Null Hypothesis: C(3)
Hypothesis: C(3) = 0 = 0 276,6145
Chi-square 1
0,0000
Null Hypothesis:
Hypothesis Summary:
C(3) = 0
Null Hypothesis
Normalized Summary:
Restriction (=0) Value Std. Error
C(3)→ GP 0,100304 0,006031
C(3 ) → GP are linear in coefficients
Restrictions 0,100304 0,006031
C(3)→ GP 0,100304 0,006031
Restrictions are linear
Restrictions are in coefficients
linear in coefficients
Contraste individual de la variable Renta personal:
Contraste individual de la variable Renta personal:

129
La última hipótesis de investigación propuesta por Emilio es que la renta o
ingreso personal es una variable determinante de las ventas de la editorial, por
La última hipótesis de investigación propuesta por Emilio es que la renta o
lo tanto, la hipótesis nula se postula, así:
ingreso personal es una variable determinante de las ventas de la editorial, por
lo tanto, la hipótesis
Para contrastar la nula se postula, así:
hipótesis:

ℋ0 : El gasto en publicidad NO es ℋ𝑎𝑎 : El gasto en publicidad es una
una variable que explica las frente variable que explica las ventas de
ventas de la editorial. la editorial.
ℋ0 : 𝛽𝛽3 = 0 ℋ𝑎𝑎 : 𝛽𝛽3 ≠ 0

𝛽𝛽̂4 0,003
|𝑡𝑡𝑖𝑖 | = | | = | | = 1,07 < 𝑡𝑡0,025 (35) = 2,030
𝑠𝑠𝛽𝛽4
̂̂ 0,0028
𝛽𝛽4 0,003
|𝑡𝑡𝑖𝑖 | = | | = | | = 1,07 < 𝑡𝑡0,025 (35) = 2,030
𝑠𝑠𝛽𝛽4
̂ 0,0028
Como 1,07 < 2,030, por lo tanto, no se rechaza la hipótesis nula, por
consiguiente, la renta personal no es una variable significativa al 5% (esta
Como 1,07 < 2,030, por lo tanto, no se rechaza la hipótesis nula, por
variable individualmente no explica las ventas).
consiguiente, la renta personal no es una variable significativa al 5% (esta
variable
Hastaindividualmente no explica
ahora, el contraste las ventas).
de hipótesis ha sido muy útil para concluir que
efectivamente el precio de la editorial como lo afirmó inicialmente Don Pablo
Hasta ahora, el contraste de hipótesis ha sido muy útil para concluir que
y el gasto en publicidad como lo hizo Emilio, son las variables determinantes
efectivamente el precio de la editorial como lo afirmó inicialmente Don Pablo
de las ventas de la editorial. Por su parte, el precio de la competencia y la renta
y el gasto en publicidad como lo hizo Emilio, son las variables determinantes
personal no demostraron individualmente tener significancia estadística.
de las ventas de la editorial. Por su parte, el precio de la competencia y la renta
personal
Para lanorestricción
demostraron delindividualmente tener significancia
parámetro asociado a la variable estadística.
R con Eviews,
Para la restricción del parámetro asociado a la variable R con Eviews,
Restrictions y en el cuadro de diálogo Wald Test digitamos la restricción
Restrictions y en el cuadro de diálogo Wald Test digitamos la restricción
EL
EL USO
USO DE
DE LA
LA ECONOMETRIA
ECONOMETRIA BASICA
BASICA 136
136
130
Figura 4.10
Figura 4.10

estadístico (t-statistic) de 0,3524 (0,3524 ˃ 0,05), por lo tanto, no rechazamos
la hipótesis nula, lo cual significa que la renta personal no es una variable
relevante en la explicación de las ventas de la editorial.
Tabla 4.7Tabla 4.7

Prueba de Wald.
Prueba de Wald
t-statistic Tabla
Tabla 4.7.
4.7. Prueba de
de Wald
0,942452
Prueba Wald 35 0,3524
Test
Test
F-statistic Statistic
Statistic Value
Value
0,888215 df
df
(1, 35) Probability
Probability
0,3524
t-statistic
t-statistic 0,942452
0,942452 35 0,3524
Chi-square 0,888215 135 0,3524
0,3460
F-statistic
F-statistic 0,888215
0,888215 (1,(1, 35)
35) 0,3524
0,3524
Chi-square
Chi-square 0,888215
0,888215 1
1 0,3460
0,3460
Null Null
Null Hypothesis
Hypothesis:
Hypothesis: C(4)Summary:
C(4) =0
= 0
Null Normalized
Null Hypothesis Restriction
Hypothesis Summary: (=0)
Normalized
Normalized Restriction
Restriction (=0)
(=0) Value
Value Std.
Std. Error
Error
C(4)→ R 0,002669 0,002832
C(4)→
C(4)→ R R 0,002669
0,002669 0,002832
0,002832
Restrictions
Restrictions are are linear
are linear
linear in in coefficients.
in coefficients
coefficients
Restrictions
4.3 Contraste conjunto del modelo 2
La hipótesis nula para el contraste conjunto de que todos los coeficientes

que acompañan a las variables explicativas, excluyendo el intercepto (𝛽𝛽00) son
cero, puede escribirse en los siguientes términos:
ELELUSO
USODE
DELA LAECONOMETRIA
ECONOMETRIABASICA BASICA 137
137
ℋ0: 𝛽𝛽1 = 𝛽𝛽2 = ⋯ = 𝛽𝛽𝐾𝐾 = EL USO aDE
0 frente ℋLA ECONOMETRIA BASICA 137
𝑎𝑎 : 𝛽𝛽1 ≠ 0 , 𝛽𝛽2 ≠ 0 … 𝛽𝛽𝐾𝐾 ≠ 0
131
ℋℋ : 1𝛽𝛽1O
0 :0𝛽𝛽 ==alternativamente,
𝛽𝛽2𝛽𝛽2==⋯⋯==𝛽𝛽𝐾𝐾𝛽𝛽𝐾𝐾como:
==0 0frente ℋfrente a aℋℋ : 1𝛽𝛽a1≠
𝑎𝑎 :𝑎𝑎𝛽𝛽
0 : 𝛽𝛽* = 0 frente ℋ≠𝑎𝑎0: 0𝛽𝛽*
, 𝛽𝛽, 2𝛽𝛽
≠2≠0≠0 0……𝛽𝛽𝐾𝐾𝛽𝛽𝐾𝐾≠≠0 0
ℋ0 : 𝛽𝛽1 = 𝛽𝛽2 = ⋯ = 𝛽𝛽𝐾𝐾 = 0 frente a ℋ𝑎𝑎 : 𝛽𝛽1 ≠ 0 , 𝛽𝛽2 ≠ 0 … 𝛽𝛽𝐾𝐾 ≠ 0
OOalternativamente,
alternativamente,como: como:ℋℋ : 𝛽𝛽*==0 0frente
0:0𝛽𝛽* frentea aℋℋ : 𝛽𝛽*≠≠0 0
𝑎𝑎:𝑎𝑎𝛽𝛽*
Donde 𝛽𝛽* representa
O alternativamente, como:el ℋ vector
0 : 𝛽𝛽* (K= x0 1)
frenteque aincluye
ℋ 𝑎𝑎 : 𝛽𝛽* a los
≠ 0coeficientes
Donde
Donde 𝛽𝛽1,…,k, pero excluye elelelintercepto.
representa
𝛽𝛽*representa
𝛽𝛽* vector(K(Kx x1)1)que
vector queincluye
incluyea alos loscoeficientes
coeficientes
Donde
11,…,k,
𝛽𝛽𝛽𝛽 1,…,k,pero pero representa
𝛽𝛽* excluye el vector (K x 1) que incluye a los coeficientes
excluyeelelintercepto.
intercepto.
𝛽𝛽1,…,k, pero excluye el intercepto. ̂ 𝑦𝑦̂
𝑦𝑦´ 𝑅𝑅𝑅𝑅𝑅𝑅/𝐾𝐾
ℱ = 𝑦𝑦´̂ 𝑦𝑦´𝑦𝑦̂̂ 𝑦𝑦̂
̂ 𝜇𝜇̸̂𝑦𝑦̂/(𝑇𝑇−𝐾𝐾−1)
𝑦𝑦´
= 𝑅𝑅𝑅𝑅𝑅𝑅/𝐾𝐾
𝑅𝑅𝑅𝑅𝑅𝑅/𝐾𝐾
~ ℱ (K, T-K-1)3
ℱℱ==̂ ̂ ̂𝜇𝜇´ ̂
== 𝑆𝑆𝑆𝑆𝑆𝑆/(𝑇𝑇−𝐾𝐾−1) ~~ℱℱ(K,
(K,T-K-1)3
T-K-1)3
𝜇𝜇´𝜇𝜇´ 𝜇𝜇̸𝑦𝑦´
/(𝑇𝑇−𝐾𝐾−1)
𝑦𝑦̂
𝜇𝜇̸ /(𝑇𝑇−𝐾𝐾−1) 𝑆𝑆𝑆𝑆𝑆𝑆/(𝑇𝑇−𝐾𝐾−1)
𝑆𝑆𝑆𝑆𝑆𝑆/(𝑇𝑇−𝐾𝐾−1)
ℱ = ̂̂ = ~ ℱ (K, T-K-1)3
𝜇𝜇´𝜇𝜇̸ /(𝑇𝑇−𝐾𝐾−1) 𝑆𝑆𝑆𝑆𝑆𝑆/(𝑇𝑇−𝐾𝐾−1)
Dónde:
Dónde:Dónde:
RSS
RSS= RSS = ResidualSum
=Residual
Residual Sumofof
Sum of Squares
Squares
Squares(suma
(suma de de
(suma cuadrados
decuadrados de losdedelos
cuadrados los
Dónde: RSS = Residual Sum of Squares (suma de cuadrados de los
residuos)
residuos)
residuos)
residuos)
Una
Unaexpresión
expresiónequivalente
equivalentepara
Una 22expresión equivalente para
paraeste
esteestadístico
este estadísticosesepuede
estadístico se puedepuede escribirlo
escribirloenen
escribirlo en
Una expresión
términos
términos 2 equivalente
dedeRR dividiendo
dividiendo para este yestadístico
elelnumerador
numerador se puede
yeleldenominado
denominado porlaescribirlo
por sumadedeen
lasuma los
los
2
términostérminos
cuadrados
cuadrados
2 de R dividiendo el numerador y el denominado por la suma de los
detotal.
R dividiendo el numerador y el denominado por la suma de los
total.
cuadrados
cuadrados total. total.
𝑅𝑅2/𝐾𝐾 𝑅𝑅2/𝐾𝐾
𝑅𝑅2/𝐾𝐾
ℱℱ== (1−𝑅𝑅2)/(𝑇𝑇−𝐾𝐾−1)
2
𝑅𝑅2/𝐾𝐾
~~ℱ(K, T-K-1)
ℱ(K,T-K-1)
(1−𝑅𝑅2)/(𝑇𝑇−𝐾𝐾−1)
ℱ =ℱ = 2 𝑅𝑅2/𝐾𝐾 ~~ ℱ(K, T-K-1)
ℱ(K, T-K-1)
(1−𝑅𝑅2)/(𝑇𝑇−𝐾𝐾−1)
(1−𝑅𝑅2)/(𝑇𝑇−𝐾𝐾−1)
Esta
Estaúltima
últimaexpresión
expresióndel delestadístico
estadísticodedecontraste
contrastededesignificación
significaciónglobal globaleses
lalaEsta
másúltima
más intuitiva expresión
intuitiva del estadístico
y ysencilla
sencilla para de contraste
pararealizar
realizar de significación
elelcontraste
contraste dedeque global
quetodostodoses loslos
la
coeficientes
coeficientesEsta
más intuitiva última
que expresión
yacompañan
queacompañan del
sencilla para estadístico
a alas realizar
las de
variables contraste
variables de
el incluidas
contraste significación
incluidasen deenunque global es
todos los
unmodelo
modelo sonson
la másqueintuitiva
coeficientes
conjuntamente
conjuntamente cero,
cero, yequivalentemente,
acompañan
o,o, sencillaa las
para variables
equivalentemente, realizarelelelcontraste
contraste para
incluidas
contraste depara
enque todos
undeterminar
modelo
determinar los sison
silas
las
conjuntamente
coeficientes
variables
variables cero,
explicativas
explicativas o, equivalentemente,
que acompañan
enensusuconjuntoa las variables
conjunto son el contraste
sono ono incluidas para
nosignificativas determinar
en un modelo
significativas a alalason si las
horadede
hora
variables explicativas en
explicar
explicar lalavariable
variabledependiente.
conjuntamente o, equivalentemente, el contraste para determinar si las de
su
dependiente.
cero, conjunto son o no significativas a la hora
explicar la variable dependiente.
variables explicativas
Conocidalaladistribución
distribuciónbajo
en bajo
su conjunto son o no significativas a la hora de interés,
Conocida lalahipótesis
hipótesisnula nuladel delestadístico
estadísticoℱℱdedeinterés,
y ydada explicar
Conocida
dadala la ladistribución
lainformación
informaciónvariablemuestral
dependiente.
bajo que
muestral laque
hipótesis
nospermite
nos nula del
permite estadístico
obtener
obtener ununvalor ℱ de
valor interés,
específico
específico
ydede
dada la información
dicho
dicho estadísticoℱ,muestral
estadístico ℱ,lalaregla quedede
regla nos permiteseobtener
decisión
decisión seadopta
adopta unenvalor
enlos losespecífico
siguientes
siguientes
de dicho Si
términos.
términos. estadístico
Conocida
Silalahipótesis
hipótesis lanula
ℱ, nula regla
la distribución bajode
fuera
fuera decisión
lacierta,
hipótesis
cierta, nula
elelvalor sedel
valor adopta
dedeestadístico
𝛽𝛽̂ 𝛽𝛽̂* *nonoen los siguientes
de interés,
ℱdebería
debería estar
estarmuymuy
términos. Sicero,
lalahipótesis nula fuera cierta, ̂
y de
alejadode
alejado dadacero, información
lo loque muestral
queproporcionaría
proporcionaría que unnosunelvalor
valor
permite
valor de 𝛽𝛽 * un
obtener
reducido
reducido no
para debería
valor
para elel estar muy
específico
numerador
numerador dede
alejado de
lalafracción.
fracción.cero, Por lo que proporcionaría
tanto,seℱ,serechaza un valor reducido para el numerador de
de dicho Por tanto,
estadístico larechaza
regla delaladecisión
hipótesis
hipótesis nula𝛽𝛽*
nula
se adopta ==0,siguientes
en𝛽𝛽*los 0,alalnivelniveldede
la fracción.
significacióndel
significación Por tanto,
del5%, se
5%,comparadorechaza
comparadocon la hipótesis
conelelvalor nula
valorcrítico 𝛽𝛽*
críticodedeℱℱ0,05= 0, al
0,05(K,
0,05 nivel
(K,T-K-1) de
T-K-1)
términos. ̂
significación delSi 5%,la hipótesis nula fueracon
comparado cierta,
el elvalor
valor de 𝛽𝛽 * node
crítico debería
ℱ 0,05 estar
(K,muy T-K-1)
alejado de cero, lo que proporcionaría un valor reducido para el numerador de
la fracción. Por tanto, se rechaza la hipótesis nula 𝛽𝛽* = 0, al nivel de
significación del 5%, comparado con el valor crítico de ℱ 0,05(K, T-K-1)
EL USO DE LAEL USO DE LA ECONOMETRIA
132
obtenido de las tablas de la ℱ de Snedecor. En general, en el contraste global

obtenido de las tablas de la ℱ de Snedecor. En general, en el contraste global
al nivel de significación del 100 α%, se sigue la siguiente regla de decisión:
obtenido
al nivel de
delas tablas de la ℱdel
significación de100
Snedecor.
α%, seEnsigue
general, en el contraste
la siguiente reglaglobal
de decisión:
al nivel de significación del𝑅𝑅2/𝑘𝑘 100 α%, se sigue la siguiente regla de decisión:
ℱ= 2
𝑅𝑅2/𝑘𝑘 > ℱα (K, T-K-1) → Rechazar ℋ0
(1−𝑅𝑅2)/(𝑇𝑇−𝑘𝑘−1)
ℱ = 𝑅𝑅2/𝑘𝑘 2 > ℱα (K, T-K-1) → Rechazar ℋ0
ℱ = (1−𝑅𝑅2)/(𝑇𝑇−𝑘𝑘−1) > ℱα (K, T-K-1) → Rechazar ℋ0
(1−𝑅𝑅2)/(𝑇𝑇−𝑘𝑘−1)
En el caso de la editorial…
En primer lugar, puede comprobarse que el ajuste del segundo modelo es
En primer ̅lugar, puede comprobarse que el ajuste del segundo modelo es
muy
En primer (𝑅𝑅22 =puede
bueno lugar, 91,8);comprobarse
el gasto enquepublicidad y elsegundo
el ajuste del precio modelo
de la editorial,
es en
muy bueno̅(𝑅𝑅 ̅ = 91,8); el gasto en publicidad y el precio de la editorial, en
particular,
muy explican
bueno (𝑅𝑅 2
= 91,8);enelbuena
gasto enmedida las ventas.
publicidad Porde
y el precio sulaparte, el precio
editorial, en de la
particular, explican en buena medida las ventas. Por su parte, el precio de la
competencia
particular, y laenrenta
explican buenapersonal,
medida lasmediante lossucontrastes
ventas. Por individuales
parte, el precio de la han
competencia y la renta personal, mediante los contrastes individuales han
demostradoynola tener
competencia renta significancia
personal, mediante estadística al 5%. Por
los contrastes último, un
individuales hancontraste
demostrado
demostrado no tener
no tenerconjuntasignificancia
significancia estadística al 5%. Por último, un contraste
de significación de estadística al 5%. Por
los coeficientes deúltimo, un contraste
pendiente nos permitirá
de significación
de significación conjunta
conjunta de de coeficientes
los los coeficientes de pendiente
de pendiente nos permitirá
nos permitirá
comprobar la capacidad explicativa del modelo en cuestión.
comprobar
comprobar la la capacidad
capacidad explicativa
explicativa del modelo
del modelo en cuestión.
en cuestión.
Paracontrastar
la hipótesis:
ℋ0 : PE, PC, GP y R NO explican ℋ𝑎𝑎 : PE, PC, GP o R explican las
las ventas de la editorial. frente ventas de la editorial.
ℋ0 : 𝛽𝛽1 = 𝛽𝛽2 = 𝛽𝛽3 = 𝛽𝛽4 = 0 ℋ𝑎𝑎 : 𝛽𝛽1 ≠ 0, 𝛽𝛽2 ≠ 0, 𝛽𝛽3 ≠ 0 𝛽𝛽4 ≠ 0
Utilizamos la siguiente regla de decisión:

Utilizamos
Utilizamosla siguiente reglaregla
la siguiente de decisión:
de decisión:
𝑅𝑅2 /𝐾𝐾
ℱ = 𝑅𝑅2/𝐾𝐾 2𝑅𝑅
2 /𝐾𝐾 > ℱ0,05 (4,35) (4.3)
ℱℱ
= = (1−𝑅𝑅 > ℱ0,05
)/(𝑇𝑇−𝑘𝑘−1) > ℱ(4,35)
0,05 (4, 35)
(4,35) (4.3) (4.3)
(1−𝑅𝑅2 )/(𝑇𝑇−𝑘𝑘−1)
2
(1−𝑅𝑅 )/(𝑇𝑇−𝑘𝑘−1)
Comparamos
Comparamos el valor
el valor de: de:
Comparamos el valor de:
0,927/4
0,927/4
ℱℱ== (1 − 0,927)/(40 = 111,11
> 2,64>ʹʹ2,64
= ℱ ʹʹ =(4,35)
(4,ℱ0,05
35) (4,35)
0,927/4 ʹʹ
= 111,11
ℱ =(1 − 0,927)/(40 − 4−
− 41)− 1) = 111,11 > 2,640,05 = ℱ0,05 (4,35)
(1 − 0,927)/(40 − 4 − 1)
2222 Corresponde al valor hallado en la tabla estadística F de Snedecor con 4 grados de

Corresponde al valor hallado en la tabla estadística F de Snedecor con 4 grados de
22
libertad
libertad Corresponde
enen
el el al 35
numerador,
numerador, valor hallado
35– (T
(T ––en
1K→la 1en
– 40→– la
440 tabla -1estadística
–= 435) = 35)
grados F de
grados Snedecor
de en
libertad encon 4 grados de
el denominador
22 Corresponde al valor K
hallado tabla -1
estadística F dede libertad
Snedecor el denominador
con 4 grados de libertad en
libertad
yyuna
una en el numerador,
probabilidad en
probabilidad la
en cola
la 35 (Tderecha
derecha
cola – Kde–0,05.
1de 40 – 4 -1 = 35) grados de libertad en el denominador
→0,05.
el numerador, 35 (T – K – 1 → 40 – 4 -1 = 35) grados de libertad en el denominador y una
y una probabilidad en la cola derecha de 0,05.
probabilidad en la cola derecha de 0,05.
133
El valor crítico de comparaciónEL2,030

USO DEde LA
las ECONOMETRIA
tablas de la ℱBASICA
de Snedecor 139
también puede hallarse de manera muy sencilla a través Gretl, de la siguiente
forma: seleccionamos Herramientas → Tablas estadísticas y en la ventana de
diálogo quecrítico
El valor se abredeseleccionamos “F”; endelalas
comparación 2,030 casilla grados
tablas de ladeℱlibertad en el
de Snedecor
numeral (gln) digitamos
también puede hallarse de4manera
(K=4 muy
que corresponde al número
sencilla a través Gretl, dedela variables
siguiente
explicativas utilizadasHerramientas
forma: seleccionamos en el modelo),→ Tablasen estadísticas
grados dey enlibertad en de
la ventana el
denominador
diálogo que se(gld)
abreeditamos 35 (T-K-1
seleccionamos → la
“F”; en 40casilla
– 4 – grados
1 = 35)dey libertad
en la casilla
en el
probabilidad en la cola derecha digitamos con punto (no con
numeral (gln) digitamos 4 (K=4 que corresponde al número de variables coma) 0.05 y
damos Aceptar,
explicativas como seen
utilizadas muestra en la Figura
el modelo), en 4.11. De este
grados deprocedimiento
libertad en se el
obtiene el valor de 2,64147 ≈ 2,64 (véase Figura 4.12).
denominador (gld) editamos 35 (T-K-1 → 40 – 4 – 1 = 35) y en la casilla
probabilidad en la cola derecha digitamos con punto (no con coma) 0.05 y
damos Aceptar, como se muestra en la Figura 4.11. De este procedimiento se
obtiene el valor de 2,64147 ≈ 2,64 (véase Figura 4.12).
Se confirma, por tanto, que globalmente las cuatro variables tienen

capacidad explicativa sobre las ventas de la editorial.Figura 4.12
Figura 4.11
Para realizar con

Se confirma, por EViews el contraste
tanto, que globallasde cuatro
globalmente las hipótesis sobre
variables los
tienen
parámetros de las variables
capacidad explicativa sobreexplicativas,
las ventas desobre la ventana del objeto ecuación
la editorial.
seleccionamos: View → Representations y damos clic. En la segunda fila de
la Figura x aparece
Para realizar conrepresentada
EViews el lacontraste
ecuaciónglobal
estimada
de (Estimation
las hipótesisEquiation)
sobre los
del modelo de regresión múltiple que venimos trabajando, donde: C(1),
parámetros de las variables explicativas, sobre la ventana del objeto ecuación C(2),
C(3) y C(4) corresponden
seleccionamos: a los coeficientes
View → Representations de la pendiente
y damos clic. En lade las variables
segunda fila de
explicativas PE, PC, GP y R, respectivamente. Esta simbología es
la Figura x aparece representada la ecuación estimada (Estimation Equiation)importante
tenerla en cuenta
del modelo al momento
de regresión de editar
múltiple las restricciones
que venimos en eldonde:
trabajando, cuadro C(1),
de diálogo
C(2),
del
C(3)contraste de Wald, como
y C(4) corresponden se indica
a los en la Figura
coeficientes de la 4.13.
pendiente de las variables
explicativas PE, PC, GP y R, respectivamente. Esta simbología es importante
tenerla en cuenta al momento de editar las restricciones en el cuadro de diálogo
del contraste de Wald, como se indica en la Figura 4.13.
134
Figura
EViews4.13permite contrastar restricciones en los parámetros a partir del
contraste de Wald mediante View → Coefficient Diagnosts → Wald Test –
EViews Restrictions
Coefficient permite contrastar
(Figura restricciones en los
4.14). Rellenando parámetros
la pantalla Walda Test
partir del
como
contraste
se indica de
en Wald mediante
la Figura View
4.15 se → Coefficient
contrasta Diagnosts conjunta
la significatividad → Wald Test
de los–
Coefficient
parámetros Restrictions (Figura
estimados por esta4.14). Rellenando
vía (forma la pantalla
alternativa al Wald como
Test de
contraste la
se indica enℱladeFigura
distribución 4.15realizado
Snedecor se contrasta la significatividad
manualmente conjunta de los
con anterioridad).
parámetros estimados por esta vía (forma alternativa al contraste de la
distribución ℱ de Snedecor realizado manualmente con anterioridad).

Figura 4.14
En la Tabla 4.8 se observa el rechazo de la hipótesisFigura 4.15nula con una
probabilidad del estadístico ℱ (F-statistic) de 0,0000 (0,0000 ˂ 0,05), es decir,
se En la Tabla
acepta 4.8 se observa
la significatividad el rechazo
conjunta de losdeparámetros
la hipótesisdelnula con una
modelo, por
probabilidad
consiguiente,del estadísticodeℱvariables
el conjunto (F-statistic) de 0,0000al(0,0000
incorporado modelo˂ 0,05), es decir,
son relevantes
se acepta
en la la significatividad
explicación de las ventas conjunta de los parámetros del modelo, por
de la editorial.
consiguiente, el conjunto de variables incorporado al modelo son relevantes
en la explicación de las ventas de la editorial.
135
Tabla 4.8 Tabla 4.8

Prueba de Wald.
TestPrueba
Statisticde Wald EL USO
ValueDE LA ECONOMETRIA
df Probability
BASICA 141
F-statistic 110,6643 (4, 35) 0,0000
Chi-square Test Statistic Value
442,6572 df
4 Probability
0,0000
F-statistic 110,6643 (4, 35) 0,0000
Null Hypothesis: C(1) = C(2) = C(3) = C(4)
Chi-square Tabla 4.8
=0
442,6572 4
0,0000
Null Hypothesis: C(1) = C(2) = C(3) = C(4) = 0
Normalized
Null Restriction
Hypothesis Summary: (=0) Value Std. Error
Prueba de Wald
Normalized
C(1) → PE Restriction (=0) Value
-1,913099 Std. Error
0,492254
C(1)→
C(2) → PCPE -1,913099
0,126788 0,492254
0,327776
C(2)→ PC Test Statistic Value df
0,126788 Probability
0,327776
C(3) → GP
F-statistic 110,6643 0,100304
(4, 35) 0,006031
0,0000
C(3)→ GP 0,100304 0,006031
C(4) → R
Chi-square
C(4)→ R 0,002669
442,6572 0,002669
4 0,002832
0,0000
0,002832
Null Hypothesis:
Restrictions
Restrictions areare C(1)
linear = coefficients
C(2) = C(3) = C(4) = 0
in coefficients.
linear in
4.4C(1)→
ContrastePE de significancia para un subconjunto
-1,913099 de 0,492254
C(2)→ PC .
coeficientes 0,126788 0,327776
C(3)→ GP 0,100304 0,006031
C(4)→ R 0,002669 0,002832
Dado que el modelo contiene
Restrictions are linear in coefficients como variables explicativas dos
el precios,
de la propia editorial y el de la competencia, merece la pena contrastar si
ambos precios tienen
4.4 Contraste el mismo impacto
de significancia para sobre las ventas (dede
un subconjunto signo contrario,
claro) así como la relevancia de ambos precios conjuntamente para explicar
coeficientes
las ventas.
Dado que el modelo contiene como variables explicativas dos precios, el
Lo que puedenula
Hipótesis reformularse como: Hipótesis alternativa
de la propia editorial y el de la competencia, merece la pena contrastar si
H0: El precio de la editorial y el pre- Hα: El precio de la editorial y el precio
ambos precios
cio de la tienenexplican
competencia el mismo impacto sobredelas ventas (deNO signo contrario,
ℋ0 : 𝛽𝛽1 + 𝛽𝛽2 = 0 frente a ℋ𝑎𝑎la: 𝛽𝛽competencia
con- frente
Frente
1 + 𝛽𝛽2 ≠ 0
explican conjun-
juntamente
claro) las ventas
así como la de la editorial.de ambos precios
relevancia tamente las ventas de la editorial.
conjuntamente para explicar
las Con
ventas. H0: β1 = -β2 Hα: β1 ≠ -β2
EViews seleccionamos: View → Coefficient Diagnosts → Wald Test
– Coefficient Restrictions, en el cuadro de diálogo de Wald Test escribimos la
Lo que puede reformularse como:
restricción de los parámetros como se muestra en la Figura 4.16 y damos OK.
ℋ0 : 𝛽𝛽1 + 𝛽𝛽2 = 0 frente a ℋ𝑎𝑎 : 𝛽𝛽1 + 𝛽𝛽2 ≠ 0
Con EViews seleccionamos: View → Coefficient Diagnosts → Wald Test

– Coefficient Restrictions, en el cuadro de diálogo de Wald Test escribimos la
restricción de los parámetros como se muestra en la Figura 4.16 y damos OK.
ELLAEL
EL USO DE USOUSO
DEDE
LALA
ECONOMETRIA
ECONOMETRÍA ECONOMETRIA
BÁSICA BASICA
BASICA 142142
136

Figura
Figura
4.16
4.16
El contraste con el estadístico ℱ arroja una probabilidad de 0,0018 (0,0018
El contraste
El contraste
˂ 0,05) comocon con
el estadístico
el estadístico
muestra arroja
la Tablaℱ4.9,ℱ arroja
por una
lo una
probabilidad
probabilidad
tanto, de de
rechazamos 0,0018
la0,0018
(0,0018
(0,0018
hipótesis nula,
˂ 0,05)
˂ 0,05)
como
comomuestra
muestra
la Tabla
la Tabla
4.9,
4.9,
por por
lo tanto,
lo tanto,
rechazamos
rechazamos
la hipótesis
la hipótesis
nula,
y por ende, el precio de la editorial y el precio de la competencia son relevantes nula,
y por
yenpor
ende,
ende,
el precio
el precio
la explicación de de
de la
laseditorial
laventas
editorial
y ella
de yprecio
el precio
de de
editorial. la competencia
la competencia
sonson
relevantes
relevantes
en en
la explicación
la explicación
de de
laslas
ventas
ventas
de de
la editorial.
la editorial.
Tabla 4.9 Tabla 4.9
Tabla
Tabla4.94.9
Prueba de Wald.
Prueba de Wald
TestPrueba
Statistic
Prueba de de Wald Value
Wald df Probability
F-statistic 7,595819 (2, 35) 0,0018
Chi-squareTest
F-statisticTest
Statistic
Statistic 15,19164
Value
Value
7,595819 df (2,2df 0,0005
35) Probability
Probability
0,0018
F-statistic
F-statistic
Null Hypothesis: C(1) = C(2) = 0
Chi-square 7,595819
7,595819 235)
15,19164(2, (2,
35)
0,0018
0,0018
0,0005
Chi-square
Chi-square
NullHypothesis
Null Hypothesis:Summary:
C(1) = C(2) = 0 15,19164
15,19164 2 2 0,0005
0,0005

NullNull
Hypothesis:
Hypothesis:
C(1)
Hypothesis C(1)
= C(2)
= C(2)
Summary: = 0= 0
Normalized
Null
Null
Hypothesis Restriction
Hypothesis
Summary: (=0)
C(1)
C(1)→→ PE
Normalized
Normalized
PE Restriction
Restriction(=0)
(=0) -1,913099
Value
Value
-1,913099 Std.Std.0,492254
Error
Error
0,492254
C(1)→
C(1)→
C(2)
C(2)→ PE
→ PCPE
PC 0,126788
-1,913099
-1,913099
0,126788 0,327776
0,492254
0,492254
0,327776
C(2)→
C(2)→ PCPCareare
Restrictions
Restrictions linear
linear in coefficients
in coefficients. 0,126788
0,126788 0,327776
0,327776
Restrictions
Restrictions
are are
linear
linear
in coefficients
in coefficients
4.5 Contraste de hipótesis informativas

4.54.5
Contraste
Contraste
dede
hipótesis
hipótesis
informativas
informativas
Respecto de la discusión anterior, un primer paso para decidir quién tiene
Respecto
Respecto
razón de de
en este ladebate
discusión
la discusión
anterior,
anterior,
se obtiene un un
primer
primer
contrastando paso
si lapaso
para
para
decidir
inclusióndecidir
quién
de las quién
trestiene
tiene
nuevas
razón
razón
en en
esteeste
variables debate
(PC, debate
GP se obtiene
se ha
y R) obtiene
contrastando
sido ocontrastando
si la
no acertada. siAunque
inclusión
la inclusión
el de de
laslas
valor trestres
del nuevas
nuevas
coeficiente
variables
variables
(PC,(PC,
GPGP y R)
y R)
ha ha
sido
sido
o no
o no
acertada.
acertada.
Aunque
Aunque el valor
el valor
deldel
coeficiente
coeficiente
MARIO EDUARDO
EL USO DE LAVILLOTA
HIDALGO ECONOMETRIA BASICA 143
137
2
de determinación del Modelo 2 esELRUSO = 0,927 resulta ya bastante
DE LA ECONOMETRIA BASICA expresivo,
143
debido al gran aumento que ha experimentado respecto del que se obtuvo con
el modelo 1 con un R2 = 0,144. La manera correcta de responder a esta
de determinación
pregunta consiste endel contrastar es R2= 0,927 resulta
Modelo 2 conjuntamente los ya bastante expresivo,
coeficientes de las tres
debido al gran aumento que ha experimentado respecto del que se obtuvo con
nuevas variables añadidas. Este contraste puede realizarse a través de la
el modelo 1 con un R2 = 0,144. La manera correcta de responder a esta
diferencia entre los coeficientes de determinación del modelo de regresión
pregunta consiste en contrastar conjuntamente los coeficientes de las tres
lineal nuevas
múltiple y el coeficiente
variables añadidas. Estedecontraste
determinación del modelo
puede realizarse de de
a través regresión
la
simple, del siguiente
diferencia modo:
entre los coeficientes de determinación del modelo de regresión
lineal múltiple y el coeficiente de determinación del modelo de regresión
simple, del siguiente modo:
H0: PC, GP y R explican las Hα: PC, GP y R NO explican las
frente
Frente
ventas de la editorial. ventas de la editorial.
H0: β2 = β3 = β4 = 0 Hα: β2 ≠ 0, β3 ≠ 0 y β4 ≠ 0

(𝑅𝑅2 −𝑅𝑅2 )/𝑞𝑞
ℱ= 𝑅𝑅
2
(𝑅𝑅2 −𝑅𝑅𝑅𝑅 )/𝑞𝑞 > ℱ0,05 (4, 35) (4.4)
(1−𝑅𝑅2 )/(𝑇𝑇−𝑘𝑘−1)
ℱ(1−𝑅𝑅
= )/(𝑇𝑇−𝑘𝑘−1) > ℱ0,05 (4, 35) (4.4)
2
(1−𝑅𝑅 )/(𝑇𝑇−𝑘𝑘−1)
Comparamos el valor
Comparamos de:de:
el valor
(0,927 − 0,144)/2
(0,927 − 0,144)/2
ℱ =ℱ = == 187,71
187,71 >>2,64
2,64→ → ℱ0,05
ℱ0,05 (4, 35)
(4, 35)
(1 −
(10,927)/35
− 0,927)/35
ComoComo 187,71 > 2,64, por consiguiente, se rechaza la hipótesis nula en este
187,71 > 2,64, por consiguiente, se rechaza la hipótesis nula en este
contraste, poniendo en evidencia que las variables PC, GP y R que se han
contraste, poniendo en evidencia que las variables PC, GP y R que se han
añadido en el modelo son conjuntamente significativas al 5%, es decir, son
añadido en el modelo
relevantes son conjuntamente
en la explicación de las ventas designificativas
la editorial. al 5%, es decir, son
relevantes en la explicación de las ventas de la editorial.
A lo largo de este capítulo se han mostrado los procedimientos que deben
A lo largo para
seguirse de este capítulo
responder a lassepreguntas
han mostrado
que Don losPablo
procedimientos quesedeben
y su hijo Emilio
hacían
seguirse mutuamente
para responder al comienzo del mismo.
a las preguntas Tras
que Donrealizar
Pablolos y
contrastes
su hijoque se se
Emilio
han presentado en este capítulo, debemos ser capaces ahora de responder a las
hacían mutuamente al comienzo del mismo. Tras realizar los contrastes que se
preguntas pendientes: ¿Tiene razón Emilio o la tiene Don Pablo?, ¿o ambos
han presentado en este capítulo, debemos ser capaces ahora de responder a las
tienen razón en parte?, y si, es así, ¿en qué parte aciertan cada uno de ellos?
preguntas pendientes: ¿Tiene razón Emilio o la tiene Don Pablo?, ¿o ambos
tienen razón en parte?, y si, es así, ¿en qué parte aciertan cada uno de ellos?
138
Con estos resultados, podemos responder a la discusión siguiente mantenida

entre el padre e hijo.
Don Pablo: Lo ves, ya te lo decía yo. Ahí tienes la influencia del precio,
con signo negativo.
Emilio: Admito que tiene un valor negativo, pero yo nunca he dicho que el
precio no tenga influencia; sólo he dicho que no es el único factor que influye,
y quizás, ni siquiera sea el más importante.
Don Pablo: Pero ¿es que no ves que ese es el único factor importante? No
tienes más que mirar a su coeficiente, que no sólo es negativo, sino que es el
que mayor valor que toma en el conjunto de parámetros (-1,91).
Emilio: ¡Qué tiene que ver el valor que toma! Lo que importa no es el valor
del coeficiente, sino saber si hay mucha o poca evidencia a favor de ese valor.
Podría darse que, a pesar de que la cifra obtenida sea alta, su importancia real
sea inexistente.
Don Pablo: Tú solamente quieres discutir, sin admitir que yo tengo la razón.
¿Cómo puede ser que no tenga importancia? Si quieres seguir discutiendo de
esta cuestión tendrás que demostrarme que lo que afirmas es verdad.
Los contrastes individuales se realizarán comparando los valores obtenidos

para el estadístico con el valor 𝑡𝑡0,025 (35) = 2,030, de donde se deduce que
se rechazan dos hipótesis nulas, ℋ0 : 𝛽𝛽1 = 0 y ℋ0 : 𝛽𝛽3 = 0 mientras que no se
rechaza la hipótesis ℋ0 : 𝛽𝛽2 = 0 𝑦𝑦 ℋ0 : 𝛽𝛽4 . Es decir, de acuerdo con la muestra
utilizada, hay evidencia de que las variables precio de la editorial (PE) y gasto
en publicidad (GP) son relevantes para explicar las ventas, mientras que el
precio de la competencia (PC) y la renta personal (R) no parecen ser
significativas en el modelo en discusión.
Los resultados de los contrastes ponen de manifiesto que, en la discusión

entre Don Pablo y su hijo Emilio, ambos tienen parte de razón. Acierta Don
Pablo al decir que el precio (PE) al que venden sus libros es una variable
139
importante para explicar las ventas de la editorial, pero queda claro también
que no es el único factor a considerar. El gasto realizado en publicidad (GP)
aparece como una nueva variable importante para explicar las ventas, dando
así la razón a Emilio. Sin embargo, el precio a que la competencia vende su
producto y la renta personal de los clientes no resultan ser factores relevantes
en el comportamiento de las ventas de la editorial, ya que no hay evidencia en
la muestra de que tengan un efecto significativo. Este resultado, por cierto,
permite a Don Pablo entender lo que su hijo pretendía decirle; aunque el precio
de la competencia tiene un coeficiente estimado (0,127) ligeramente mayor
que el coeficiente del gasto en publicidad (0,100) y mucho mayor que el
coeficiente estimado de la renta personal (0,003), resultan ser estas dos
variables (PC y R) poco relevantes, mientras que es claramente significativo
el gasto en publicidad.
Por otra parte, el contraste conjunto de las cuatro variables arroja un

resultado un tanto diferente al contraste individual. Globalmente el conjunto
de variables incorporadas en el modelo tienen capacidad explicativa sobre las
ventas de la editorial, por consiguiente, padre e hijo deciden zanjar sus
diferencias, conservando el modelo inicial estimado en el modelo (3.6). Por el
momento, ninguno se atreve a eliminar ninguna variable, aunque la discusión
prosigue en el siguiente capítulo.
RETO 3:

Capítulo 5
DIAGNÓSTICO ESTRUCTURAL
5. Encarando el modelo de regresión lineal general: Diagnóstico

estructural
En los capítulos anteriores se pudo establecer que los valores de la variable

dependiente Y puede escribirse como: Y = X𝛽𝛽 + 𝜇𝜇 o bien como Y = X𝛽𝛽̂ + 𝜇𝜇̂ ,
por lo tanto, los residuos serán: 𝜇𝜇̂ = Y - X𝛽𝛽̂.
Para Alonso et al., (2010:121), si utilizamos 𝛽𝛽̂ como la mejor

aproximación, dada la muestra, a los coeficientes desconocidos 𝛽𝛽i, las
igualdades anteriores sugieren que los residuos 𝜇𝜇̂ serán también
aproximaciones adecuadas a las perturbaciones no observables 𝜇𝜇, donde 𝜇𝜇̂ será
denominada residuos mínimo cuadráticos o residuos MCO.
Tanto las perturbaciones como los residuos mínimo cuadráticos siguen

distribuciones centradas en cero, esto es, E(𝜇𝜇) = E(𝜇𝜇̂ ) = 0. Esta propiedad de
los residuos se deriva de la distribución de las perturbaciones, que se suponen
centradas en cero, dada su definición. En efecto, en el caso de que el modelo
esté correctamente especificado, la parte sistemática X del mismo, será capaz
de explicar las variaciones de Y y únicamente quedarán sin explicar los
factores puramente aleatorios e impredecibles.
En todo caso, los residuos contienen evidencia útil sobre el modelo; si las
hipótesis realizadas en su especificación son correctas, el comportamiento
observado de los residuos debería ser el esperado. Desviaciones de este
comportamiento esperado puede así alertar sobre posibles errores en la
especificación del modelo.
141
El investigador que realiza trabajo empírico suele cometer errores de varios

tipos a lo largo del proceso de elaboración de su modelo. La etapa de
especificación de un modelo econométrico es la etapa de mayor dificultad y
en la que con más frecuencia pueden cometerse errores de juicio (Ibíd., 149).
Como a Don Pablo no le gusta perder en las discusiones, aunque reconoce

que su hijo le ha convencido con evidencia clara de que la variable Gasto en
publicidad ha tenido su influencia, no olvida que también Emilio insistía en
que el precio de la competencia y la renta personal eran importantes y han
resultado no serlo. Por eso, no está dispuesto todavía a dar su brazo a torcer.
Además, como ha pedido explicaciones detalladas de todo lo que se ha hecho
para alcanzar esas conclusiones, está informado de que ha sido preciso hacer
determinadas hipótesis. De manera que decide ponerlas en cuestión.
Don Pablo: De acuerdo. Me has convencido de que la publicidad que

hemos hecho ha tenido un efecto sobre nuestras ventas. Pero también decías
que eran importantísimos el precio de la competencia y la renta personal y ha
resultado, como yo decía, que no era así. Además, por lo que me has
explicado, ha habido que hacer bastantes hipótesis que no tienen por qué
cumplirse y que a lo mejor han influido en los resultados.
Emilio: Hay que ver qué terco eres. Nunca estás dispuesto a aceptar que
puedes estar equivocado. Sí, claro que ha habido que hacer hipótesis para
llegar a los resultados, pero eso no cambia nada.
Don Pablo: ¿Y por qué tengo yo que creer eso que dices? ¿No me has dicho
antes que son hipótesis simplificadoras y que pueden no ser muy realistas?
Pues en caso de no cumplirse podrían estar dando una imagen incorrecta de
cuáles son las variables que influyen en las ventas de la editorial.
Emilio: Bien, ya veo que no hemos acabado todavía con esta cuestión.
Estoy dispuesto a comprobar si hay alguna evidencia de que las hipótesis que
hemos hecho no se cumplen y a convencerte del resultado.
142
Selecciónde
5.1 Selección devariables
variablesexplicativas:
explicativas:error
errordede especificación.
especificación
Siguiendo a Alonso et al, (2005), la investigación en economía parte de

alguna teoría relacionada con la determinación de la variable dependiente
objeto de estudio y, en primer lugar, trata de especificar un conjunto de
variables explicativas que describan adecuadamente dicha teoría. Ahora bien,
los modelos que propone la teoría económica son modelos que simplifican un
mundo más complejo, extrayendo de él únicamente los rasgos que se
consideran más importantes para el análisis. Es bastante natural, por esto, que
la etapa de especificación del modelo econométrico correspondiente no esté
libre de errores.
Aunque, en sentido amplio, error de especificación sería cualquier error

que se cometa en la especificación de un modelo, tradicionalmente se
denomina error de especificación meramente al error cometido en la selección
de las variables explicativas consistente en utilizar un conjunto de regresores
incluidos en la matriz X que no es el correcto. En este sentido, es posible
cometer dos tipos de errores: bien por defecto omitiendo variables relevantes
(cuyo coeficiente poblacional 𝛽𝛽 no es cero), o bien por exceso, incluyendo
variables irrelevantes (cuyo coeficiente poblacional realmente es cero).
A pesar de toda la evidencia reunida, la discusión entre padre e hijo no se

ha acabado. Don Pablo admite que el modelo (3.6) está bien, pero como sólo
le interesa conocer el efecto del precio sobre las ventas, por tanto, se propone
utilizar para su análisis el modelo (2.9), a lo que Emilio presenta ciertas
objeciones.
Don Pablo sigue sin entender del todo la postura de su hijo sobre incluir
otras variables explicativas además del precio para explicar las ventas de la
editorial. Sigue empeñado en que su propuesta de incluir sólo el precio como
variable explicativa es suficiente para tomar las decisiones que le interesan
sobre su política de precios.
143
Don Pablo: Yo propongo un modelo simple donde el precio promedio es la

única y principal variable explicativa de las ventas de la editorial, por
consiguiente, mi modelo propuesto es el siguiente:
̂ = 686,57 – 3,53Precio
Emilio: Mi modelo en ningún momento desconoce el poder explicativo del

precio sobre las ventas, pero no estoy de acuerdo, en que esta variable sea el
único factor explicativo. Mi tesis se centra en que, además del precio
promedio, las ventas de la editorial también dependen del precio de la
competencia, el gasto en publicidad y la renta personal de nuestros clientes,
por consiguiente, propongo el siguiente modelo:
̂ = 243,20 – 1,91PE ++0,127PC

𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 t 0,127PC+ t +0,100GP
0,100GP+t 0,003R
+ 0,003Rt
Don Pablo: En el modelo que yo propongo se ha obtenido un coeficiente

estimado igual a -3,53 y un |t| = 2,54 ¿No es esto suficiente?
Emilio: ¡Papá!, estas cifras no son relevantes en estas condiciones. Las

consecuencias de no incluir las otras variables son muy graves.
Don Pablo: ¿En qué sentido son muy graves? No entiendo el porqué de esa
gravedad si el coeficiente estimado asociado a los precios no cambia tanto. En
tu modelo adopta el valor de -1,91 y en el mío -3,53.
Emilio: Te voy a demostrar de nuevo, que los valores numéricos no son lo

único importante, tan importante es la confianza o fiabilidad que nos merecen
dichos valores.
5.2
5.2 Errores
Errores de
de especificación
especificación en
enlas
lasvariables
variablesexplicativas
explicativas.
El proceso de construcción deELunUSO DE LAeconométrico

modelo ECONOMETRIA seBASICA
inicia con150
la
especificación de la relación a estimar y la formulación de un conjunto de
hipótesis. Por ello, es conveniente someter al modelo elaborado y estimado a
diversas pruebas estadísticas que permitan comprobar su validez y calidad
antes de utilizarlo en el trabajo empírico.
Para Carrascal et al, (2004), existen diferentes pruebas de especificación y

diagnosis relativas a la especificación de la parte sistemática del modelo
diversas pruebas estadísticas que

EL USO DE LA permitan comprobar
ECONOMETRÍA BÁSICA su validez y calidad
diversas
144 pruebas estadísticas que permitan comprobar su validez y calidad
(selección de las variables explicativas, forma funcional que relaciona las
(selección de las variables explicativas, forma funcional que relaciona las
variables) y a las propiedades que debe cumplir la perturbación aleatoria. Las
variables) y a las propiedades que debe cumplir la perturbación aleatoria. Las
consecuencias de los diversos errores son conocidas y la solución consiste, en
consecuencias de los diversos errores son conocidas y la solución consiste, en
muchas ocasiones, en re-especificar el modelo incorporando las correcciones
muchas ocasiones, en re-especificar el modelo incorporando las correcciones
oportunas. Uno de los principales problemas a los que se enfrenta un
oportunas. Uno de los principales problemas a los que se enfrenta un
investigador es determinar qué variables se incluyen como explicativas en un
investigador es determinar qué variables se incluyen como explicativas en un
modelo. Aunque en la práctica no existen procedimientos para poder
modelo. Aunque en la práctica no existen procedimientos para poder
determinar de forma inequívoca el número de variables a introducir, los
determinar de forma inequívoca el número de variables a introducir, los
errores que pueden cometerse en la especificación de las variables explicativas
errores que pueden cometerse en la especificación de las variables explicativas
son dos: omitir variables relevantes o incluir variables irrelevantes (pp.185-
son dos: omitir variables relevantes o incluir variables irrelevantes (pp.185-
186).
186).
5.2.1 Omisión
5.2.1 Omisión de
de variables relevantes.
relevantes
relevantes
5.2.1 Omisión de variables relevantes
La omisión de variables relevantes hace que el término de perturbación
La omisión de variables relevantes hace que el término de perturbación
recoja su efecto, por lo que este deja de cumplir las hipótesis clásicas
recoja su efecto, por lo que este deja de cumplir las hipótesis clásicas
planteadas en el modelo de regresión. El resultado es que tanto los estimadores
planteadas en el modelo de regresión. El resultado es que tanto los estimadores
de los coeficientes de regresión (excepto en el caso de ortogonalidad entre las
de los coeficientes de regresión (excepto en el caso de ortogonalidad entre las
variables omitidas en incluidas) como el de la varianza de las perturbaciones
variables omitidas en incluidas) como el de la varianza de las perturbaciones
dejan de ser insesgados y consistentes.
dejan de ser insesgados y consistentes.
Por un instante, vamos a suponer que el gasto en publicidad (GPt) no es
Por un instante, vamos a suponer que el gasto en publicidad (GPt) no es
relevante en la explicación de las ventas de la editorial, es decir, las hipótesis
relevante en la explicación de las ventas de la editorial, es decir, las hipótesis
se plantearían de la siguiente manera:
se plantearían de la siguiente manera:
ℋ0 : El gasto en publicidad es una ℋ𝑎𝑎 : El gasto en publicidad no es
ℋ0 : El gasto en publicidad es una Frente ℋ𝑎𝑎 : El gasto en publicidad no es
variable relevante en el modelo. Frente
frente una variable relevante en el
variable relevante en el modelo. una variable relevante en el
modelo.
modelo.
145
Para ello, abrimos en EViews el archivo Tab2. En la ventana del Workfile

seleccionamos con la tecla CTRL y el ratón las variables V y PE.
Para ello, abrimos
Posteriormente, en estas
abrimos EViews el archivo
variables comoTab2. En la(Open
ecuación ventana→ del Workfile
as Equation)
seleccionamos
y en la ventana de con la tecla
diálogo CTRL ydeella ratón
de estimación las(Equation
ecuación variablesEstimation)
V y PE.
Posteriormente,
y damos Aceptar.abrimos estas variables
En la ventana como
del objeto ecuación
ecuación (Open →
resultante, as Equation)
seleccionamos
yView
en la→ventana de diálogo
Coefficient de estimación
Diagnostic → Omittedde laVariables
ecuaciónTest
(Equation Estimation)
– Likelihood ratio
yy damos Aceptar. En la ventana del objeto ecuación resultante, seleccionamos
damos clic como se muestra en la Figura 5.1. En el cuadro de diálogo que
View
se abre→escribimos
CoefficientGP
Diagnostic → Omitted
y damos OK, como seVariables Test
muestra en la –Figura
Likelihood
5.2. ratio
y damos clic como se muestra en la Figura 5.1. En el cuadro de diálogo que
se abre escribimos GP y damos OK, como se muestra en la Figura 5.2.
Figura 5.1 Figura

Figura 5.2 5.2
Figura 5.1
Figura 5.1
En la Tabla 5.1 se visualizan los resultados de la prueba Figura 5.2
de variables
omitidas, cuya hipótesis nula es que el gasto en publicidad no es una variable
En la Tabla
relevante 5.1 se visualizan
en la explicación los resultados
de las ventas de laLos
de la editorial. prueba de variables
estadísticos t, F y
omitidas, cuya hipótesis nula es que el gasto en publicidad no
Likelihood ratio tienen una probabilidad de 0,0000 al 5% de significación es una variable
relevante
estadísticaen(0,0000
la explicación
˂ 0,05).dePorlas su
ventas de la
parte, la probabilidad
editorial. Los del
estadísticos t, Fde
estadístico y
Likelihood ratio tienen(Likelihood
máxima verosimilitud una probabilidad
ratio) esde 0,0000
inferior al 5%
al 5% de significación
(0,0000 ˂ 0,05), por
estadística (0,0000 ˂ 0,05). Por su parte, la probabilidad del
lo tanto, no rechazamos la hipótesis nula del contraste, pues la probabilidadestadístico de
máxima verosimilitud
de equivocarnos (Likelihoodesratio)
si lo hiciéramos de 0% es (0,0%
inferior˂ al 5% (0,0000 ˂ 0,05), por
5%).
lo tanto, no rechazamos la hipótesis nula del contraste, pues la probabilidad
de De
equivocarnos
otro lado,sienlo la hiciéramos es de de
parte inferior 0%la(0,0%
misma ˂ 5%).
tabla, se observa que el
modelo estimado donde se incluye el gasto en publicidad arroja un coeficiente
de De otro lado, enajustado
determinación la parte deinferior
91,89%,de lamuy
misma tabla, se
superior al observa que de
coeficiente el
modelo estimado
determinación donde se
ajustado deincluye
12,24%el del
gastomodelo
en publicidad arroja un
de regresión de coeficiente
las ventas
de
contra el precio promedio de la editorial (2.9) analizado en el capítulo 2. de
determinación ajustado de 91,89%, muy superior al coeficiente
determinación ajustado de 12,24% del modelo de regresión de las ventas
contra el precio promedio de la editorial (2.9) analizado en el capítulo 2.
146
Tabla 5.1
Prueba de variables omitidas.
Null hypothesis: GP are jointly significant
Specification: V C PE
Omitted variables: GP
t-statistic 19,34961 37 0,0000
F-statistic 374,4074 (2, 37) 0,0000
Likelihood ratio 96,34664 1 0,0000
F-test summary:
Sum of Sq. df Mean Squares
Test SSR 121.911,2 1 121.911,2
Restricted SSR 133.958,8 38 3.525,231
Unrestricted LogL 12.047,6 37 325,6110
LR test summary:
Value
Restricted LogL -219,0857
Unrestricted LogL -170,9124
Unrestricted Test Equation
Dependent Variable: V
Method: Least Squares
Sample: 2009Q1: 2018Q4
Included observations: 40
C 283,827 46,02427 6,166899 0,0000
PE -2,209645 0,422866 -5,154749 0,0000
GP 0,103799 0,005364 19,34961 0,0000
147
5.2.2 Inclusión de variables irrelevantes

irrelevantes.
La inclusión de variables irrelevantes supone no incorporar en la

especificación del modelo una hipótesis cierta, es decir, que el parámetro de
la variable irrelevante en cuestión es igual a cero (0). Como consecuencia,
aunque los estimadores mínimo cuadráticos mantienen sus propiedades, se
estiman con menor precisión, pues no tienen en cuenta dicha información.
Don Pablo ha estado muy atento al desarrollo econométrico realizado por

Emilio, pero en verdad, no comprende varias de las conclusiones a las que su
hijo ha llegado después de efectuar los contrastes tanto individual como
global, por ello, decide preguntar: Emilio, me parece que te confundes en tus
explicaciones, por un lado, dices que el precio de la competencia y la renta
personal de nuestros clientes no son individualmente significativas en la
explicación de las ventas de la editorial (PC: 0,7012 ˃ 0,005 y R: 0,3524 ˃
0,05); y luego, afirmas que todas las variables del modelo (incluidas estas dos)
tienen significatividad conjunta, es decir, que son relevantes en la explicación
del modelo. Hijo, ahora dime: el precio de la competencia y la renta personal,
¿deben o no ser incluidas en el modelo que tanto defiendes?
Emilio bastante seguro del procedimiento realizado, le responde a su padre:

Mira papá, por supuesto, que todas las variables incorporadas al modelo son
relevantes para explicar las ventas de la editorial, pero para quedes satisfecho
con mi respuesta, realizaré un último procedimiento con la ayuda de EViews.
Usaremos la opción de variables redundantes, la cual sirve para contrastar la
significación de una o varias variables explicativas incluidas en el modelo de
regresión; si dichas variables son irrelevantes, entonces serán eliminadas del
modelo.
Sobre la ventana del objeto ecuación seleccionamos View → Coefficient

Diagnostics → Redudant Variables Test – Likelihood Ratio y damos clic
como se muestra en la Figura 5.3; en el cuadro de diálogo digitamos separadas
por un espacio, los nombres de las variables individualmente no significativas,
tales como el precio de la competencia (PC) y la renta personal (R) como se
muestra en la Figura 5.4 y damos OK. EViews realiza un contraste en el que
EL
EL USO DE LA USO
USO DE
DELA
LAECONOMETRIA
ELECONOMETRÍA BÁSICA
ECONOMETRIABASICA
BASICA 154
154
148
la
la hipótesis nula especifica
hipótesis nula especifica que los
los coeficientes de
de las variables
variables redundantes
la hipótesis nula especifica que
que los coeficientes
coeficientes de las
las variablesredundantes
redundantes
son
son iguales
iguales a cero.
a cero.
son iguales a cero.
Contraste de hipótesis:
Hipótesis
Hipótesis nula
nula Hipótesis
Hipótesisalternativa
alternativa
ℋ0 : El precio de la competencia y la ℋ𝑎𝑎 : El precio de la competencia y
El precio
ℋ00:: El
ℋ precio de
de la
la competencia
competencia yy la ℋ𝑎𝑎𝑎𝑎::El
la Frente ℋ Elprecio
preciode
delalacompetencia
competenciayy
renta personal son conjuntamente frente Frente la renta personal son conjunta-
renta personal
renta personal son conjuntamente Frente lala renta
son conjuntamente renta personal
personal sonson conjunta-
conjunta-
irrelevantes en el modelo. mente relevantes en el modelo.
irrelevantes en el modelo.
irrelevantes en el modelo. mente relevantes en el modelo.
mente relevantes en el modelo.
Figura 5.4
Figura 5.3
Figura 5.3
Figura 5.3 Figura5.4
Figura 5.4
Si
Si analizamos
analizamos el el estadístico
estadístico de máxima
máxima verosimilitud (Log (Log Likelihood
Si analizamos el estadístico de de máxima verosimilitud
verosimilitud (Log Likelihood
Likelihood
ratio) que se muestra
muestra en en la
la Tabla
Tabla 5.2,
5.2, no
no rechazamos
rechazamos lala hipótesis
hipótesis nula
nula del
ratio) que se muestra en la Tabla 5.2, no rechazamos la hipótesis nuladel
ratio) que se del
contraste,
contraste, pues la
pues la probabilidad
probabilidad de de equivocarnos
equivocarnossisilo lohiciéramos
hiciéramoses esde
de0,3797,
0,3797,
contraste, pues la probabilidad de equivocarnos si lo hiciéramos es de 0,3797,
oo sea,
sea, (37,97%
(37,97% > > 5%),
5%), por lo lo tanto, podemos
podemos considerar que que el preciode de la
o sea, (37,97% > 5%), porpor lo tanto,
tanto, podemos considerar
considerar queelelprecio
precio delala
competencia
competencia (PC)(PC) yy lala renta personal
personal (R) no no son variables
variables redundantesen en el
competencia (PC) y la renta
renta personal (R)(R) no son
son variablesredundantes
redundantes enelel
modelo
modelo que explica las
que explica las ventas dede la editorial.
editorial. Además,podemos
podemos observarque que
modelo que explica las ventas
ventas de lala editorial. Además,
Además, podemosobservar
observar que
el
el coeficiente
coeficiente dede determinación
determinación ajustado del del modelosin sin variablesredundantes
redundantes
el coeficiente de determinación ajustado
ajustado del modelo
modelo sinvariables
variables redundantes
es
es de
de 91,89%, levemente superior
91,89%, levemente superior (cuando el el precio dede la editorialyyelelgasto
gasto
es de 91,89%, levemente superior (cuando
(cuando el precio
precio delalaeditorial
editorial y el gasto
en
en publicidad
publicidad son son laslas únicas variables
variables explicativas) alal coeficiente
coeficiente de
en publicidad son las únicas
únicas variables explicativas)
explicativas) al coeficiente de de
determinación
determinación ajustado del
ajustado del modelo
modelo original
original de
de 91,84%
91,84% (91,89%
(91,89%--91,84%
91,84%==
determinación ajustado del modelo original de 91,84% (91,89% - 91,84% =
0,05%),
0,05%), lolo que
que indica que que en nuestro
nuestro modelo no no estamosincluyendo
incluyendo ninguna
0,05%), lo que indica
indica que en en nuestro modelo
modelo no estamos
estamos incluyendoninguna
ninguna
149
variable irrelevante; o dicho en otras palabras, las variables incluidas en el

modelo hasta el momento son relevantes. Por otra parte, podemos comprobar
que las variables PE y GP que permanecen en la ecuación son individualmente
significativas, ya que la probabilidad de rechazar la hipótesis nula de que sus
coeficientes son iguales a cero siendo cierta es inferior a 0,05 (PE → Prob.
0,0000 > 0,05 y GP → Prob. 0,0000 > 0,05).
Tabla 5.2
Tabla 5.2
Prueba de variables
Pruebaredundantes.
de variables
redundantes
Tabla 5.2. Prueba de variables redundantes
NullNull
hypothesis: PC PC
hypothesis: R areR jointly insignificant
are jointly insignificant
Specification: V C PE PC GP
Specification: V C PE PC GP R R
Redundant
Redundant variables:
variables: PC RPC R
TestTest Statistic
Statistic ValueValue df df Probability Probability
F-statistic
0,868081 (2, 35)
(2, 35) 0,4286
0,4286
Likelihood
Likelihood ratio ratio 1,936543
1,936543 2 2 0,3797
0,3797
F-test summary:
F-test summary:
Test SSR 569,3737 1 284,6869
TestRestricted
SSR SSR
569,3737
12.047,61
1 37 284,6869
325,6110

Restricted SSR
Unrestricted LogL 12.047,61
11.478,23 37 35 325,6110
327,9495
Unrestricted LogL
LR test summary: 11.478,23 35 327,9495
LR test summary: Value
Restricted LogL Value -170,9124

Unrestricted
Restricted LogL LogL -169,9441
-170,9124
RestrictedLogL
Unrestricted Test Equation -169,9441
Dependent
Restricted Variable: V
Test Equation
Method: Least
Dependent Variable: V Squares
Sample: 2009Q1: 2018Q4
Sample: 2009Q1: 2018Q4
Included observations: C 40
-2,209645 0,428662
-5,154749 0,0000
Variable PE Coefficient Std. Error
0,103799 0,005364t-Statistic 19,34961 Prob. 0,0000
C GP -2,209645
283,82700,428662
46,02427 -5,154749 6,166899 0,00000,0000
R-squared PE 0,103799
0,9230910,005364
Mean dependent 19,34961
var 0,0000
344,7425
GP
Adjusted R-squared 283,8270
0,91893446,02427
S.D. dependent6,166899
var 0,0000
63,37666
S.E. of regression
R-squared 18,04469
0,923091 Mean Akaike
dependentinfovarcriterion 8,695619
344,7425
Sum squared
Adjusted R-squaredresid 12.047,61
0,918934 Schwarz var
S.D. dependent criterion 8,822285
63,37666
Log likelihood
S.E. of regression -170,9124 Hannan-Quinn
18,04469 Akaike info criterion criterion 8,741417
8,695619
F-statistic
Sum squared resid 222,0439 Durbin-Watson
12.047,61 Schwarz criterion stat 1,696297
8,822285
150
Emilio: ¡Papá!, ¿comprendes ahora por qué los resultados del modelo
donde se incluye solamente la variable precio no son relevantes? Ni la
estimación, ni el valor de la t son fiables.
Don Pablo: Comprendo, pero entonces, también tu modelo tiene

problemas, ya que las variables precio de la competencia de la competencia y
renta personal no son relevantes individualmente.
Emilio: Si bien es cierto, que el precio de la competencia y la renta personal

no son individualmente significativas, conjuntamente si lo son. Veo que tú
estás confundiendo las cosas nuevamente. Te lo demostraré.
5.3 Análisis
Análisisde
delalaestabilidad
estabilidadestructural
estructural.
Siguiendo a Carrascal et al, (2004: 187), una de las hipótesis que

suponemos cumple el modelo de regresión especificado es que los coeficientes
se mantienen constantes para todo el periodo muestral. Sin embargo, es
posible que existan submuestras para las que el comportamiento del modelo y
su estructura sea diferente, siendo necesario contrastar esta posibilidad.
EViews ofrece varias alternativas para analizar la estabilidad de los
parámetros del modelo a partir de los contrastes de Chow y la estimación
recursiva.
5.3.1 Contraste
5.3.1 Contraste de
de Chow.
Chow
El test de Chow es un contraste estadístico para detectar un posible cambio

estructural, es decir, un cambio profundo en el sistema que se trata de
representar a través de un modelo y que provoque que los coeficientes del
modelo dejen de ser constantes, incumpliéndose de esta forma una de las
hipótesis del modelo básico de regresión lineal. A través de este contraste, lo
que se pretende es comprobar si los parámetros se mantienen constantes a lo
largo de toda la muestra o si cambian de un valor a otro.
El hecho de que no haya estabilidad en los parámetros genera el mismo

efecto que la falta de linealidad, pues el modelo estaría mal especificado y las
EL
EL USO
ELUSO DE
USODE LA
DELA ECONOMETRIA
LAECONOMETRIA
ECONOMETRIA BASICA
BASICA 157
BASICA 157
157
EL USO
MARIO EDUARDO DE LAVILLOTA
HIDALGO ECONOMETRIA BASICA 157
151
estimaciones
estimaciones serían
estimacionesserían sesgadas
sesgadaseeeeinconsistentes,
seríansesgadas inconsistentes,
inconsistentes,lolocual
cual significa
cualsignifica que
significaque
queelelmétodo
método
estimaciones serían sesgadas inconsistentes, lolocual significa que elelmétodo
método
de
de estimación
estimación
de estimación deja
deja
estimación deja de
de
deja de ser
ser
de ser válido,
válido,
ser válido, por
por
válido,por ese
ese
porese motivo
motivo
esemotivo detectar
detectar
motivodetectar lala inestabilidad
inestabilidad
inestabilidadde
detectarlalainestabilidad de
de dede
parámetros
parámetros
parámetroses es fundamental.
esfundamental.
fundamental.
parámetros es fundamental.
La
Lahipótesis
La hipótesisnula
hipótesis nulade
nula deestabilidad
de estabilidadestructural
estabilidad estructuralplantea
estructural planteaun
plantea unsolo
solomodelo
solo modelopara
modelo parael
para el
La hipótesis nula de estabilidad estructural plantea ununsolo modelo para el el
conjunto
conjunto de
conjunto de las
de las observaciones
las observaciones (el
observaciones (el modelo
(el modelorestringido),
modelo restringido),mientras
restringido), mientrasque
mientras quela
que la
conjunto de las observaciones (el modelo restringido), mientras que la la
hipótesis
hipótesis alternativa
alternativa establece
establece un
un comportamiento
comportamiento diferente
diferente en cada grupo en
hipótesis alternativa
hipótesis alternativa establece
estableceununcomportamiento diferenteenen
comportamientodiferente cada
encada grupo
grupoenen
cadagrupo en
el
el que
que se
se divide
divide lalamuestra.
muestra. Por
Porlolotanto,
tanto,elelmodelo
modelosin
sinrestringir
restringir esesaquel enen
aquel el el
el que
el que sese divide
divide la la muestra.
muestra.Por
Porlolotanto,
tanto,elelmodelo
modelosin
sinrestringir
restringiresesaquel
aquelenen
el el
que
que los
los parámetros
parámetros pueden
pueden cambiar
cambiar dedeuna
una submuestra
submuestra a aotra.
otra.
que los
que los parámetros
parámetros pueden
puedencambiar
cambiarde deuna
unasubmuestra
submuestraa aotra.
otra.
La
La hipótesis
hipótesis nula
nula dede estabilidad
estabilidad estructural
estructuraly la hipótesis alternativa de
La hipótesis
La hipótesis nula
nula dede estabilidad estructuralyyylala
estabilidadestructural hipótesis
lahipótesis alternativa
alternativadede
hipótesisalternativa de
cambio
cambio estructural
estructuralen
en términos
términos de
delos
losparámetros
parámetros se definen como:
cambio estructural
cambio estructural en
entérminos
términosde delos parámetrossese
losparámetros definen
sedefinen como:
definencomo:
como:
ͳ ʹ ͳ ʹ
ͳ0 0
ʹ 0ͳ 0ʹ
ͳ0 ʹ 0 ͳ 0 ʹ 0
ͳ ʹ ͳ ʹ
1 00 2 00 100 20 0
1 12 11 12
H0 = 1
11 = 2
2 1 H1 = 1
1 1 = 2
2 1
H =
H00 =
=
1 =
=
1 H1 = 1 = 1
HH1 1== ==
……
……
……
1 1 1 1
H =
…
…
0
…
…
ͳ ʹ ͳ ʹ
…
ͳk kʹ kͳ kʹ
ͳk ʹ k ͳ k ʹ k
ͳ ʹ ͳ ʹ
k k k k
k k k k
Contraste de hipótesis
Contraste de
Contraste de hipótesis
de hipótesis
hipótesis
Contraste
Hipótesis
Hipótesis nula
nula Hipótesis alternativa
Hipótesisalternativa
alternativa
ℋ0 : No hay Hipótesis nula
cambio estructural ℋ𝑎𝑎 : Hay Hipótesis
cambio estructural en
ℋ : No hay cambio estructural Frente
No hay cambio estructural Frente
ℋ00el:: modelo. ℋ
frente los 𝑎𝑎 : Hay cambio estructural
: Hay
ℋparámetros cambio estructuralenen
en
en
ℋ 0 No hay cambio estructural ℋ 𝑎𝑎 Hay cambio
: del modelo.
estructural
Frente los parámetros del modelo.
𝑎𝑎
en
en el
el modelo.
modelo. Frente los parámetros del modelo.
en el modelo. los parámetros del modelo.
Para realizar el contraste de Chow en EViews, abrimos el archivo de trabajo
Para realizar
Para3.1,
realizar el contraste
elcontraste
contraste de Chow
deChow
Chow en EViews,
enyEViews,
EViews, abrimos el archivo
abrimosizquierdo de trabajo
Tabla
Para pulsando
realizar el la techa de CTRLen con elabrimos
botón elelarchivo
archivode detrabajo
del trabajo
ratón
Tabla 3.1,
Tabla 3.1, pulsando
3.1, pulsando
pulsando la techa CTRL y con el botón izquierdo del ratón
seleccionamos
Tabla lala techa
las variables techa V, CTRL
CTRL PE,yyPC, con el
con elbotón
GP botón izquierdo
y Rizquierdo
en dichodel del ratón
orden.
ratón
seleccionamos
seleccionamos abrimoslas variables
las variables
variables V,
V, PE,
PE, PC, PC, GP
PC, como y R
GP yecuación, en
y RR enen dicho dicho orden.
dicho orden.
orden.
Posteriormente,
seleccionamos las el grupoV, dePE,variables GP obteniendo la
Posteriormente,
Posteriormente,
estimación abrimos el
abrimoselelgrupo
del modelo. grupo
grupode de variables
devariables
variablescomocomo ecuación,
comoecuación, obteniendo
obteniendola la
ecuación,obteniendo la
Posteriormente, abrimos
estimación
estimación deldel modelo.
del modelo.
modelo.
estimación
Para analizar la estabilidad del modelo, situados en la ventana del objeto
Para analizar
Para analizar
analizar la estabilidad
la estabilidad
estabilidad del modelo,
delmodelo,
modelo, situados
Stabilityenen
situados en la ventana del objeto
ecuación
Para seleccionamos
la la opción
del View →situados lalaventana
ventanadel
Diagnostics → delobjeto
objeto
Chow
ecuación seleccionamos
ecuación seleccionamos
seleccionamos la opción View → Stability Diagnostics → Chow
Breakpoint
ecuación Test y damos clic lala opción
opción
como se View
View →Stability
muestra
→ Stability
en la Figura Diagnostics
5.5. En el
Diagnostics →→ Chow
cuadro
Chow
Breakpoint
de diálogo queTest y damos
Testseyyabre clic
editamos como se
el número muestra
2013, en la Figura 5.5. En el cuadro
Breakpoint
Breakpoint Test damos
damos cliccomo
clic como sesemuestra
muestra enenvalor que 5.5.
lalaFigura
Figura corresponde a la
5.5.EnEnelelcuadro
cuadro
de diálogo
mitad que
del periodo
de diálogo
diálogo que sese
sede abre editamos
la editamos
abre muestra el número
editamosanalizada 2013,
(2009-2018) valor que
yque
damos corresponde
OK comoa se aa la
de que abre elelnúmero
número 2013,valor
2013, valor quecorresponde
corresponde la la
mitad del
mitad del periodo
del periodo
periodo de de la muestra
de lalamuestra analizada
muestraanalizada (2009-2018)
analizada(2009-2018) y
(2009-2018)y ydamos damos
damosOK OK
OKcomocomo
comosese se
mitad
ELECONOMETRÍA
USO DE LA ECONOMETRIA BASICA 158
158
EL USO DE LA BÁSICA
152
indica
indica en
en la
la Figura
Figura 5.6.
5.6. Lo
Lo anterior
anterior genera
genera una
una partición
partición del
del conjunto
conjunto total
total de
de
observaciones en dos: una submuestra de 2009 a 2013 y otra de 2014 a 2018.
observaciones en dos: una submuestra de 2009 a 2013 y otra de 2014 a 2018.
Figura 5.6
Figura
Figura 5.5
5.5Figura 5.5 Figura
Figura 5.6
5.6
En
En lala Tabla
Tabla 5.3
5.3 aparecen
aparecen loslos estadísticos
estadísticos que
que calcula
calcula EViews
EViews (F-statistic,
(F-statistic,
Log likelihood ratio y Wald statistic) para contrastar un cambio estructural en
Log likelihood ratio y Wald statistic) para contrastar un cambio estructural en
2013. El valor del estadístico F y su probabilidad indican
2013. El valor del estadístico F y su probabilidad indican el no rechazo el no rechazo
(aceptación)
(aceptación) de de la
la hipótesis
hipótesis nula
nula dede estabilidad
estabilidad estructural,
estructural, puesto
puesto que
que la
la
probabilidad de rechazar dicha hipótesis siendo cierta supera
probabilidad de rechazar dicha hipótesis siendo cierta supera el 0,05 (F- el 0,05 (F-
statistic
statistic →
→ Prob.
Prob. FF (5,
(5, 30)
30) →→ 0,2556
0,2556 > > 0,05.
0,05. Igualmente,
Igualmente, los
los estadísticos
estadísticos Log
Log
likelihood ratio y Wald statistic son superiores al 5%; por ende,
likelihood ratio y Wald statistic son superiores al 5%; por ende, concluimos concluimos
que
que en
en el
el modelo
modelo estimado
estimado nono hay
hay ningún
ningún cambio
cambio estructural
estructural en
en el
el año
año 2013.
2013.
Tabla 5.3Tabla
Tabla 5.3
5.3
Prueba de Chow.
Prueba
Prueba del
del punto
punto de
de quiebre
quiebre de
de Chow
Chow
Null hypothesis: No braksTabla at specifiedPrueba
breakpointspunto de quiebre de Chow

Tabla 5.3.
5.3. Prueba del
del punto de quiebre de Chow
Varying
Null regressors: Allbraks
equationspecified
variables
Null hypothesis:
hypothesis: NoNo braks at at specified breakpoints
breakpoints
Equation
VaryingSample:
Varying 2009Q1
regressors:
regressors: All 2018Q4variables
All equation
equation variables
Equation
F-statistic Sample: 2009Q1
Equation Sample: 2009Q1 2018Q4 2018Q4
2,349641 Prob. F(3, 34) 0,0898
F-statistic
2,349641 Prob.
Prob. F(3,
F(3, 34)
34) 0,0898
0,0898
Log
Log
likelihood ratio 7,536164 Prob. Chi-Square (3) 0,0566
Log likelihood
likelihood ratio
ratio 7,536164
7,536164 Prob.
Prob. Chi-Square
Chi-Square (3)
(3) 0,0566
0,0566
Wald
Wald Statistic
Statistic 7,048924 Prob.Prob.
7,048924 Chi-Square (3) (3)
Chi-Square 0,0704 0,0704
Wald Statistic 7,048924 Prob. Chi-Square (3) 0,0704
153
5.3.2 Contraste de predicción de Chow.
La idea de este contraste consiste en comparar si las últimas observaciones

muestrales disponibles presentan cambios respecto a las anteriores. Los
estadísticos del contraste son dos: el estadístico F y el estadístico χ2 de
razón de verosimilitud. El primero campara la suma cuadrada de los
residuos (𝜇´𝜇) del modelo estimado con el total de observaciones (T) con
la suma cuadrada de los residuos (𝜇1´𝜇1)
1 1 ) del modelo que utiliza solo una
parte (T1) de la muestra.
Para realizar este contraste, en la ventana del objeto ecuación seleccionamos

View → Stability Diagnostics → Chow Forecast Test y damos clic como se
muestra en la Figura 5.7. En el cuadro de dialogo que se abre a continuación
editamos nuevamente el año 2013 y damos OK (véase Figura 5.8).
Figura 5.8
Figura 5.7
Los resultados de la Tabla 5.4 incluyen los valores de los estadísticos de

contraste de la submuestra 2013Q1 a 2018Q4 y la estimación del modelo para
la submuestra 2009Q1 a 2012Q4. Las probabilidades de los estadísticos F y
del estadístico χ2 de razón de verosimilitud son superiores a 0,05 (F-statistic
→ 0,7512 > 0,05 y Likelihood ratio → 0,0791 > 0,05); por consiguiente, no
se rechaza la hipótesis nula de estabilidad estructural. En conclusión, en el
modelo estimado no se produce un cambio estructural en el año 2013.
154
Tabla 5.4
Prueba de pronóstico de Chow.
Specification: V C PE GP
Test predictiones for observationes from 2013Q1 to 2018Q4
F-statistic 0,735816 (24, 13) 0,7512
Likelihood ratio 34,31985 24 0,0791
F-test summary:
Test SSR 6.939,290 24 289,1371
Restricted SSR 12.047,61 37 325,6110
Unrestricted SSR 5.108,32 13 392,9474
LR test summary:
Value
Unrestricted log likelihood adjusts test equation results to account for
observations in forecast sample.

Restricted Test Equation
Sample: 2009Q1: 2012Q4
C 158,6530 96,11745 1,650616 0,1228
PE -0,526595 0,999896 -0,526650 0,6073
GP 0,085096 0,011424 7,449110 0,0000
Prob(F-statistic)
155
5.3.3 Estimación de residuos

residuos recursivos
recursivos.
Una buena manera de empezar a comprobar si los residuos muestran o no

un comportamiento adecuado, es a través de su análisis gráfico. En este
apartado se analizará el comportamiento de los residuos del modelo estimado
(3.6).
Otra alternativa para analizar la estabilidad del modelo es la estimación

recursiva. Esta técnica es adecuada cuando trabajamos con series temporales
y se desconoce el momento en que se ha producido un cambio estructural, por
lo que el análisis de la estabilidad del modelo se realiza en forma general.
La forma en que EViews presenta los resultados de la estimación recursiva

y el análisis de la estabilidad del modelo que de ella se deriva es mediante las
representaciones gráficas de los coeficientes y de los residuos recursivos. Para
ello seleccionamos View → Stability Diagnostics → Recursive Estimates
(OLS only) y damos clic como se muestra en la Figura 5.9. En la ventana de
diálogo que se abre a continuación, elegimos la opción Recursive Residuals y
damos OK (Figura 5.10).
Figura 5.10

Figura 5.9
ELECONOMETRÍA
EL USO DE LA USO DE LA ECONOMETRIA
BÁSICA BASICA 162
156 60
10
El gráfico obtenido (Figura 5.11) muestra la variación de los residuos

El gráfico20obtenido (Figura 5.11) muestra la variación de los residuos
recursivos. La serie de residuos toma valores positivos y negativos, y que, a
recursivos. La serie de residuos toma valores positivos y negativos, y que, a
primera vista, 0no parece haber ninguna pauta inestable en su comportamiento,
primera vista, no parece haber ninguna pauta inestable en su comportamiento,
lo que indica-20
en cierto modo, que los residuos recursivos han sido constantes,
lo que indica en cierto modo, que los residuos recursivos han sido constantes,
manteniéndose dentro de los límites (bandas de ±2 veces su desviación
manteniéndose-40 dentro de los límites (bandas de ±2 veces su desviación
estándar), a excepción del cuarto trimestre de 2011, y el tercer trimestre de
estándar), a excepción del cuarto trimestre de 2011, y el tercer trimestre de
2013, donde -60
los residuos se salen ligeramente de las bandas. En conclusión,
2013, donde los residuos
2010 2011 se2012
salen2013
ligeramente
2014 2015 de2016
las bandas.
2017 En conclusión,
2018
los residuos obtenidos parecen comportarse como variables aleatorias
los residuos obtenidos parecenRecursive comportarse
Residuals +-como
2 S.E. variables aleatorias
incorrelacionadas.
incorrelacionadas.
60 60
60
40
40
10
20
20 20
0
0 0
-20
-20 -20
-40
-40 -40
-60
-60 2010 -60
2011 2012 2013 2014 2015 2016 2017 2018
2010 2011 2012 2013 2014 2015 2016 2017 2018
2010 2011 2012 2013 2014 2015 2016 2017 2018
Recursive Residuals ± 2 S.E.
Recursive Residuals ± 2 S.E.
Recursive Residuals +- 2 S.E.

Figura 5.11
5.3.4 Estimación de coeficientes recursivos

5.3.4 Estimación de coeficientes
5.3.4 coeficientesrecursivos
recursivos.
El gráfico de los coeficientes recursivos representa el comportamiento de

El gráfico de los coeficientes recursivos representa el comportamiento de
cada uno de los estimadores al ir añadiendo observaciones a la muestra con la
cada uno de los estimadores al ir añadiendo observaciones a la muestra con la
que se realiza la estimación. Las series de coeficientes se muestran junto con
que se realiza la estimación. Las series de coeficientes se muestran junto con
sus bandas de confianza (± 2 veces su desviación estándar) lo que permite
sus bandas de confianza (± 2 veces su desviación estándar) lo que permite
intuir la presencia de inestabilidad en el modelo si los coeficientes sufren
intuir la presencia de inestabilidad en el modelo si los coeficientes sufren
grandes cambios al ir variando la muestra, es decir, si no se mantienen
grandes cambios al ir variando la muestra, es decir, si no se mantienen
aproximadamente constantes.
aproximadamente constantes.
EViews realiza el gráfico de los coeficientes recursivos seleccionando en

EViews realiza el gráfico de los coeficientes recursivos seleccionando en
la ventana del objeto ecuación View → Stability Diagnostics → Recursive
la ventana del objeto ecuación View → Stability Diagnostics → Recursive
157
Estimates (OLS only) y damos clic. Posteriormente, en el cuadro de opciones

Estimates (OLS
que se abre, only) yladamos
elegimos opciónclic. Posteriormente,
Recursive en ely cuadro
Coefficientes damos de
OKopciones
(Figura
que se abre, elegimos la opción Recursive Coefficientes y damos
5.12). En la ventana de la derecha del cuadro Coefficients Display OK (Figura
List
5.12). En la ventana de la derecha del cuadro Coefficients Display
podemos escribir la lista de gráficos que queremos ver representados, aunque List
podemos escribir
por defecto EViewsla lista de gráficos
incluye todos. que queremos ver representados, aunque
por defecto EViews incluye todos.
Figura 5.12
Figura 5.12
Figura 5.12
La representación gráfica de los coeficientes recursivos para el modelo

La representación
estimado que aparecen gráfica de los coeficientes
a continuación, recursivos
nos permite paraun
realizar el modelo
análisis
estimado que aparecen a continuación, nos permite realizar
interesante. El examen de dichos gráficos, en los que es necesario fijarse un análisis
en la
interesante. El examen de dichos gráficos, en los que es necesario
escala de medida del eje de las ordenadas (línea vertical) para apreciar fijarse en la
la
escala de medida del eje de las ordenadas (línea vertical) para apreciar
magnitud de las variaciones, indica que existe constancia de los valores de los la
magnitud deal
estimadores lasirvariaciones, indicaobservaciones,
añadiendo nuevas que existe constancia de los valores
lo que permite concluirdeque
los
estimadores al ir añadiendo
el modelo estimado (3.6) esnuevas
estable.observaciones, lo que permite concluir que
el modelo estimado (3.6) es estable.
158
600
400
200
-200
-400
09 10 11 12 13 14 15 16 17 18
Recursive C (1) Estimates

+- 2S.E-
-20
-4
09 10 11 12 13 14 15 16 17 18

+- 2S.E-
.14
.12
.10
.08
.06
.04
09 10 11 12 13 14 15 16 17 18

+- 2S.E-
Figura 5.13
159
5.3.5 El
5.3.5 El contraste de
de CUSUM de mala especificación.
CUSUM de especificación
Según Alonso et al, (2005), la incorrecta especificación de un modelo

afecta a la elección de la parte sistemática del modelo y no a los supuestos
sobre el comportamiento de las perturbaciones. En ocasiones un análisis
cuidadoso de los residuos puede no ser muy informativo respecto de la
idoneidad del modelo, por lo que parece lógico pensar en utilizar instrumentos
más potentes que el análisis gráfico. Para superar esta limitación, la
econometría ha desarrollado un conjunto de pruebas como el contraste de
CUSUM.
El gráfico del valor del estadístico CUSUM se calcula en EViews al 95%

de nivel de confianza; este se obtiene seleccionando en la ventana del objeto
ecuación View → Stability Diagnostics → Recursive Estimates (OLS only) →
CUSUM y damos clic como se muestra en la Figura 5.14. En el cuadro de
opciones de estimación recursiva (Recursive Estimation) elegimos la opción
CUSUM Test y damos OK (Figura 5.15).
Figura 5.15
Figura 5.14

A continuación se visualiza el gráfico del estadístico CUSUM, el cual

A continuación
indica se tienen
que los residuos visualiza el gráfico del estadístico
un comportamiento normal, enCUSUM, el cual
ningún momento
indica
se salenque
delos
losresiduos tienen
límites de un comportamiento
control, normal,
es decir, del espacio en ningún
definido momento
por las bandas
se salen de los límites de control, es decir, del espacio definido por
con línea punteada (véase Figura 5.16). Por consiguiente, hay evidencia las bandas
de
con línea punteada (véase Figura 5.16). Por consiguiente,
que no existen problemas de especificación en el modelo (3.6). hay evidencia de
que no existen problemas de especificación en el modelo (3.6).
20
20
20
15
15
10
15
10
5
10
5
0
0 0
-5
-5
-10 -5
-10
-15
-15
-15
-20
2010 2011 2012 2013 2014 2015 2016 2017 2018
-20 -20
2010 2011 2012 2013 2014 2015 2016 2017 2018
2010 CUSUM
2011 2012 5% Significance
2013 2014 2015 2016 2017 2018
CUSUM 5% Significance
CUSUM 5 % Significance
Figura 5.16
Nuevamente seleccionamos View → Stability Diagnostics → Recursive
Nuevamente
Estimates seleccionamos
(OLS only) → CUSUM View → Stability
y damos clic. EnDiagnostics
el cuadro de→opciones
Recursive
de
Estimates (OLS only) → CUSUM y damos clic. En el cuadro de
estimación recursiva (Recursive Estimation) elegimos CUSUM of Squaresopciones de
estimación
Test y damosrecursiva
OK como (Recursive en la Figuraelegimos
se muestraEstimation) 5.17. CUSUM of Squares
Test y damos OK como se muestra en la Figura 5.17.
Recursive Estimation
Coeffcient display list
Recursive Residuals c(1) c(2) c(3)
CUSUMTest
CUSUMof Squares Test
One-Step Forecast Test
N-Step Forecast Test
Recursive Coefficients
Save Results as series OK Cancel
Figura 5.17
EL USO EL USO DE LA ECONOMETRIA BASICA
DE LAVILLOTA
167
MARIO EDUARDO HIDALGO
161
El
El gráfico
gráfico resultante
resultante de
de esta
esta prueba
prueba (véase
(véase Figura
Figura 5.18)
5.18) indica
indica que
que aa un
un
nivel de significancia estadística de 5%, los residuos se mueven dentro de
nivel de significancia estadística de 5%, los residuos se mueven dentro de loslos
límites
límites definidos
definidos por
por las
las líneas
líneas punteadas,
punteadas, por
por lo
lo tanto,
tanto, el
el modelo
modelo no
no tiene
tiene
ningún problema de especificación.
ningún problema de especificación.
1.4 1.4
1.4
1.2 1.2
1.2
1.0
1.0 1.0
0.8
0.8 0.8
0.6
0.6 0.6
0.4
0.4
0.4
0.2
0.2
0.0
0.2
0.0
-0.2 0.0
-0.2
-0.4 -0.2
-0.4 2010 2011 2012 2013 2014 2015 2016 2017 2018
2010 2011
-0.4 2012 2013 2014 2015 2016 2017 2018
CUSUM
2010 of Squares
2011 2012 2013 5%2014
Significance
2015 2016 2017 2018
CUSUM of Squares 5% Significance
CUSUM of Squares 5 % Significance
Figura
Figura 5.18
5.18 Figura 5.18
5.3.6
5.3.6 Error
5.3.6 Error de
de
Error de especificación
especificación de
de la
la forma
la forma funcional
funcional
1.4especificación funcional.
1.2
Los
Los errores
errores1.0de
de especificación
especificación debidos
debidos aa la
la formulación
formulación incorrecta
incorrecta de
de una
una
expresión lineal
0.8 para el modelo de regresión pueden ser estudiados utilizando
expresión lineal para el modelo de regresión pueden ser estudiados utilizando
el
el contraste
contraste RESET
0.6
RESET propuesto
propuesto por
por Ramsey
Ramsey enen 1969.
1969. En
En realidad,
realidad, se
se trata
trata de
de
0.4
un contraste general
un contraste general
0.2
para detectar errores de especificación de un modelo
para detectar errores de especificación de un modelo que que
puede
puede utilizarse en particular para
utilizarse
0.0 en particular para analizar
analizar un
un error
error en
en la
la formulación
formulación lineal
lineal
del modelo.
del modelo. -0.2
-0.4
2010 2011 2012 2013 2014 2015 2016 2017 2018
El
El análisis
análisis de
de la
la hipótesis de
de linealidad
hipótesisCUSUM linealidad
of Squares
del
5del
modelo
modelo se
% Significance se realiza
realiza contrastando
contrastando
la
la restricción de que el coeficiente de la potencia de la variable dependiente
restricción de que el coeficiente de la potencia de la variable dependiente
estimada
estimada es igual a cero. Si la hipótesis nula se rechaza, la conclusión es
es igual a cero. Si la hipótesis nula se rechaza, la conclusión es que
que
la
la forma funcional lineal del modelo inicialmente especificado es incorrecta yy
forma funcional lineal del modelo inicialmente especificado es incorrecta
debe
debe incluir
incluir la
la no
no linealidad
linealidad detectada
detectada
Para
Para ejecutar
ejecutar el
el contraste
contraste RESET
RESET enen EViews
EViews procedemos
procedemos aa realizar
realizar el
el
siguiente procedimiento: en la ventana del objeto ecuación seleccionamos
siguiente procedimiento: en la ventana del objeto ecuación seleccionamos
View
View →→ Stability
Stability Diagnostics
Diagnostics →→ Ramsey
Ramsey RESET Test yy damos
RESET Test damos clic
clic como
como sese
muestra
muestra en la Figura 5.19. A continuación, en la ventana de diálogo que se
en la Figura 5.19. A continuación, en la ventana de diálogo que se
abre, indicamos el número de potencias de la variable endógena ajustada

(Number
abre, of fittedelterms)
indicamos a incluir
número empezando
de potencias de por el cuadrado,
la variable en nuestro
endógena caso
ajustada
abre,
por indicamos
defecto
(Number of fittedelterms)
dejamos número
1 (se de potencias
añadirá
a incluir de por
el cuadrado
empezando ladevariable endógena
ellacuadrado,
variable ajustada
dependiente)
en nuestro y
caso
(Number
damos of como
OK,
por defecto fitted
dejamosterms)
se indicaa incluir
1 (se empezando
en la Figura
añadirá 5.20. pordeellacuadrado,
el cuadrado variable en nuestro caso
dependiente) y
por defecto dejamos 1 (se añadirá el cuadrado
damos OK, como se indica en la Figura 5.20. de la variable dependiente) y
damos OK, como se indica en la Figura 5.20.
Figura 5.20

Figura 5.19
En la aplicación del contraste RESET formulamos Figura
Figura 5.19 5.20 hipótesis:
las siguientes
En la aplicación del contraste RESET formulamos
Hipótesis nula las siguientes
Hipótesis hipótesis:
alternativa
En la aplicación del
Hipótesis nula
contraste RESET formulamos las siguientes hipótesis:
ℋ0 : El modelo es lineal es sus ℋ𝑎𝑎 : Existe alguna variable
Hipótesis
Hipótesisnula
nula Hipótesis alternativa
Frente independiente
parámetros (el error es
ℋ0 : El modelo es lineal es sus ruido ℋ𝑎𝑎 : Hipótesis
Existe dealternativa
orden superior
alguna al
variable
H0: El
blanco). modelo es lineal es sus sus Frente Ha:ℋ de Existe alguna variable inde-
ℋ 0 : El modelo
parámetros (el es lineal
error es esruido 𝑎𝑎 :la Existe
lineal
independiente que
de influye
alguna
orden en al
la
variable
superior
parámetros (el error es ruido frente
Frente pendiente
variable de orden superior
dependiente. al de la
parámetros
blanco). (el error es ruido independiente
de la lineal de
queorden superior
influye en al
la
blanco). lineal que influye en la variable de-
blanco). de la lineal
variable que influye en la
dependiente.
pendiente.
El resultado de la Tabla 5.5 nos muestra los variable
valoresdependiente.
del estadístico F usual
2
y del estadísticodeχla
El resultado de razón
Tabla 5.5denos
verosimilitud junto con
muestra los valores dellaestadístico
estimación de la
F usual
El resultado
ecuación de
en la que
y del estadístico la
χ se
2 Tabla 5.5 nos
de incorporan muestra los valores
las nuevas variables.
razón de verosimilitud del
junto con La estadístico F usual
probabilidaddedel
la estimación la
2
yecuación
del estadístico
estadísticoenF la χ de razón
(F-statistic) de verosimilitud
de 0,2554las
que se incorporan es nuevas
mayor que junto con
0,05. Por
variables. la estimación
Laende, de la
el resultado
probabilidad del
ecuación
estadístico enF la
obtenido nos que senoincorporan
permite
(F-statistic) rechazar
de 0,2554lalas nuevas
hipótesis
es variables.
nula
mayor que Laende,
probabilidad
de linealidad
0,05. Por a el niveldel
unresultadode
estadístico
significancia
obtenido nosF (F-statistic)
permite de 0,2554
de 5%, aportando
no rechazar la es mayor
evidencia que
de que
hipótesis 0,05.
nulael Por ende,
demodelo (3.6)a el
linealidad unresultado
es lineal es
nivel de
obtenido nos permite
sus parámetros.
significancia no rechazar
de 5%, aportando la hipótesis
evidencia nulaeldemodelo
de que linealidad
(3.6)a es
un lineal
nivel de
es
significancia
sus parámetros. de 5%, aportando evidencia de que el modelo (3.6) es lineal es
sus parámetros.
163
Tabla 5.5
Contraste de RESET de Ramsey.
Specification: V C PE PC GP R
Omitted Variables: Squares of fitted values
t - statistic 34 0,2554
F-statistic (1, 34) 0,2554
Likelihood ratio 1 0,2140
F-test summary:
Test SSR 434,6896 1 434,6896
Restricted SSR 11.478,23 35 327,9495
Unrestricted SSR 11.043,54 34 324,8101
LR test summary:
Value

Unrestricted Test Equation
Sample: 2009Q1: 2018Q4
C 200,1609 70,19775 2,851387 0,0073
PE -0,977096 0,945852 -1,033033 0,3089
PC 0,075221 0,329235 0,228472 0,8206
GP 0,054509 0,040039 1,361392 0,1823
R 0,000816 0,003242 0,251808 0,8027
FITTED^2 0,000689 0,000596 1,156844 0,2554
164
5.3.7 Normalidad de
de las
las perturbaciones
perturbaciones.
La hipótesis de normalidad de las perturbaciones no es necesaria para la

obtención de los estimadores de los coeficientes de regresión por el método
de mínimos cuadrados ordinarios, pero es fundamental para la aplicación de
otros métodos de estimación y para la realización de inferencia en el modelo.
Debido a ello, es imprescindible un análisis del cumplimiento de esta hipótesis
al analizar los resultados de la estimación.
Dado que las perturbaciones del modelo no son observables, el estudio de

la normalidad se lleva a cabo a partir del análisis de los residuos del modelo.
Si la hipótesis se cumple, la distribución empírica de dichos residuos debería
presentar características similares a las de la distribución normal. EViews
recoge entre sus posibilidades la obtención del histograma de los residuos y el
cálculo de ciertos estadísticos descriptivos para dicha serie, entre los que está
el estadístico Jarque-Bera que contrasta la normalidad de una variable. En el
primer caso, si aproximadamente la distribución de los residuos es una normal,
la representación del histograma debería parecer una campana de Gauss
simétrica y con un apuntamiento similar al de la distribución normal. En el
segundo, como los momentos poblaciones de orden impar de una variable
normal son cero (y por lo tanto, su coeficiente de asimetría también) y su
coeficiente de kurtosis o apuntamiento es 3, tendríamos que encontrar valores
similares a estos al calcular los momentos muestrales de los residuos.
La Figura 5.21 que representa el histograma de los residuos del modelo

permite apreciar que éstos se distribuyen como una distribución normal casi
simétrica, asemejándose a una campana de Gauss.
165
12,5
10,0
7,5
5,0
2,5
0,0
- 40.0000000 - 20,0000000 , 0000000 20,0000000 40,0000000 60,0000000
El contraste de Jarque-Bera plantea en la hipótesis nula la existencia de

normalidad de las perturbaciones y en la alternativa la no normalidad. El
estadístico del contraste es el de los multiplicadores de Lagrange, y se
construye a partir de los coeficientes de asimetría (Skwewness) y de kurtosis
mencionados arriba.
Hipótesis a contrastar:
H0: Existencia dedenormalidad
ℋ 0 : Existencia normalidadde frente ℋ𝑎𝑎 : Existencia de no normalidad
Ha: Existencia de no normalidad
de las perturbaciones del Frente
las perturbaciones del modelo. dedelaslasperturbaciones
perturbacionesdel
delmodelo.
modelo.
modelo.
Para la ejecución de este contraste en EViews, situados en la ventana del

objeto ecuación seleccionamos View → Residual Diagnostics → Histogram
Normality Test y damos
Para la ejecución clic como
de este se muestra
contraste en lasituados
en EViews, Figura 5.22.
en la ventana del
objeto ecuación seleccionamos View → Residual Diagnostics → Histogram
Normality Test y damos clic como se muestra en la Figura 5.22.
166
/
Equation: UNTITLED Worekfile: TAB2:: Prediccion X
View Proc Objet Print Name Freese Estimate Forecast Stats Resids
Representations
Estimation output
Actual, Fitted, Residual
ments
ARMA Structure...
Std. Error t-Statistic Prob.
Gradients and Derivatives
Covariance Matrix 59.81264 4.066106 0.0003
0.492254 -3.886406 0.0004
0.327776 0.386813 0.7012
Coefficient Diagnostics Correlogram - Q -statistics
Residual Diagnostic Correlogram Squared Residuals
Stability Diagnostic Histogram- Normality Test
Label Serial correlation LM Test...
Adjusted R-squared 0.918351
Heteroskedasticity Test...
S.E. of regression 18.10938
Sum squared resid 11478.23 Hannan-Quinn criter. 8.823536
Log likelihood - 169.9441
Durbin-Watson stat 1.670121
F-statistic 110.6643
Prob(F- statistic) 0.000000
Figura 5.22
El resultado del contraste de normalidad de las perturbaciones se visualiza

en la Figura 5.23, el cual se acompaña de una serie de estadísticos como los
nombrados arriba. El análisis de los resultados nos permite comprobar que la
representación gráfica de los residuos mediante su histograma presenta una
serie de observaciones en las colas izquierda y derecha que no concuerda
con la escasa probabilidad de que estas zonas se asemejen a una distribución
normal. Por otro lado, el valor del coeficiente de asimetría (Skewness) de
0,454737 se aproxima a cero y el coeficiente de apuntamiento o Kurtosis
muestral es de 3,547986, ligeramente superior a 3. Finalmente, el estadístico
de Jarque-Bera de 1,879051 y su probabilidad de 0,390813 es superior al 5%
(0,390813 > 0,05), lo cual permite No rechazar la hipótesis nula de normalidad,
por lo tanto, las perturbaciones del modelo tienen una distribución normal.
7 Series: Residuals
Sample 2009Q1 2018Q4
6 Observations 40
5 Mean 4.79e-14
Median -4.034405
4 Maximun 48.68711
Minimun -36.18841
3 Std. Dev. 17.15557
Skewness 0.454737
2 Kurtosis 3.547986
1 Jarque-Bera 1.879051
Probability 0.390813
0
-40 -30 -20 -10 0 10 20 30 40 50
Figura 5.23
167
Don Pablo se siente bastante sorprendido frente a los resultados de los

diferentes contrastes a los que ha sido sometido el modelo de ventas de la
editorial para probar su estabilidad. Hasta ahora, el modelo en discusión ha
superado las pruebas de diagnóstico, lo que produce cierta satisfacción en
Don Pablo, para quien la discusión aún no ha finalizado. Para él, Emilio ha
ganado una batalla más, pero no la guerra. Estaremos atentos a lo que suceda
en los próximos capítulos.
RETO 4:

Capítulo 6
ENCARANDO EL MODELO DE REGRESIÓN

LINEAL GENERAL: PREDICCIÓN
Uno de los principales objetivos de la construcción de un modelo

econométrico es la realización de predicciones, es decir, el pronóstico del
valor que va a tomar la variable dependiente para unos valores dados de las
variables explicativas fuera de las observaciones muestrales.231
La predicción es fiable si el modelo está correctamente especificado, la

relación causal establecida en el modelo se mantiene para las observaciones
fuera de la muestra y conocemos con exactitud el valor de las variables
explicativas en el periodo de predicción (valores conocidos de X). Según
el valor que queramos predecir se distinguen dos tipos de pronóstico:
a) predicción de un valor medio y b) predicción de un valor individual o
predicción por punto. Partimos de la base de que hemos construido un modelo
econométrico satisfactorio del acuerdo al desarrollo del siguiente proceso:
23 En el caso de la editorial, las observaciones muestrales corresponden al periodo 2009:01

a 2018:04, es decir, 40 observaciones. Para la predicción se añadirán observaciones en las
columnas de las variables explicativas para el trimestre 2019:01.
169
Figura 6.1. Proceso

Figura de de
6.1. Proceso construcción demodelo
construcción de un un modelo econométrico
econométrico
Especificación del modelo
Estimación de los parámetros
Contrastes de hipótesis y
validación
Resultado insatisfactorio Resultado satisfactorio
Utilizar el modelo con fines

Re-especificar el modelo
explicativos y predictivos
Fuente: Elaboración
Fuente: Elaboración propia propia
a partir deaAlonso
partiret.deal.,Alonso et. al., (2005:135).
(2005:135)
A estas alturas, Don Pablo ya se ha resignado a no tener toda la razón en

sus planteamientos. En cambio, como es persona curiosa, se preguntará ¿qué
puede hacerse con un modelo como el especificado hasta ahora? Por eso,
interroga a su hijo Emilio:
Don Pablo: Es evidente que este modelito que te has inventado te ha

servido para demostrarme que tenías algo de razón en lo que afirmabas sobre
las ventas de la editorial. Pero supongo que no lo habrás hecho sólo para
convencerme, ¿no? Me imagino que alguna otra utilidad se le podrá encontrar
a tanto tiempo y esfuerzo invertidos.
Emilio: Ya veo que no estás convencido del todo. A mí me parece que

a través del modelo hemos aprendido muchas cosas. No sólo sabemos que
nuestra conjetura inicial sobre el efecto del precio de la editorial y la publicidad
en las ventas es correcta sino que podemos ponerle números a esa influencia.
Sabemos también que el precio de la competencia y la renta personal tienen,
según la evidencia disponible, una relevancia muy reducida y, sabemos por
último, que hemos tenido en cuenta la mayor parte de los factores importantes
puesto que el modelo es capaz de explicar aproximadamente el 92%
(R2 = 0,9184) de las oscilaciones que han registrado nuestras ventas en los
últimos diez años. Acaso, ¿te parece poco?
170
Don Pablo: No es que me parezca poco, pero yo esperaba más. Al fin y al

cabo, todo esto que dices se refiere a lo que ya ha pasado. ¿No puede este
modelo ayudarnos a saber qué va a pasar en el futuro?
Emilio: Si me dices a qué precio quieres vender y cuánto dinero te quieres

gastar en publicidad, y si me dices qué esperas que pase con el precio de la
competencia y la renta personal de nuestros clientes, puedo usar el modelo
para decirte cuánto puedes esperar vender. EL USO DE LA ECONOMETRIA BASICA 169
Don Pablo: Pues mira, a mí me gustaría saber cuánto podemos vender si

mantenemos fijo nuestro último precio, pero en cambio, disminuimos en un 10% el gasto en
el precio de la competencia permanece fijo (valor correspondiente al último
trimestre
publicidad, de 2018)
manteniendo y, si nosotros,
constante la rentamantenemos
personal defijo nuestro
nuestros último precio, pero
clientes.
en cambio, disminuimos en un 10% el gasto en publicidad, manteniendo
Emilio: Muy bien,
constante haré los
la renta cálculos
personal respectivos
de nuestros y te lo diré cuál será el valor de las ventas de
clientes.
la editorial en el primer
Emilio: Muytrimestre de 2019.
bien, haré los cálculos respectivos y te lo diré cuál será el
valor de las ventas de la editorial en el primer trimestre de 2019.
Por consiguiente, se trata de usar el modelo para llevar a cabo una predicción del valor que se
Por las
espera alcancen consiguiente, se trata
ventas cuando de variables
las otras usar el modelo para toman
explicativas llevar valores
a caboespecíficos.
una La
predicción del valor que se espera alcancen las ventas cuando las otras
variables
predicción explicativas
por punto se obtienetoman valores
a través específicos.
de la expresión 𝑌𝑌̂𝑝𝑝La predicción
= 𝑋𝑋′ ̂ por punto se
𝑝𝑝 𝛽𝛽 mientras que puede obtenerse
obtiene a través de la expresión mientras que puede obtenerse un intervalo de
un intervalo de confianza
confianza para la para la predicción
predicción a travésa de
través de
𝑃𝑃𝑃𝑃(𝑌𝑌̂𝑝𝑝 − 𝜎𝜎̂𝑒𝑒 𝑡𝑡∝/2 ≤ 𝑌𝑌𝑝𝑝 ≤ 𝑌𝑌̂𝑝𝑝 + 𝜎𝜎̂𝑒𝑒 𝑡𝑡∝/2 ) = 1−∝ (6.1) (6.1)
En nuestroEncaso,
nuestro
loscaso, los valores
últimos últimos conocidos
valores conocidos de las variables
de las variables explicativas
explicativas correspondientes
correspondientes al cuarto trimestre de 2018 son:
al cuarto trimestre de 2018 son:
PE = 97,7 PC = 113,5 GP = 3.352,0 R = 5.712,1
PE = 97,7 PC = 113,5 GP = 3.352,0 R = 5.712,1
Como Don Pablo está muy interesado en reducir el gasto en publicidad, en al
Como Don Pablo está muy interesado en reducir el gasto en publicidad, en al menos, el 10%,
menos, el 10%, por lo tanto, en la predicción de las ventas se utilizará un valor
de GP
por lo tanto, en de $ 3.016,8 ($3.352
la predicción – $3.352
de las ventas x 0,10 = un
se utilizará $ 3.016,8).
valor de Esto significa
GP de que($3.352
$ 3.016,8 el –
pronóstico que Don Pablo quiere conocer para el primer trimestre de 2019 se
$3.352 x efectúa
0,10 = $a 3.016,8).
partir de Esto
los valores de que
significa las variables explicativas
el pronóstico que Don correspondientes
Pablo quiere conocer para
al cuarto trimestre de 2018, así:
el primer trimestre de 2019 se efectúa a partir de los valores de las variables explicativas
correspondientes al cuarto trimestre de 2018, así:

$3.352 x 0,10 = $ 3.016,8). Esto significa que el pronóstico que Don Pablo quiere conocer para
correspondientes al cuarto trimestre
MARIOde EDUARDO
2018, así:HIDALGO VILLOTA 171
correspondientes al cuarto trimestre de 2018, así:
𝑋𝑋′𝑝𝑝 = [97,7 113,5 3.016,8 5.712,1]
𝑋𝑋′𝑝𝑝 = [97,7 113,5 3.016,8 5.712,1]
Los valores de las variables explicativas se reemplazan en el modelo obtenido, por ende, la
Los valores devalores
Los las variables explicativas
de las variables se reemplazan
explicativas en el modelo
se reemplazan obtenido,
en el modelo por ende, la
obtenido,
predicción por punto
por ende, de las ventas
la predicción porde la editorial
punto resulta ser:
de las ventas de la editorial resulta ser:
predicción por punto de las ventas de la editorial resulta ser:
𝑌𝑌̂𝑝𝑝 = 243,20 − 1,91𝑥𝑥97,7 + 0,127𝑥𝑥113,5 + EL USO DE LA ECONOMETRIA
0,100𝑥𝑥3.016,8 + 0,003𝑥𝑥5.712,1BASICA
= 388,53 170
𝑌𝑌̂𝑝𝑝 = 243,20 − 1,91𝑥𝑥97,7 + 0,127𝑥𝑥113,5 + 0,100𝑥𝑥3.016,8 + 0,003𝑥𝑥5.712,1 = 388,53
Con un intervalo
Con de:
un intervalo de:
𝐼𝐼𝐼𝐼(𝑌𝑌𝑃𝑃 )(1−∝) = [𝑌𝑌̂𝑃𝑃 ± 𝜎𝜎̂𝑒𝑒 𝑡𝑡∝/2 ]
𝐼𝐼𝐼𝐼(𝑌𝑌𝑃𝑃 )0,95 = [388,53 ± (19,73)(2,030)]
= [348,48 428,58]
El valor de 19,73 corresponde al error estándar de la predicción para el primer trimestre de

El valor de 19,73 corresponde al error estándar de la predicción para el
2019 (2019Q1),primer trimestre
como de 2019
se mostrará más(2019Q1), comose
adelante cuando seutilice
mostrará más adelante
EViews cuando sePor
para el pronóstico.
utilice EViews para el pronóstico. Por su parte, el valor de 2,030 se extrae de
su parte, el valor de 2,030 se extrae de la tabla estadística t de Student con 35 grados de libertad
la tabla estadística t de Student con 35 grados de libertad y una probabilidad
en la cola
y una probabilidad en laderecha de 0,025.
cola derecha de 0,025.
Los valores
Los valores [348,48 [348,48
428,58] 428,58]
establecen comoestablecen
los límitescomo
entre los que
límites entre que
se espera los esté
que el
se
espera que esté el volumen de ventas de la editorial en el caso de que las
volumen de variables
ventas de laexplicativas
editorial en del
el caso de quetomen
modelo las variables explicativas
los siguientes del modelo
valores: tomen
PE = 97,7;
los siguientesPC =113,5;
valores: GP = 3.016,8
PE=97,7; y R =GP=3.016,8
PC=113,5; 5.712,1, alytiempo que el
R=5.712,1, al valor
tiempocentral
que el 388,53
valor
(348,48+428,58/2 = 388,53), constituye la mejor aproximación puntual al
central 388,53 (348,48+428,58/2
valor =388,53), constituye la mejor aproximación puntual al valor
que se espera obtener.
que se espera obtener.

Don Pablo: Mira hijo, estoy muy ansioso por conocer el valor proyectado
de las ventas de la editorial en el primer trimestre de 2019. Por favor, dilo de
Don Pablo: Mira hijo, estoy muy ansioso por conocer el valor proyectado de las ventas de la
una vez.
editorial en el primer trimestre de 2019. Por favor, dilo de una vez.
Emilio: Mira papá, el valor pronosticado de las ventas de la editorial en
Emilio: Mira papá, el
el primer valor pronosticado
semestre de de
de 2019 será las$388,53
ventas demillones,
la editorial
conen un
el primer semestre
disminución dede
los gastos en publicidad del 10% con respecto al cuarto trimestre de 2018,
2019 será de $ 388,53 millones, con un disminución de los gastos en publicidad del 10% con
manteniendo las demás variables constantes. Como tú solo vives preocupado
respecto al cuarto trimestre de 2018, manteniendo las demás variables constantes. Como tú solo
vives preocupado por el comportamiento de los gastos de publicidad, debes tener presente que
172
por el comportamiento de los gastos de publicidad, debes tener presente que

una reducción del 10% en este tipo de gastos traerá consigo una disminución
en las ventas de libros de 4,54%. Papá, ¿acaso, esto es lo que tú quieres?
Don Pablo: Pero si disminuimos el 10% en gastos de publicidad nos

ahorraremos un montón de dinero, así caigan las ventas en 4,54%. ¡Creo que
esta podría ser una buena decisión!
Emilio: Otra vez, veo que cometes ligerezas en tu análisis financiero. El

10% de ahorro en publicidad equivale a $0,34 millones, mientras que una
caída de 4,54% en las ventas generará una disminución de $18,5 millones en
las ventas. Ahora, ¿si entiendes, cuál es la importancia de un buen modelo
econométrico para la toma de decisiones empresariales acertadas?
Don Pablo: Perdóname hijo, reconozco tu capacidad gerencial y tu

excelente desempeño técnico. Agradezco tu interés por ayudarme a tomar
buenas decisiones.
Ahora bien, el tipo de predicción que calcula EViews es la predicción

individual. El procedimiento concreto para realizar predicciones en una
ecuación estimada debe iniciarse incrementando el tamaño del rango de las
observaciones e incluyendo los datos de las variables explicativas para los
periodos en los que queremos predecir el valor de la variable dependiente.
Si adicionalmente, también se quiere evaluar la capacidad predictiva del
modelo, deben introducirse los valores que toma la variable dependiente para
las observaciones fuera de la muestra utilizada en la estimación.
A partir de los datos de la Tabla 3.1, en el Workfile pulsamos Proc →

Structure/Rezise Current Page como se muestra en la Figura 6.1. En la casilla
End date de la ventana que se abre a continuación, reemplazamos 2018Q4 por
2019Q1 y damos OK (véase Figura 6.2).
173
Con este procedimiento hemos ampliado el tamaño de la muestra (Sample)

para el primer trimestre de 2019 y damos Yes en continuar como se indica en
la Figura 6.3. A partir de esta rutina, se genera una inserción de una nueva
observación en la muestra (2019Q1), sin ningún valor hasta el momento
(espacio vacío).
Figura 6.3
La siguiente tarea es introducir los valores correspondientes a las variables

PE, PC, GP y R en el primer trimestre de 2019 para la predicción de las ventas
en el primer trimestre de 2019. Para ello seleccionamos como grupo las
cuatro variables pulsando Open → as Group en el menú emergente obtenido
al hacer clic con el botón derecho del ratón sobre las variables seleccionadas
simultáneamente, como se muestra en la Figura 6.4. En seguida, se visualizan
las variables seleccionadas con sus datos respectivos (véase Figura 6.5).
174
A continuación en la pantalla Group se pulsa en Edit y se introducen los

siguientes valores: PE = 97.7; PC = 113.5; GP = 3016.8 y R = 5712.1, teniendo
cuidado de escribir punto (no coma) para los decimales (véase Figura 6.6). La
tarea siguiente es elegir Proc → Forecast en la ventana del objeto ecuación
como se indica en la Figura 6.7.
En la casilla S.E. (optional) escribimos sef (el vector vf contiene las

predicciones y sef sus errores estándar) como se muestra en la Figura 6.7 y
damos OK.
175
Figura 6.7
En la pantalla del Workfile aparecen los vectores vf y sef como se muestra

en la Figura 6.8. Si damos clic en vf se abre una ventana que contiene
los valores de la variable dependiente, cuyo valor para 2019Q1 es
388,5220 ≈ 388,53 que corresponde a la predicción de las ventas de la
editorial, como se indica en la Figura 6.9.
Si hacemos clic sobre el vector sef como se muestra en la Figura 6.10 se

obtiene los errores estándar de las predicciones, cuyo valor correspondiente al
primer trimestre de 2019 es 19,72963 ≈ 19,73 (véase Figura 6.11), el cual se
utilizará para calcular enseguida de manera manual, el intervalo de confianza
para la predicción individual.
176
6.1 Intervalo de confianza de la predicción.
Como t0,025 = 2,030242 para T-K-1 = 40 – 4 -1 grados de libertad, un intervalo

de confianza de la predicción para una respuesta individual cuando PE = 97,7;
PC = 113,5; GP = 3.016,8 y R = 5.712,1 vendrá dado por:
[388,53 ± (2,030)(19,73)] = [348,48 428,58]
O expresado de otra manera,
Pr[348,48 ≤ Yp ≤ 428,58] = 95%
Don Pablo a regañadientes pide que Emilio le explique el resultado

obtenido. Emilio, ante la petición insistente de su padre, exclama: ¡Mira papá!,
con un nivel de confianza de 95%, la predicción indica que las ventas de la
editorial en el primer trimestre de 2019 estarán en el intervalo comprendido
entre $ 348,48 y $ 428,58 millones.
6.2 Evaluación de la capacidad predictiva del modelo.
Cuando se le ordena a EViews realizar predicciones también permite

calcular diversos estadísticos para analizar la capacidad predictiva del modelo,
para ello es necesario que el archivo de datos recoja los valores observados de
24 Este valor se extrae de la tabla estadística t de Student con gl = 35 y una probabilidad en la cola
derecha = 0,025.
177
la variable dependiente para el periodo de pronóstico. Si no lo hiciéramos así

y no expandiéramos el rango, la predicción recogería los valores estimados de
la variable dependiente en el periodo muestral. EViews calcula los siguientes
estadísticos: la raíz del error cuadrático medio (Root Mean Squared Error),
el error absoluto medio (Mean Absolute Error), el error absoluto medio del
porcentaje de error (Mean Abs. Percent Error) y el coeficiente de desigualdad
de Theil (Theil Inequality Coefficient). Este último coeficiente varía entre 0
y 1, indicando una mejor capacidad predictiva del modelo cuando más se
acerque a cero. Todos los estadísticos descritos hasta ahora indican una mejor
capacidad predictiva del modelo cuanto más cercanos a cero estén, lo que
permite comparar un modelo con otros alternativos y elegir el mejor.
Para evaluar la capacidad predictiva del modelo, sobre la ventana del

objeto ecuación seleccionamos Proc → Forecast y damos clic. En el cuadro
de diálogo que se abre, en la casilla Forecast name digitamos vf, en la casilla
S.E. (optional) escribimos sef y en output señalamos la opción Forecast
evaluation y pulsamos OK (véase Figura 6.12). De este modo, obtenemos el
conjunto de estadísticos de la predicción arriba mencionados disponibles en
la Tabla 6.1.
Figura 6.12
178
Tabla 6.1
Evaluación del pronóstico.
Forecast: VF
Actual: V
Forecast sample: 2009Q1 2019Q1
Included observationes: 41
Root Mean Squared Error 16,93977
Mean Absolute Error 12,99165
Mean Absolute Percentage Error 4,035701
Theil inequality Coefficient 0,024188
Bias Proportion 0,000000
Variance Proportion 0,019022
Covariance Proportion 0,980978
Theil U2 Coefficient 0,29759
Symmetric MAPE 4,034163
Aunque en el caso que nos ocupa, no existe un patrón de comparación

de nuestro modelo con otros, podríamos sacar algunas conclusiones, por
ejemplo, el coeficiente de desigualdad de Theil es bastante cercano a cero
(0,024188), por consiguiente, este modelo tiene una buena capacidad
predictiva. Para la obtención del gráfico de la predicción, en la ventana
del objeto ecuación seleccionamos: Proc → Forecast y damos clic; en
Output señalamos la opción Forecast graph (Figura 6.13) y damos OK.
De esta manera, se obtiene el gráfico de la predicción (Figura 6.14),
donde el valor predicho (VF) se mueve en medio de la banda de ±2 S.E.
(± 2 desviaciones típicas, que corresponden al intervalo de confianza de la
predicción arriba calculado).
179
6.3 Verificación de la capacidad predictiva del modelo.
La capacidad predictiva del modelo en cuestión puede probarse a través

del siguiente procedimiento: En el archivo de trabajo Tab2 eliminamos la
información de la fila correspondiente al trimestre 2018Q4, y posteriormente,
cargamos este archivo en EViews con otro nombre. Mediante Open an existing
EViews workfile, buscamos el archivo en la carpeta correspondiente (all files
*.*) y procedemos a cargarlo y guardarlo en una carpeta de trabajo. Con el
puntero del ratón y la tecla CTRL oprimida, seleccionamos las variables
del modelo en siguiente orden: v pe pc gp r y damos Open → as Equation,
tal como se muestra en la Figura 6.15. En la ventana de diálogo: Equation
specification ordenamos las variables, así: v c pe pc gp r y damos Aceptar,

180
En la Tabla 6.2 se muestra ordenadas en columnas las variables en el

orden seleccionado, el parámetro o coeficiente de la pendiente de cada una
de las variables, incluido el término independiente (coefficient); la desviación
típica (Std. Error), el estadístico t (t-Statistic) y los p-valores (prob). Todas
las variables, excepto PC y R son significativas individualmente al 5% (Prob
˂ 0,05), pero también, las variables en conjunto son significativas al 5%, de
acuerdo al estadístico F (F-statistic) con una probabilidad menor de 0,05
[Prob (F-statistic) ˂ 0,05].
Tabla 6.2
Estimación del modelo de ventas de la editorial.
Variable Dependiente: V EL USO DE LA ECONOMETRIA
BASICA
Método: MCO
Tabla 9.9
Estimador robusto de White-Hinkley Tabla 9.9
Variable
Variable Dependiente:Coefficient
V Std. Error t-Statistic Prob.
C
Método: MCO 234,7545 60,62660 3,872137 0,0005
Muestra: 2009Q1 2018Q4
PE -1,809687 0,505757 -3,578173 0,0011
PC Variable 0,083393
Coefficient 0,331778
Std. Error 0,251353
t-Statistic 0,8031Prob.
GP C 0,100635 233,20440,00605457,11279 16,62337
4,083226 0,00000,0003
PE -1,820566 0,470444 -3,869888
R 0,003655 0,003031 1,205816 0,23620,0005
PC 0,194089 0,313506 0,619093 0,5400
R-squared GP 0,9266660,096176
Mean dependent
0,006051 var 15,89433343,14620,0000
Adjusted R-squared R 0,9190380,003065
S.D. dependent var
0,002702 1,134507 63,385220,2645
LGP 0,004940 0,002293 2,154637
S.E. of regression 18,14653 Akaike info criterion 8,7540450,0384
Sum squared resid R-squared
Adjusted 11.196,090,926048
Schwarz
S.D.criterion
dependent var 8,967322 63,37666
Log likelihood
S.E. of regression -165,7039 Hannan-Quinn
17,23476 Akaike infocriterion
criterion 8,830567 8,669214
Sum squared resid 10.099,25 Schwarz criterion
F-statistic 107,4077 Durbin-Watson stat 1,680743 8,922546
Prob(F-statistic)
F-statistic 0,00000098,67342

Durbin-Watson stat 1,677145
Por consiguiente, el modelo estimado con 39 observaciones (2009Q1…

2018Q3) es el elsiguiente:
Aplicando estimador robusto de White-Hinkley se obtiene el siguiente resultado:
̂ == 233,204
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 234,75 ––1,81PE
1,821PE+t +0,083PC
0,194PC+t +0,101GP
0,096GP+t +0,004R
0,003Rt + 0,0049LGPt (9.3
(52,26) (0,42) (0,23) (0,005) (0,002) (0,002)
R2 = 93,55%; 𝑅𝑅̅2 = 92,60%; Σ𝜇𝜇̂ 2 = 10.099,25
181
Posteriormente, en la ventana de Workfile seleccionamos Proc → Structure/

Resize Current Page y damos clic; enseguida se abre una ventana de diálogo,
y específicamente, en la casilla End date reemplazamos 2018Q3 por 2018Q4
y damos OK, como se indica en la Figura 6.17. Enseguida, damos Yes en
continuar (véase Figura 6.18). Lo que pretendemos aquí es predecir el valor
de la variable dependiente “ventas de la editorial” (V) en el cuarto trimestre
de 2018 (2018Q4). Como de antemano ya conocemos el valor de las ventas
para este trimestre (V = 407 millones), así como también el valor que toman
las variables explicativas PE, PC, GP y R, lo queremos es predecir el valor de
las ventas (valor predicho) y compararlo con el valor observado (valor real),
y de este modo, determinar la precisión del pronóstico del modelo.
Figura 6.18
Figura 6.17
Posteriormente, seleccionamos Open → as Group y damos clic. En

la ventana de las variables, más específicamente, en el trimestre 2018Q4
pulsamos Edit e insertamos los datos originales de las variables PE = 97.7;
PC = 113.5; GP = 3.352 y R = 5.712,1 como se muestra en la Figura 6.19.
Sobre la ventana del objeto ecuación seleccionamos Proc → Forecast y damos
clic. En la casilla S.E. (optional) de la ventana que se abre a continuación,
digitamos sef que corresponde a los errores estándar de la predicción y damos
OK (véase Figura 6.20).
182
De este modo obtenemos el gráfico y los estadísticos de evaluación de la

predicción, como se muestra en la Figura 6.21.
Figura 6.21
En la ventana Workfile damos clic en el vector vf (véase Figura 6.22) y

obtenemos los valores de la predicción de la variable dependiente “Ventas”
(véase Figura 6.23). Nos interesa uno en especial, el correspondiente al
cuarto trimestre de 2018 (2018Q4), cuyo valor es $391,89 millones. Ahora,
comparamos el valor predicho $391,89 millones con el valor real de las ventas
que para este mismo trimestre es de $407,0 millones. En conclusión, el valor
predicho (391,89 está ligeramente por debajo del valor real (407,0).
183

Por lo tanto, se obtiene

Por el siguiente
lo tanto, resultado:
se obtiene el siguiente resultado:
𝐼𝐼𝐼𝐼(𝑌𝑌𝑃𝑃 )0,95 = [351,05 ± (20,12)(2,032)]
𝐼𝐼𝐼𝐼(𝑌𝑌𝑃𝑃 )0,95 = [351,05 432,73]
Los valores [351,05 432,73] establecen los límites entre los que se espera que esté el volumen
Los valores [351,05 432,73] establecen los límites entre los que se
de ventas de la editorial
espera queenesté
el caso
el de que las variables
volumen de ventas explicativas del modelo
de la editorial en eltomen
casolos
de que las
variables explicativas del modelo tomen los siguientes valores: PE = 97,7;
siguientes valores: PE=97,7; PC=113,5; GP=3.016,8 y R=5.712,1, al tiempo que el valor central
PC = 113,5; GP = 3.016,8 y R = 5.712,1, al tiempo que el valor central
391,89(351,05+432,73/2 =391,89),
391,89 (351,05 constituye=la 391,89),
+ 432,73/2 mejor aproximación puntual
constituye al valor
la mejor que se
aproximación
puntual al valor que se espera obtener.
espera obtener.
Don Pablo porDon

ser unPablo
hombrepor
extremadamente pragmático,
ser un hombre siente preocupación
extremadamente por el tiempo
pragmático, siente
preocupación por el tiempo y esfuerzo dedicado hasta ahora a la construcción
y esfuerzo dedicado hasta ahora a la construcción del modelo (3.6). Él sabe suficientemente, que
del modelo (3.6). Él sabe suficientemente, que el desarrollo de este capítulo
tiene
el desarrollo de estecomo propósito
capítulo tiene comopronosticar el valor de
propósito pronosticar las ventas
el valor de ladeeditorial
de las ventas la en
el primer trimestre de 2019, lo cual permitirá programar con antelación la
editorial en el primer trimestre de 2019, lo cual permitirá programar con antelación la logística
logística comercial y preparar el presupuesto de la editorial. Emilio ha dado
respuesta
comercial y preparar a la preocupación
el presupuesto de su padre,
de la editorial. Emilio ahapartir
dado de la predicción
respuesta de las ventas
a la preocupación
en el periodo en cuestión. Antes que su padre levante la voz y critique su
de su padre, a partir de la predicción de las ventas en el periodo en cuestión. Antes que su padre
accionar, él decide anunciar la cifra de ventas esperadas.
levante la voz y critique su accionar, él decide anunciar la cifra de ventas esperadas.
Enseguida, toma la palabra y en tono firme exclama: ¡Padre!, el método de
Enseguida, toma la palabra y en tono firme exclama: ¡Padre!, el método de predicción
predicción utilizado parece indicar con un 95% de confianza, que las ventas
utilizado parece indicar con un 95% de confianza, que las ventas de la editorial en el primer
trimestre de 2019 serán de $ 391,89 millones, algo inferiores a las observadas en el cuarto
184
de la editorial en el primer trimestre de 2019 serán de $391,89 millones, algo

inferiores a las observadas en el cuarto trimestre de 2018 ($407,0 millones).
No te preocupes por esta cifra, solo recuerda la teoría de las fluctuaciones
de los ciclos económicos: la predicción es sólo una aproximación a un
comportamiento futuro, no podemos tomarla como una verdad revelada.
Ante la intervención de Emilio, Don Pablo pregunta: ¿y para qué nos

sirve proyectar las ventas? Emilio contesta de manera veloz y contunde:
Simplemente, para anticiparnos al futuro mediante acciones en el presente.
Papá, ¿acaso no te parece una razón suficiente?
RETO 5:

Capítulo 7
FACTORES EXPLICATIVOS
CUALITATIVOS Y
VARIABLE FICTICIAS
Prosiguiendo con Alonso et al, (2005), llamamos variables ficticias a

las variables, que tomando valores cuantitativos, tratan de representar las
diferentes posibles situaciones o casos que se producen en los factores
cualitativos de interés. (…) Los valores numéricos que pueden atribuirse
son, en principio, completamente arbitrarios y no tienen más objeto que
establecer un código que permita distinguir numéricamente cada caso de
todos los demás. Por lo tanto, una variable ficticia se define sin más que
atribuir un número diferente a cada uno de los casos posibles en el factor
que consideremos (p. 170).
Siguiendo con la discusión que mantienen Don Pablo y su hijo Emilio

sobre la importancia de las variables incluidas en el modelo para explicar
las ventas de la editorial, este último confiesa que se les ha pasado por alto
el fenómeno del incremento que experimentan sus ventas en el periodo
vacacional. Dicho fenómeno puede asociarse a que en época veraniega se
dispone de más tiempo libre para la lectura.
Si dicho fenómeno vacacional es sistemático y significativo y no ha sido

recogido en el modelo propuesto, Don Pablo se pregunta: ¿en qué quedan sus
discusiones sobre la importancia de cada una de las variables incluidas en el
modelo hasta ahora propuesto?.
186
Además, Don Pablo acaba de recibir, a través de sus clientes, los resultados
de una pequeña encuesta, en la que se pidió información a los lectores, sobre
el número de horas a la semana dedicado a la lectura, además información
sobre el sexo, edad, educación y número de aparatos de televisión, video y
computadores en la unidad familiar. Don Pablo desea que Emilio utilice esta
información en su próxima campaña publicitaria.
Podríamos considerar si se produce o no un efecto estacional en las ventas

de la editorial. El fenómeno estacional de que las ventas se incrementan
sistemáticamente en verano por el efecto vacacional puede ser recogido
definiendo dos variables ficticias:
1 si 𝑡𝑡 ∈ vacación ⇒ si 𝑡𝑡 ∈ tercer trimestre

D1t = {
0 si 𝑡𝑡 ∈ resto del año ⇒ si 𝑡𝑡 ∈ trimestres 1, 2 y 4
1 si 𝑡𝑡 ∈ vacación ⇒ si 𝑡𝑡 ∈ tercer trimestre
D1t = {
y su complementaria:
0 si 𝑡𝑡 ∈ resto del año ⇒ si 𝑡𝑡 ∈ trimestres 1, 2 y 4
y su complementaria: 1 si 𝑡𝑡 ∈ resto del año
y su complementaria: 𝐷𝐷𝑡𝑡∗ = {
0 si 𝑡𝑡 ∈ vacación
1 si 𝑡𝑡 ∈ resto del año
𝐷𝐷 ∗ = {
Como solo hay dos casos en el
𝑡𝑡
fenómeno
0 si estacional que interesa, basta con una sola
𝑡𝑡 ∈ vacación
Como solo
variable para hay dos casosen
representarlo enun
el modelo.
fenómeno estacional
Aunque que interesa,
el modelo basta
más sencillo con una
posible, sola
que sólo
Como solo hay dos casos en el fenómeno estacional que interesa, basta
variable
con en
tiene para
una representarlo
sola
cuenta elvariable enpara
un estacional,
posible efecto modelo. Aunque
representarlo el modelo
en más
un modelo.
no es razonable para sencillo
lasposible,
Aunque
explicar que
la sólo
el modelo
ventas de
más
tiene en sencillo
cuenta el posible, que estacional,
posible efecto sólo tienenoenescuenta el para
razonable posible efecto
explicar estacional,
las ventas de la
editorial, vamos a proponerlo aquí, únicamente como primera aproximación a esta
no es razonable para explicar las ventas de la editorial, vamos a proponerlo
editorial, vamos a proponerlo aquí, únicamente como primera aproximación a esta
hipótesis. Utilizando lacomo
aquí, únicamente información
primerade aproximación
la Tabla 7.1, el modelo
a estasería:
hipótesis. Utilizando la
hipótesis. Utilizando la información de la Tabla 7.1, el modelo sería:
información de 7.1
Tabla la Tabla 7.1, el modelo sería:
Efecto7.1
Tabla estacionalTabla
o vacacional
7.1. Horas de lectura semanales
Efecto estacional o
Tabla Efecto
vacacional
7.1. Horas de Trimestre
lectura semanales Efecto
Trimestre Ventas (V) Ventas (V)
estacional
Efecto (L) estacional
Efecto(L)
Trimestre Ventas (V) Trimestre Ventas (V)
2009:1 275,5 0 (L)
estacional 2014:1 229,9 0
estacional (L)
2009:2
2009:1 285,6
275,5 0
0 2014:2
2014:1 342,9
229,9 00
2009:3
2009:2 336,8
285,6 1
0 2014:3
2014:2 361,9
342,9 10
2009:4
2009:3 333,4
336,8 0
1 2014:4
2014:3 301,3
361,9 01
2010:1
2009:4 357,0
333,4 0 2015:1
2014:4 332,5
301,3 00
2010:1
2010:2 357,0
325,2 0 2015:1
2015:2 332,5
343,2 00
2010:2
2010:3 325,2
362,2 0
1 2015:2
2015:3 343,2
421,9 10
2010:3
2010:4 362,2
232,0 1
0 2015:3
2015:4 421,9
401,9 01
2010:4
2011:1 232,0
252,2 0
0 2015:4
2016:1 401,9
421,8 00
2011:1
2011:2 252,2
322,1 0
0 2016:1
2016:2 421,8
361,7 00
2011:2 322,1 0 2016:2 361,7
2011:3 297,3 1 2016:3 393,6 10
2011:3 297,3 1 2016:3 393,6 1
2011:4 298,9 0 2016:4 287,6 0
2011:4 298,9 0 2016:4 287,6 0
2012:1 246,8 0 2017:1 380,0 0
2012:1 246,8 0 2017:1 380,0 0
2012:2 322,4 0 2017:2 495,6 0
2012:2 322,4 0 2017:2 495,6 0
2012:3
2012:3 383,5
383,5 1
1 2017:3
2017:3 452,6
452,6 1 1
2012:4
2012:4 321,8
321,8 0
0 2017:4
2017:4 404,9
404,9 00
2013:1
2013:1 351,5
351,5 0
0 2018:1
2018:1 421,3
421,3 00
187
Tabla 7.1
Horas de lectura semanales.
Ventas Efecto Ventas Efecto

Trimestre Trimestre
(V) estacional (L) (V) estacional (L)
2009:1 275,5 0 2014:1 229,9 0
2009:2 285,6 0 2014:2 342,9 0
2009:3 336,8 1 2014:3 361,9 1
2009:4 333,4 0 2014:4 301,3 0
2010:1 357,0 0 2015:1 332,5 0
2010:2 325,2 0 2015:2 343,2 0
2010:3 362,2 1 2015:3 421,9 1
2010:4 232,0 0 2015:4 401,9 0
2011:1 252,2 0 2016:1 421,8 0
2011:2 322,1 0 2016:2 361,7 0
2011:3 297,3 1 2016:3 393,6 1
2011:4 298,9 0 2016:4 287,6 0
2012:1 246,8 0 2017:1 380,0 0
2012:2 322,4 0 2017:2 495,6 0
2012:3 383,5 1 2017:3 452,6 1
2012:4 321,8 0 2017:4 404,9 0
2013:1 351,5 0 2018:1 421,3 0
2013:2 381,1 0 2018:2 333,7 0
2013:3 412,5 1 2018:3 379,1 1
2013:4 217,5 0 2018:4 407,0 0
Fuente: Alonso et al., (2005).
Vt = 𝛽0 + 𝛽1Lt + 𝜇t (7.1)
Dónde: Vt = Ventas de la editorial y Lt = Efecto estacional
Mediante MCO y siguiendo el procedimiento aprendido en capítulos

anteriores para la estimación de la ecuación de regresión lineal simple,
obtenemos los resultados que se muestran en la Tabla 7.2.
188
Tabla 7.2
Estimación del modelo de ventas contra el efecto estacional.
Método: MCO
Tabla 7.2
Resultados MCO de ventas contra Tablaefecto
7.2 estacional
Tabla
Variable 7.2
Variable
Dependiente: V Coefficient Std. Error t-Statistic Prob.
Resultados
Método: MCO C MCO de ventas contra
332,9433Tablaefecto
7.2 estacional
11,07950 30,05040 0,0000
Variable20009Q
Muestra: Dependiente:
2018Q4V
Método: MCO L 47,19667 22,15899 2,129910 0,0397
R-squared
Muestra: 20009Q 2018Q4 Coefficient
Variable 0,106650 Std.Mean Errordependent var
t-Statistic 344,7425
Prob.
ObservacionesC incluidas: 40 332,9433 11,07950 30,05040 0,0000
Variable
L Coefficient
47,19667 Std. Error
22,15899 t-Statistic
2,129910 Prob.
0,0397
S.E. of regression
R-squared C
60,68491 Akaike
332,9433Mean dependent
0,106650 11,07950 info criterion
var 30,05040
11,09797
0,0000
344,7425
Sum squared
Adjusted L resid
R-squared 47,19667S.D. dependent
139.941,0
0,083141 22,15899
Schwarz 2,129910
criterion
var 0,0397
11,18242
63,37666
R-squared
S.E. of regression 0,106650Akaike
60,68491 Mean dependent
info var
criterion 344,7425
11,09797
Log likelihood
Adjusted R-squared
-219,9595
0,083141Schwarz
Hannan-Quinn
S.D. dependent
criterion 11,12851
Sum squared resid 139.941,0 criterionvar 63,37666
11,18242
F-statistic
S.E.
Log of regression
likelihood 4,536517 Durbin-Watson
60,68491Hannan-Quinn
-219,9595 Akaike criterion stat
info criterion 0,887397
11,09797
11,12851
Sum squared resid
Prob(F-statistic)
F-statistic 139.941,0 Schwarz
0,039715Durbin-Watson
4,536517 criterion
stat 11,18242
0,887397
Log likelihood
Prob(F-statistic) -219,9595 Hannan-Quinn criterion
0,039715 11,12851
Que, unaQue,
vez una vez estimado
estimado proporciona
proporciona los siguientes
los siguientes resultados:
resultados:
Que, una vez estimado ̂ proporciona los siguientes resultados:
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 ==332,943
332,943+ +47,197Lt
47,197Lt (7.2)
(7.2)
̂ = 332,943 (11,08) (22,16)
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 (11,08)+ 47,197Lt
(22,16) (7.2)
R2 = 10,67%; 𝑅𝑅̅2 = 8,31%
(11,08) (22,16)
2R = 10,67%; ̅ R = 8,31%
2 2
R = 10,67%; 𝑅𝑅2 = 8,31%
Por lo que la t muestral o t-ratio para el contraste de significación Ho: β1 = 0, es:
Por la
Por lo que lo tque la t muestral
muestral o t-ratio
o t-ratio para elpara el contraste
contraste
47,20
de significación
de significación Ho: Ho:
β1 =β0,1 =es:
0, es:
|t| = = 2,13
22,16
47,20
|t| = = 2,13
22,16
De otro lado, en las tablas de la distribución t de Student para un nivel de significación
De otroDe otroenlado,
lado, en lasde
las tablas tablas de la distribución
la distribución t de Student
t de Student para un para
nivelun
denivel de
significación
de 5% y con 40-1-1 = 38 grados de libertad encontramos un valor crítico igual a 2,024, por
significación de 5% y con 40-1-1 = 38 grados de libertad encontramos un
de 5% yvalor
con 40-1-1 = 38 grados
crítico igual a 2,024,depor
libertad
tanto:encontramos un valor crítico igual a 2,024, por
tanto:
tanto:
|t||t| == 2,13
2,13 >> 2,024
2,024
Por lo
Por lo tanto, tanto, al contrastar
al contrastar las |t|
las hipótesis
= 2,13 >nula
hipótesis
nula
2,024
y alternativa
y alternativa formuladasformuladas de la
de la siguiente manera:
siguiente
Por lo tanto, manera: las hipótesis nula y alternativa formuladas de la siguiente manera:
al contrastar
ℋ0 : No existe un diferencial significativo frente ℋ𝑎𝑎 : Existe un diferencial significativo en las
en las ventas Hipótesis nula cuando es
de la editorial ventas de la Hipótesis alternativa
editorial cuando es verano con
ℋ0 : Nocon
verano existe un diferencial
respecto significativo
al resto del año. frente ℋ𝑎𝑎 : Existe
respecto un diferencial
al resto del año. significativo en las
e 5% y con
de 40-1-1 = 38
5% y con |t| ==2,13
grados
40-1-1 de |t|
>=
grados2,13
2,024
38 libertad >libertad
2,024 encontramos
encontramos
de un valor crítico igual
un valor a 2,024,
crítico por
igual a 2,024, por
r, al
lo contrastar
anto: tanto,tanto:
al contrastar las hipótesis
las hipótesis nula y alternativa
nula y alternativa formuladas
formuladas de la siguiente
de la siguiente manera: manera:
HipótesisHipótesis
nula nula |t| = 2,13 >|t|2,024 Hipótesis Hipótesis
alternativa alternativa 189
= 2,13 > 2,024
ℋ 0 : No
iste existe un diferencial
un diferencial significativo frente frente
significativo : Existe
ℋ𝑎𝑎un
ℋ𝑎𝑎 : Existe un diferencial
diferencial significativo significativo
en las en las
en
ntas las
de ventas
la
or lo tanto, de
editorial la editorial
cuando
Porallocontrastar
tanto, al las cuando
eshipótesis
contrastar es
lasnula ventas deventas
la
y alternativa
hipótesis de
editorialla editorial
cuando
formuladasformuladas
nula y alternativa escuando
verano
de la siguiente es verano
con
de lamanera:
siguienteconmanera:
verano
n respectoconalrespecto
resto delalaño. Hipótesis
resto nula
del año. respecto alrespecto
resto delalaño. Hipótesis
resto del año. alternativa
0 0 : No
ℋ
ℋ0 : 𝛽𝛽1 =Hipótesis𝛽𝛽1 =existe
0
nula un diferencial signi-
Hipótesis nula ℋ𝑎𝑎 : 𝛽𝛽Existe
≠ℋ 0 𝑎𝑎un
Hipótesis
1 : 𝛽𝛽diferencial
≠0
1alternativa signi-
ℋ0 : No existe ficativo en las ventas de la editorial
frente frente ficativo en las ventas de la edi- en las
ℋ0un: No diferencial
existe un significativo
diferencial significativo ℋ 𝑎𝑎 : Existe ℋ
frente un𝑎𝑎 :diferencial significativo
Existe un diferencial significativo e
en las ventas cuando
en delas la es verano
editorial
ventas con
de lacuando respecto
editorial al
es cuando es torial
ventas de laventascuando
editorial es verano
de lacuando con res-
es verano
editorial cuando con
es verano
s,Entonces,
se rechaza
verano
sela
rechaza
hipótesis
resto
con verano
respecto del
al
la hipótesis
año. nula
resto delℋ :
año.
0 nula
𝛽𝛽1 =
con respecto al resto del año.
ℋ00al
: 𝛽𝛽nivel
1 = 0deal significancia
nivelpecto
respecto
de significancia
al al de
resto
resto 5%.
del del En
año.
de 5%. En
año.
respecto al resto del año.
ℋ0 : 𝛽𝛽1 = 0ℋ : 𝛽𝛽 = 0
0 1 ℋ𝑎𝑎 : 𝛽𝛽1 ≠ 0ℋ : 𝛽𝛽 ≠ 0
as palabras,
as, existe unexiste un diferencial
diferencial significativo
significativo en las
en las ventas deventas editorialescuando𝑎𝑎es 1
de la cuando
la editorial
rano con al
respecto respecto
Entonces, resto
se al resto
del
Entonces,año.
rechaza se
Entonces, delrechaza
se año.lanula
la rechaza
hipótesis hipótesis
ℋ0 : 𝛽𝛽nula 0ℋal0 :al
1 =nula
la hipótesis nivel
= de
𝛽𝛽1nivel significancia
al
0 de nivel dede
5%.
de significancia
significancia 5%.EnEn
de 5%. En
otras palabras, existe un diferencial significativo en las ventas de la editorial
tras palabras, Enun
otrasexiste relación
palabras, existeconun los
diferencial datos de significativo
significativo
diferencial la encuesta obtenida,
en las ventas en de
las la Don Pablo
editorial
ventas desea
de lacuando saber si las mujeres
es cuando
editorial es
cuando es verano con respecto al resto del año.
erano converano leen
respecto más
conal quedel
resto
respecto losalaño.
hombres
resto delyaño.
si el hecho de haber cursado estudios universitarios tiene un
En relación con los datos de la encuesta obtenida, Don Pablo desea saber si
lasefecto
mujeresdiferencial
leen másimportante en el número
que los hombres y si el de horasdea haber
hecho la semana que estudios
cursado se dedica a la lectura
universitarios tiene un efecto diferencial importante en el número de horas a
Si nos proponemos ahora, realizar el análisis de los datos de la encuesta con la
la semana que se dedica a la lectura.
información disponible, sea Li el número de horas semanales que el individuo i dedica a la
Si nos proponemos ahora, realizar el análisis de los datos de la encuesta con
la información
lectura, si el disponible, sea Li eli número
sexo del individuo de horasEisemanales
y la educación que i.elLas
del individuo individuo
clases o categorías
i dedica a la lectura, si el sexo del individuo i y la educación Ei del individuo i.
Lasque se definen
clases a estosque
o categorías factores cualitativos
se definen son:
a estos factores cualitativos son:
Sexo: H = hombre; M = mujer
Sexo: H = hombre; M = mujer
Educación: P = estudios primarios; S = estudios secundarios (bachillerato completo) y
Educación: P = estudios primarios; S = estudios secundarios (bachillerato
=completo) y U = estudios
estudios universitarios universitarios (pregrado).
(pregrado).
Ahora,
Ahora, definimos
definimos laslassiguientes
siguientesvariables
variablesficticias:
ficticias:
Sexo:
Sexo:
1 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝑖𝑖 𝑒𝑒𝑒𝑒 ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
Si = {
0 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝑖𝑖 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
Educación:
1 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑚𝑚á𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝

Pi = {
0 𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐
1 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑚𝑚á𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑏𝑏𝑏𝑏𝑏𝑏ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑜𝑜

Si = {
1 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑚𝑚á𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢

Ui = {
Ahora, definimos las siguientes variables ficticias:
Sexo:
190 1 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝑖𝑖 𝑒𝑒𝑒𝑒 ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
Si = {
0 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝑖𝑖 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
Educación:
Educación:
1 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑚𝑚á𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝

Pi = {
1 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑚𝑚á𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑏𝑏𝑏𝑏𝑏𝑏ℎ𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑜𝑜

Si = {
1 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛𝑛 𝑚𝑚á𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥 𝑑𝑑𝑑𝑑 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑒𝑒𝑒𝑒 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢

Ui = {
Eliminando las categorías H = hombre y P = estudios primarios, se especifica el modelo,

Eliminando las categorías H = hombre y P = estudios primarios, se
así:
especifica el modelo, así:
Yi = αY
0
i =αα0M
+ 1
+α+1M
i
+ α+2Sαi +Uα3+U𝜇
αi2S i 3 i
i + 𝜇𝜇i i =i =
i
1, 1,2,…,T
2,…,T (7.3)
(7.3)
Para interpretar los coeficientes asociados a las variables ficticias del modelo buscamos,
Para interpretar los coeficientes asociados a las variables ficticias del
modelo
como buscamos,
se explicó como seanteriores,
en apartados explicó enelapartados anteriores,
valor medio el valor
de la variable medio de
dependiente: L=
la variable dependiente: L = número de horas de lectura semanales. De donde,
si restamos horizontalmente, observamos que el efecto diferencial debido al
nivel educativo es común para ambos sexos, α2 para el nivel de bachillerato
y α3 para el universitario y α3 - α2 para la diferencia entre el universitario y
los estudios secundarios. Si estimamos este modelo a partir de los datos que
proporciona la encuesta aplicada a los lectores, se obtienen los resultados que
se muestran en la Tabla 7.3.
número de horas de lectura semanales. De donde, si restamos horizontalmente, observamos
número
número de horas
de horas de lectura
de lectura semanales.
semanales. De donde,De donde, si restamos
si restamos horizontalmente,
horizontalmente, observamosobservamo
que
úmero de el efecto
horas de
número diferencial
de lectura debido
horas desemanales. al nivel
De donde,De
lectura semanales. educativo
si donde,
restamoses común para
horizontalmente,
si restamos ambos sexos,
observamos
horizontalmente, α 2 para el
observamos
que que el efecto
el efecto diferencial
diferencial debidodebido
al al
nivel nivel educativo
educativo
es es
común común
para para
ambos ambos
sexos, αsexos, α2 para el
2 para el
nivel
ue el efecto de bachillerato
que diferencial y
el efecto diferencial α 3 para el universitario y α3 - α2 para la diferencia entre el191
debido aldebido
nivel educativo es comúnespara
al nivel educativo ambos
común parasexos,
ambos para elα2 para el
α2 sexos,
nivelnivel de bachillerato
de bachillerato y α3 el
y α3 para para el universitario
universitario y α3 - αy2 αpara
3 - αla2 para la diferencia
diferencia entre el entre el
ivel deuniversitario
bachillerato
nivelTabla yylos estudios
α3 para
de bachillerato
7.3
secundarios.y Si
yelαuniversitario α3 estimamos
3 para el universitario - α2 para
y α3 la este
-α modeloentre
diferencia a partir
2 para la diferencia el de loseldatos que
entre
universitario y los estudios secundarios. Si estimamos este
universitario y los estudios secundarios. Si estimamos este modelo a partir de los datos modelo a partir de losquedatos qu
Estimación
proporciona del
la encuesta modelo
aplicada con variables
aSilos lectores,cualitativas.
se obtienen
niversitario y los estudios
universitario y los secundarios.
estudios estimamos
secundarios. este
Si estimamos modeloestelos resultados
amodelo
partir dea los que
datos
partir selos
de muestran
que datos que
proporciona
proporciona la la encuesta
encuesta aplicada
aplicada
Variable Dependiente: L a los a los lectores,
lectores, se se
obtienenobtienen
los
los resultados
resultados que se que
muestranse muestran
enproporciona
roporcionala Tabla 7.3.MCO
laMétodo:
encuesta la aplicada
encuesta aaplicada
los lectores,
a los se obtienen
lectores,
se los resultados
obtienen que se muestran
los resultados que se muestran
en laenTabla
la Tabla
Muestra: 7.3.
7.3.1 197
n la Tabla
en 7.3. Tabla7.3.7.3incluidas: 197
la Observaciones
Tabla
Resultados
Tabla 7.3 MCO
Tabla 7.3 efecto estacional contra distintas variables cualitativas
Resultados
Resultados
Variable
Tabla 7.3 7.3MCOMCO
Dependiente:
Tabla
L efectoefecto estacional
estacional contracontra
distintasdistintas
variablesvariables cualitativas
cualitativas
Método: C Dependiente: L 9,074951
MCO
Variable
Variable Dependiente: L
0,680715 13,33150 0,0000
Resultados
Muestra: MCO
Resultados
M
1MCO efecto
197 MCO
Método:
Método:
MCO estacional
efecto contra distintas
estacional
1,957958 0,716643 variables
contra distintas cualitativas
variables
2,732124 cualitativas
0,0069
Variable Dependiente:
Observaciones L
Muestra: 1S197incluidas:
Muestra: 1 197 197 -0,659454 0,871554 -0,756642 0,4502
Método: MCO Método: MCO
Variable
Observaciones
Observaciones 197 Coefficient
incluidas:
incluidas: 197 Std. Error t-Statistic Prob.
Muestra:UC
Muestra: 1 197 1 197 4,169960
9,074951 0,864468
0,680715 4,823731
13,33150 0,0000
Variable Variable CoefficientStd. Error
Coefficient Std. Error t-Statistic Prob. 0,0000
t-Statistic Prob.
Observaciones incluidas:
Observaciones
R-squared M 197incluidas: 197 0,182394
1,957958 Mean0,680715
dependent
0,716643 var2,732124 11,20812 0,00690,0000
C C 9,074951 9,074951 0,680715
13,33150 13,33150 0,0000
Variable Variable S CoefficientCoefficient Std. Error Std.
-0,659454 t-Statistic
Error -0,756642
0,871554 Prob.
t-Statistic Prob.
0,45020,0069
Adjusted R-squared
M M 0,169685
1,957958 1,957958S.D. 0,716643
dependent var
0,716643
2,7321242,732124 5,509948
0,0069
C US C S 9,0749514,169960
9,074951 0,6807150,864468 13,331504,823731
0,680715 13,33150 0,0000 0,0000 0,0000
S.E.Mof regression 5,020755 -0,659454
-0,659454 Akaike0,871554
info 0,871554
-0,756642
criterion -0,756642 0,4502 0,4502
6,085133
R-squared U M U 1,957958 1,957958
0,182394 0,716643
Mean 2,732124
0,716643
dependent var 2,732124 0,0069 0,0069
11,20812
4,169960 4,1699600,864468 0,864468
4,8237314,823731 0,0000 0,0000
Sum Ssquared
Adjusted resid
S
R-squared
R-squared
4.865,140
-0,659454 -0,659454
0,169685 Schwarz
0,871554
S.D. dependent
0,182394
criterion
-0,756642
0,871554
dependent
Mean dependentvar -0,756642
var
6,151797
0,4502 0,4502
5,509948
11,20812
R-squared 0,182394 Mean var 11,20812
Log Ulikelihood U 4,169960
-595,38564,169960 0,864468
Hannan-Quinn 4,823731
0,864468 4,823731 0,0000 0,0000
S.E. ofAdjusted
Adjustedregression
R-squaredR-squared 5,020755
0,169685 Akaike
0,169685
S.D. S.D.
dependent varcriterion
info dependent
criterion var 6,112119
6,085133
5,509948 5,509948
R-squared R-squared
Sum squared resid 0,182394 Mean
4.865,140 dependent
0,182394 Meanvar
Schwarz dependent
criterion var 11,208126,151797
11,20812
F-statistic
Adjusted Log
S.E. S.E.
of
R-squared
Adjusted
of regression
regression
R-squared
14,35163
0,169685
5,020755
S.D.
Durbin-Watson
5,020755
Akaike
dependent
0,169685
Akaike
info
S.D.var
info
criterion
dependent
stat
criterion
var
2,082362
6,085133
5,5099486,112119
6,085133
5,509948
Sum likelihood
Sum squared
squared resid resid -595,3856
4.865,140
4.865,140 Hannan-Quinn
Schwarz Schwarz
criterion criterion
criterion 6,151797 6,151797
Prob(F-statistic)
S.E. of regression
S.E. of regression
5,020755 Akaike
5,020755
14,35163 info info criterion
criterion
Akaike
Durbin-Watson
stat criterion 6,085133 2,082362
6,085133
Log likelihood
Log likelihood -595,3856
-595,3856 Hannan-Quinn
Hannan-Quinn criterion 6,112119 6,112119
Sum squared Sumresid
squared resid
Prob(F-statistic) 4.865,140 0,000000
Schwarz criterion
4.865,140 Schwarz criterion 6,151797 6,151797
F-statistic
F-statistic 14,35163 14,35163 Durbin-Watson
Durbin-Watson stat stat 2,082362 2,082362
Log likelihood
Log likelihood
̂ == 9,075 -595,3856 Hannan-Quinn criterion
-595,3856 Hannan-Quinn criterion 6,112119 6,112119
𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙
Prob(F-statistic)
Prob(F-statistic)
F-statistic F-statistic 9,075 ++1,958M
1,958M
14,35163
0,000000 ––0,659S
Durbin-Watson
14,35163
i
0,659S
i0,000000 i ++4,170U
stat
Durbin-Watson
i
4,170U stati i
(7.4)
2,082362 2,082362
Prob(F-statistic) ̂
Prob(F-statistic)
̂ = 9,075
𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙
𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 (0,680)
=0,000000
9,075 +(0,717)
+ 1,958M 1,958M
i – 0,659S
0,000000 i (0,872)
– 0,659S
i + 4,170U i+ (0,864)
4,170U
i i (7.4) (7.4)
̂ =𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 (0,680)
(0,680) 2 (0,717)
R(0,680)
=1,958M
18,24%;
(0,717) (0,717)(0,872)
𝑅𝑅̅4,170U
2
(0,872) (0,864)
(0,872)
= 16,97% (0,864)(0,864)
𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 ̂ +=1,958M
9,075 9,075 +i– 0,659S i i–+0,659S i+ i 4,170Ui (7.4) (7.4)
(0,680) (0,717) R 2
R 2
2 = 18,24%;
R = 18,24%; = 18,24%;
(0,872) ̅
𝑅𝑅 2 2 = 16,97%
R =(0,872) ̅
𝑅𝑅 2
16,97% = 16,97%
(0,864) (0,864)
(0,680) (0,717)
Los resultados indicanRque 2 tantoRel
= 18,24%; 2 sexo
𝑅𝑅̅2 =como
= 18,24%; 16,97% 𝑅𝑅̅el2 nivel
= 16,97% de estudios tienen influencia en el
Los Los resultados
resultados indicanindican
que tantoque tanto
el sexoelcomosexo el como niveleldenivel de estudios
estudios tienen influencia
tienen influencia en el en
número deLos resultados
horas de indican
lectura que tanto
semanales. No el sexo como
obstante, es el nivel
preciso de estudios
llevar a cabo tienen
los contrastes
Los resultados indican que
Los resultados tantoque
indican el sexo
tantocomoel sexoel nivel
comodeelestudios nivel de tienen
estudios influencia en el
tienen influencia en el
númeroinfluencia
número de horas en
de horas eldenúmero
de lectura lectura de horas
semanales.
semanales. deNolectura
No obstante, obstante, semanales.
es preciso llevarNo
es preciso obstante,
allevar
cabo a cabo
los es
los contrastes
contrastes
úmeroadecuados
de preciso
horas
número para
de
de poder
llevar
lectura
horas a afirmar
desemanales.
lectura locontrastes
anterior
cabo lossemanales.
No obstante,con
No mayor
adecuados
es preciso
obstante, seguridad.
para
esllevar a Por
poder
preciso cabo ello,
afirmar
llevar losaconsideremos
lo anterior
contrastes
cabo en
los contrastes
adecuados
adecuados
con mayor para para
poder poder
afirmar
seguridad. afirmar lo anterior
lo anterior
Por ello, con mayor
consideremos con mayor seguridad. seguridad.
en primer Por ello,Por
lugar ello, consideremos
consideremos
los contrastes en en
primer lugar
decuadosadecuados
para poder los
para contrastes
afirmar
poderloafirmarindividuales:
anteriorlocon mayor
anterior con seguridad.
mayor seguridad. Por ello, consideremos en
Por ello, consideremos en
individuales:
primer
primer lugarlugar los contrastes
los contrastes individuales:
individuales:
Enlos
rimer lugar cuanto
primer allos
contrastes
lugar sexo:individuales:
contrastes individuales:
En
En cuantoEncuanto
cuanto alalsexo:
al sexo: sexo:
En cuantoEn sexo:Hipótesis
al cuanto al sexo: nula Hipótesis alternativa
ℋ01 : La condición Hipótesis de
Hipótesis
Hipótesis nulanula
sernula
mujer no ℋ𝑎𝑎1Hipótesis
: La condición alternativa
Hipótesis de ser mujer
Hipótesis
alternativa influye en e
alternativa
influye en
:ℋLa el tiempo
Lacondición
condición
01 : La
ℋ01Hipótesis dedicado
condicióndede ser
sera la
de mujerlectura.
ser mujer
mujer no nofrente tiempo
La
ℋ𝑎𝑎1 : La dedicado
condición
ℋcondición a
de la
𝑎𝑎1 : La Hipótesis
condición
de serlectura.
sermujerde ser
mujer mujereninfluy
influye el
nula
Hipótesis nula Hipótesis alternativa alternativa
influyeinfluye
en
influye el en
ℋ el
tiempo
el tiempo
: 𝛼𝛼 =
dedicado
tiempo dedicado
0 a la
dedicado a la
lectura.
a la frente
lectura. frente
tiempo
influye tiempo
dedicado
en el dedicado
a
tiempoℋ
la : a
𝛼𝛼
lectura.
dedicadola≠ lectura.
0a
ℋ01 : La ℋ condición de ser mujer
01 : La condición
01 1 de serno mujer no frente ℋ𝑎𝑎1 : La condición de ser mujer
ℋ𝑎𝑎1 : La condición 𝑎𝑎1 de ser
1 influye
mujereninfluye
el en
lectura.
influye en influye
el tiempo elℋ 01 :ℋ
en dedicado
tiempo 𝛼𝛼101=: 𝛼𝛼lectura.
01 = 0a la lectura.
adedicado
la frente tiempoladedicado
frente lectura.
tiempo adedicado ℋ𝑎𝑎1 : a𝛼𝛼1la
la lectura. ℋ≠lectura.
𝑎𝑎10: 𝛼𝛼1 ≠ 0
ℋ01 : 𝛼𝛼1 =ℋ001 : 𝛼𝛼1 = 0 ℋ𝑎𝑎1 : 𝛼𝛼1 ≠
ℋ0𝑎𝑎1 : 𝛼𝛼1 ≠ 0
192
EnEn cuanto
cuanto
En al al
nivel
al nivel
cuanto de de estudios:
estudios:
nivel de estudios:
En cuanto
En cuanto
EnEn
En alcuanto
En
al En
nivel
cuantocuanto
cuanto
nivel
cuanto alde
alde estudios:
nivelalde
nivel
alestudios:
al
nivel nivel
de
nivel de estudios:
estudios:
dedeestudios:
estudios:
estudios:
Hipótesis
Hipótesis
Hipótesis nulanula nula Hipótesis alternativa
:ℋEl02nivel
ℋ02Hipótesis : El de estudios
nivel
nula
Hipótesis de nula secundarios
estudios
Hipótesis
Hipótesis nula nulasecunda-no no
secundarios Elℋnivel
El
ℋ𝑎𝑎2 :Hipótesis Eldealternativa
estudios
nivel
estudios
𝑎𝑎2 : Hipótesis Hipótesis
Hipótesis secundarios
dealternativa
estudios
secun-
alternativa
alternativa influye i
secundarios
Hipótesis nula
Hipótesis
Hipótesis nula nula frente Hipótesis alternativa
Hipótesis
alternativa
Elℋ
ℋ02:: El ℋ influye
nivel Elrios
de
ℋ en
influyenoel
estudios
nivel
El Eldetiempo
en
: nivel
de el
influye
nivel dedicado
tiempo
en
secundariosel
de estudios
estudios
de estudios tiempoa
dedicadola lectura.
a la
dedica-
nosecundarios
secundarios
secundarios lectura.
nono frente
no no ℋ en
Elℋ
ℋ𝑎𝑎2:: El el
darios
nivel tiempo
en
El
ℋ de el
influye dedicado
tiempo
en
estudios
nivel
El Elde
nivel
:nivelde el
nivel a la
dedicado
tiempo lectura.
secundarios
de
estudios
de estudios
estudios a
dedi- la lectura.
influye
secundarios
secundarios
secundarios infli
influye
ℋℋ::02
nivel El : :nivel
de Elestudios
nivel desecundarios
estudios
estudios no
secundarios ℋnivel
ℋℋ ::𝑎𝑎2 :El
:de estudios secundarios influye
02secundarios no El nivel de estudios
estudios secundarios
secundarios influ
influye
ℋ 02 02 02 02
𝑎𝑎2 𝑎𝑎2 𝑎𝑎2 𝑎𝑎2
influye en02
el
influye do
tiempo
influyeen aelen
influye ladedicado
lectura.
enℋ
tiempo
el el :dedicado
tiempo
02 ℋ𝛼𝛼a202dedicado
tiempo =
la: 𝛼𝛼 =
lectura.
dedicado
a la0a a frente
la
lectura.
la frente
lectura.
lectura.
frente frenteen frente
frente
el cado
𝑎𝑎2
tiempo
en el
en a la
dedicado
en
tiempo
el lectura.
el
tiempo ℋ
tiempo
a la
dedicado : 𝛼𝛼 ℋ
lectura.≠
dedicado
dedicado
𝑎𝑎2 a
2 la a0: 𝛼𝛼
a la
lectura.
la ≠ 0
lectura.
lectura.
influye influye
en influye
el tiempo dedicado
entiempo
en el el tiempo adedicado
dedicadola lectura.
a laalectura.
la lectura. frente
en el tiempo
en en dedicado
el tiempo
el tiempo adedicado
la lectura.
dedicado 𝑎𝑎2 2
a laa lectura.
la lectura.
ℋ02:: 𝛼𝛼
ℋ 𝛼𝛼2ℋ== ℋ :0𝛼𝛼𝛼𝛼
:0 ℋ =2:0
:2:𝛼𝛼02
𝛼𝛼 0𝛼𝛼=2 0= 0 ℋ𝑎𝑎2:: 𝛼𝛼
ℋ 𝛼𝛼ℋ2≠≠ ℋ :00𝛼𝛼𝑎𝑎2
𝛼𝛼ℋ ≠2:0
:22:𝛼𝛼𝑎𝑎2
𝛼𝛼 0𝛼𝛼≠2 0≠ 0
02 ℋ ℋ
02
2 02 02
022 = 2 =0 𝑎𝑎2 ℋ ℋ
𝑎𝑎2
2 𝑎𝑎2 :𝑎𝑎2 ≠ 2 ≠0
Hipótesis nula nula

Hipótesis Hipótesis alternativa
:ℋEl
ℋ03Hipótesis nivel
: El Hipótesis
de
nivel
nula
03 Hipótesis estudios
de
Hipótesis
Hipótesis nula nula
universitarios
estudios
nula nula universitarios ℋ : Hipótesis
El
ℋ
𝑎𝑎3 Hipótesis nivel
: Elalternativa
denivelestudios
alternativa
𝑎𝑎3 Hipótesis Hipótesis
Hipótesis de
alternativa universitarios
estudios
alternativa
alternativa univers
Hipótesis nula
Hipótesis
Hipótesis nulanula frente frente Hipótesis alternativa
Hipótesis
alternativa
Elℋ no
nivel influye
Elno
de en
influye
estudios
nivel El
Elestudios el
nivel
nivel
de entiempo
el delicado
tiempo
universitarios
de
estudios estudios
deuniversitarios
estudios a
delicadola a
universitarios ℋ
universitarios
universitarios la influye
El nivel en el
influyede tiempo
en el
Elnivel delicado
estudiostiempo
nivel de a la
delicado lectura.
universitarios
estudios a la lectur
univers
ℋ03:: El
ℋ 03
ℋnivel
ℋ
03
03
ℋ::03El
03
lectura.
ℋ :El
:denivel
03
lectura.
El
:nivelnivel
de de de estudios
estudios
estudios universi-
universitarios
universitarios ℋ𝑎𝑎3:: El
𝑎𝑎3 ℋ ℋ𝑎𝑎3 ℋ
ℋnivel
𝑎𝑎3 :El
El
ℋ
::𝑎𝑎3𝑎𝑎3
El: 𝑎𝑎3
ElEl
:nivel
nivel
de
nivel dede de
estudios
nivel dedeestudios
estudios estudios
uni- universitarios
universitarios
estudios
estudios universita
universitari
universitarios
no influye
influye eninfluye
no el influye
tiempo en
delicado
elentiempoadelicado frente
la delicado frente frente
frente
no nono
no no
influye
en
influye influye
tarios
el en
ennoen
tiempo en
el tiempo
el
influye
el el tiempo
delicado
tiempo
tiempo delicado
el delicado
atiempo
la
delicado aa lalaa frente
aadeli-
la
frente
la la frente
influye
influye eninfluye
el
influye
versitarios
en el
influye tiempo
influye influye
enen
tiempo
en el
el delicado
entiempo
entiempo
tiempo
el
influye elen
delicado
el tiempo
tiempo aaeldelicado
delicadola
delicado
la lectura.
delicado
delicado
tiempo aa la
lectura. alectura.
la lectur
laaalectura.
lectura.
lalectura.
la
lectura. lectura. lectura.
lectura. ℋ :ℋ
cado a la lectura.03 3
03 𝛼𝛼 3 =
: 0
𝛼𝛼 = 0 delicado a la lectura. ℋ 𝑎𝑎3 : 𝛼𝛼 3ℋ ≠𝑎𝑎30: 𝛼𝛼 3 ≠ 0
lectura.lectura.
lectura.
ℋℋ03:: 𝛼𝛼 𝛼𝛼3ℋ= = ℋ :0𝛼𝛼𝛼𝛼
:0 ℋ =3:0
:3:𝛼𝛼03
𝛼𝛼 0𝛼𝛼=3 0= 0 ℋ𝑎𝑎3:: 𝛼𝛼
ℋ 𝛼𝛼ℋ3≠ ≠ ℋ :00𝛼𝛼𝑎𝑎3
𝛼𝛼ℋ ≠3:0
:33:𝛼𝛼𝑎𝑎3
𝛼𝛼 0𝛼𝛼≠3 0≠ 0
03 ℋ ℋ
03 03 = 3 = 0 t toman 𝑎𝑎3 ℋ ℋ
𝑎𝑎3:𝑎𝑎3 ≠ 3 ≠0
Puesto Puestoque3los que
03 estadísticos
03los
3 estadísticos los siguientes
t toman valores:valores:
los siguientes 3 𝑎𝑎3
PuestoPuesto
Puesto que
Puesto
que los
Puesto
los Puesto
estadísticos
que losque
que
estadísticoslos los
estadísticostt estadísticos
tomantt toman
estadísticos
toman los
toman siguientes
t toman
toman
t ttoman loslos los losvalores:
siguientessiguientes
siguientes valores: valores:
valores:
Puesto que que
Puesto los los
que estadísticos
estadísticos
los 1,958 los
estadísticos siguientes
lostoman valores:
siguientes
siguientes
los valores:
valores:
siguientes
t y valores:
1,958 0,659 0,659 4,170 4,170
tM = tM = = 2,73; = 2,73; tS = 0,872 tS == 0,76= 0,76 tU =y tU = 4,83 = 4,83
1,958 1,958 0,717
1,958 0,717
1,958 0,659 0,659 0,872
0,659
0,659 4,170 4,170 0,864 4,170 0,864
4,170
ttMM = 1,958 =tM1,958
tMMt== 2,73;
tM1,958
= === 2,73;
2,73; =ttSS2,73;
=2,73;
2,73; == 0,872 tSS =t==St0,659
0,76
=t0,659
S == y
y0,76tt=UU 0,76
=0,76
0,76 ==
y4,170
yttUU =y== 4,83
=tU4,170
tU4,170 === 4,83
4,83
==4,83 = 4,83
4,83
0,659
= 0,717t 2,73;
=
M 0,717 0,717 =
0,717 t S0,76
=
0,872 = =
0,76
0,872
0,872 y y
0,864 t 4,83
=
U 0,864 0,864 0,864
0,717 0,717 0,717 0,872 0,872 0,872 0,864 0,864 0,864
Por Por consiguiente,
consiguiente, se toman se toman las siguientes
las siguientes decisiones:
decisiones:
Por consiguiente,
Por consiguiente,
Por
Por Por Por Por
consiguiente, consiguiente,
se toman
consiguiente,
se
consiguiente,
consiguiente, toman sese se las
toman se
siguientes
setoman
las
toman toman toman
las
siguientes las las
decisiones:
siguientes siguientes
siguientes
decisiones: decisiones:
decisiones:
decisiones:
|tM| =|tPor | =consiguiente,
2,73 > 1,97
2,73 > 1,97→ Se→ selas
toman
rechaza
Se
las siguientes
siguientes
la las
rechaza siguientes
hipótesis
decisiones:
decisiones:
nula,decisiones:
la hipótesis por
nula, consiguiente,
por consiguiente, la condición de ser de ser
la condición
M
|t
|tM | = 2,73 >
|t|tMM||t||t=
| = 2,73 1,97
|t
=M|2,73
> 2,73 |
|==M2,73=
2,73→2,73
> 1,97 Se
1,97
>1,97 >
rechaza
1,97 →→1,97 Se
→Se → la Se
hipótesis
rechaza
Se rechaza rechaza
laen nula,
hipótesis
lael la hipótesis
hipótesis por consiguiente,
nula, nula,
nula,
porpor por por consiguiente,
consiguiente, la
consiguiente, condiciónla condición
condición de
la
lacondición condición
ser
condición dede
ser de
serser
deser
|t1,97 → >Se rechaza larechaza
hipótesis nula, por consiguiente, laacondición de ser la
M
M | = >
2,73 > → 1,97mujer
Se → influye
mujer
rechaza Se influye
la la
hipótesis
rechaza tiempo
enlael
hipótesis dedicado
tiempo
nula,
nula, por
hipótesis aconsiguiente,
la
dedicado lectura.
consiguiente,
nula, por laconsiguiente,
lectura.
la la de ser
M
mujer influye
mujer
condición influye
mujer
mujer de mujer
mujer mujer
ser enmujer
influye
en el tiempo
el
influye
influye influye
tiempo
influye en
en el
influye
en
el elen
dedicado
entiempo
tiempo el el
eltiempo
dedicado
en tiempo
tiempo aadedicado
ladedicado
dedicado
la
tiempo
dedicado
dedicado lectura.
aa la
lectura.la laalectura.
aalectura.
dedicado lectura.
la laa la
lectura.
lectura. lectura.
|tS| =|t0,76 ˂ 1,97
S| = 0,76 → No→seNo
˂ 1,97 rechaza la hipótesis
se rechaza nula, por
la hipótesis ende,
nula, porelende, niveleldenivelestudios
de estudios
|tS| = 0,76 ˂ 1,97 → No se rechaza la hipótesis nula, por ende, el nivel de
|t|tSS|| == 0,76
0,76
|t|tSS|||t=˂˂
|t= |1,97
0,76
S1,97
S|0,76
|0,76
=˂→
=|t=S0,76 ˂→0,76
No
1,97
˂
˂No
1,97
estudios
˂→
1,97 se
1,97→
se1,97
rechaza
No
→No →
No
seno
rechaza
secundarios
secundarios
→
No se
secundarios
No
se la
rechaza
se
la se
hipótesis
rechaza
rechaza
hipótesis
influye
no
rechaza
rechazano influye
la
influye la nula,
la
laenhipótesis
hipótesis
la nula, hipótesis
hipótesis
elhipótesis
entiempo
enel por
elpor ende,
nula,nula,
ende,
dedicado
tiempo
nula,
nula,
tiempo
nula,
por
por el
por
el
por nivel
por
ende,
laende,
anivel
dedicado
ende,
dedicado ende,elende,
el
ade
de
lectura.el
la
elestudios
nivel elde
nivel
nivel
de
laestudios
anivel de estudios
estudios
deestudios
lectura.
nivel de estudios
estudios
lectura.
secundarios
secundarios no
secundarios
secundarios
no
secundarios
secundarios influye
secundarios nono
influye
no eninfluye
en
influyeno
influye
no el influye
el tiempo
influye enen
tiempo
en el
el elen
dedicado
entiempo
tiempo el tiempo
eltiempo
tiempo
dedicado aadedicado
dedicadoladedicado
la
dedicado
dedicado lectura.
aa la
lectura. la laalectura.
aalectura.
lectura.
la la lectura.
lectura.
|t | = 4,83 > 1,97 → Se rechaza la hipótesis nula, por lo tanto, el nivel de
|tUU| =|tU4,83 > 1,97
| = 4,83 → Se→
> 1,97 rechaza
Se rechaza la hipótesis nula, por
la hipótesis nula,lo tanto,
por loeltanto, niveleldenivelestudios
de estudios
estudios universitarios influye en el tiempo delicado a la lectura.
|t|tUU|| == 4,83
4,83 >U|4,83
|t|tUU||t| =|tU>
= |1,97
=|t=U4,83
4,83
1,97 |4,83
=>→
→
>4,83
Se
1,97
>
>Se >rechaza
rechaza
1,97→ 1,97
Se
→Se
universitarios
1,971,97→ → larechaza
la Se
rechaza
Se hipótesis
rechaza
rechaza
hipótesis
universitarios
→Se rechaza influye lainfluye
la en
la nula,
la tiempo
hipótesis
nula,
el
lahipótesis por
hipótesis
enpor nula,
el
nula, lo
lo tanto,
nula,
nula,
por
tanto,
delicado
tiempo
nula,
por por
porlo
lo el
por
el nivel
tanto, lo
alonivel
la
delicado
lo tanto,
tanto, de
elade
lectura.
tanto,
tanto, el estudios
nivel elde
nivel
laelestudios
el
nivel nivel
de
lectura.
nivel de estudios
estudios
deestudios
de estudios
estudios
En universitarios
conclusión,
universitarios universitarios
influye
universitarios
universitarios eninfluye
influye
dado influye
influye
universitarios
universitarios que
en elen
el influye
tiempo
influye en el
en
laen
tiempo
en el en
delicado
tiempo el tiempo
eltiempo
tiempo
distribución
eldelicado
tiempo adelicado
la
delicado delicado
lectura.
aa la
encontramos
adelicado
la
delicado lectura.la laalectura.
aalectura.
lectura.
la laellectura.
lectura. valor t 0,025
Encon En 193
conclusión, grados
conclusión, dadode quelibertad
dado enquela en (T-K-1
distribución = encontramos
197-3-1
la distribución = 193)
encontramosel valor que es igual
elt0,025
valor cont0,025
193a con
1,97,
grados193de grados de
En conclusión,
conclusión,
EnEnEnrechazamos
En dado
conclusión,
conclusión,
conclusión, que la
dado enprimera
dado la
dado
que que hipótesis
distribución
enquela en
endistribución
distribuciónnula,
ladistribución
distribución es
la encontramos
encontramos
distribución decir,
encontramos en cuanto
encontramos
el valor
valorel
encontramos eltt0,025
valor al
el
con
elvalor
valorsexo,
valor193 se observa
tgrados
grados con de193 grados
de de
En En dado
conclusión,
conclusión, que
dado en
dado la
que distribución
queen en
la la el
encontramos
encontramos 0,025
el
valor contt0,025
0,025t0,025
t193 con
con
0,025
con
0,025
con 193
193 193
193 grados
de grados
grados
grados dede
de
libertad (T-K-1
libertad
mayor = 197-3-1
(T-K-1
dedicación = 197-3-1 a=la193) = que
193)espor
lectura igual
que es aigual
parte1,97, rechazamos
de alas1,97, rechazamos
mujeres. laNo primera hipótesis
selarechaza
primera nula, nula
hipótesis
la
bertad (T-K-1
libertad
ertadlibertad
(T-K-1libertad
libertad==(T-K-1
197-3-1
(T-K-1
segunda
libertad (T-K-1
(T-K-1
197-3-1
(T-K-1 ====197-3-1
==hipótesis
197-3-1
197-3-1 193)
= 197-3-1
197-3-1
193) que
==que
193)
nula,
193) es
==193)
es
es =que
igual
193)193)
que
decir,
igual
que esaaque
que
es el1,97,
esaarechazamos
igual
esnivel
1,97,
es igual
igual igual
rechazamos
igual 1,97,
de
1,97, arechazamos
aa1,97,
1,97,1,97,
rechazamos
estudios la
rechazamos
rechazamos
la primera
secundarios
rechazamos primera hipótesis
la primera
la primera
lala lanoprimera
primera
hipótesis
primera nula,
hipótesis
presenta
nula,
hipótesis
hipótesis nula, nula
nula,
nula,
nula,
es decir, en cuanto
es decir, en cuanto al sexo, se observa
al sexo, mayormayor
se observa dedicación a la lectura
dedicación por parte
a la lectura por departe
las de las
diferencias respecto al nivel de estudios primarios en lo que se refiere a las
decir,
decir, en
esen cuanto
es en
decir,
escuantodecir,
decir,
enen alcuanto
sexo,
en
cuanto
en
al cuanto
cuanto
sexo, se
alse observa
sexo, alse
alobserva
sexo,sexo,
se mayor
se observa
observa
se observa
mayor dedicación
mayor mayor
mayor
dedicación aa dedicación
la lectura
dedicación lectura
dedicación
la por
laalectura
aasecundarios
la
aalectura
lectura
por laparte
parte
lectura
lectura porporde
por las
por
parte parte
parte
de las
delasde
laslas
es es decir,
decir, horas
mujeres.
mujeres.
cuanto
Node se
No
al
lectura
rechaza
al
sexo,
se rechaza
sexo,
(el se
nivel
la segunda
observa
observa mayor
de hipótesis
la segundaestudios mayor dedicación
dedicación
primarios
nula,
hipótesis es yes
decir,
nula,
la
el
la
niveleldenivel
decir,
por node
estudios
las
parteparte
influyen de de
las
en secundarios
secundarios
de estudios
ujeres.
ujeres. No
mujeres.
No se
mujeres.
mujeres.
se
mujeres.
mujeres. rechaza
NoNoNo
rechaza
No se No
se se larechaza
la se
rechazasegunda
rechaza
se rechaza
rechaza
segundala la hipótesis
la segundala segunda
segunda
lahipótesis
segunda
segunda nula,
hipótesis
nula, hipótesis
hipótesis
hipótesis esnula,
hipótesis
es decir,
nula,
decir,
nula,nula,
nula,
es
es el
el nivel
es el
decir,
esnivel
es decir,
decir,
decir,
decir, de
elde estudios
nivel
el elde
elestudios
nivel nivel
nivel nivel
de de secundarios
de
estudios estudios
desecundarios
estudios
estudios
estudios secundariossecundarios
secundarios
secundarios
secundarios
no presenta
no presentadiferencias
diferencias respecto al nivel
respecto al de estudios
nivel primarios
de estudios en lo que
primarios en selo refiere
que searefiere las a las
presenta
nono
presenta
no diferencias
no
presenta presenta
nodiferencias
presenta
presenta
presenta respecto
diferencias
diferencias
diferencias
respecto
diferencias
diferencias al
respecto
al nivel
respecto
respecto
nivel
respecto
respecto alde
aldeal estudios
nivel
nivel alde
alestudios
nivel
nivel nivel
de de primarios
de
estudiosestudios
deprimarios
estudios
estudios
estudios en primarios
primarios lo que
primarios
en lo
primarios
primarios queenen
en lose
lo
enque
se refiere
en
que
loloque
refiereloseque
que
se aaselas
las
se refiere
refiere
se refiere
refiere
refiere aa las
las a las
aalas
las
193
la lectura); y se rechaza la tercera hipótesis nula, por consiguiente, en cuanto

a la formación educativa, los universitarios leen más que los que no lo son.
Como a Don Pablo le interesa conocer un modelo más completo que

incorpore, además de las variables cuantitativas ya estudiadas (precio de la
editorial, precio de la competencia, gasto en publicidad y renta personal),
el efecto estacional, ya estudiado en forma aislada, procederemos a estimar
dicho modelo. En la Tabla 7.4 se muestra los resultados de la aplicación de
MCO.
Tabla 7.4
Estimación modelo de ventas con variables cuantitativas y cualitativas.
Método: MCO
C 230,7539 57,89491 3,989183 0,0003
PE -1,796590 0,476892 -3,767286 0,0006
PC 0,178973 0,316206 0,566001 0,5751
GP 0,096767 0,006070 15,94293 0,0000
R 0,003237 0,002738 1,182183 0,2453
L 13,19365 6,702739 1,968396 0,0572
Log likelihood -219,9595 Hannan-Quinn
EL USO criterion BÁSICA
DE LA ECONOMETRÍA 11,12851
F-statistic
194 4,536517 Durbin-Watson stat 0,887397
Por lo tanto, el modelo sería:

una vez estimado proporciona los siguientes resultados:
̂ = 230,75
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 332,943 + 47,197Lt
– 1,797PE + 0,179PC + 0,097GP(7.2)
+ 0,003R + 13,194L (7.5)
(11,08) (22,16)
R(57,84)
2 (0,477)
= 10,67%; 𝑅𝑅̅2 =(0,316)
8,31% (0,006) (0,003) (6,703)
R2 = 93,42%; R2 = 92,45%
que la t¿muestral o
Es el efecto t-ratio
¿Es elvacacionalpara el contraste
efecto vacacional de significación
significativo?,
significativo?, Ho: β1 =cuando
¿tieneEmilio
¿tiene razón razón 0, es: cuando
Emilio afirma
afirma que que en vera
en verano
¿Es el efecto
¿Es elvacacional
¿efecto vacacional
significativo?,
Es el efecto significativo?,
47,20 ¿tiene razón
vacacional ¿tieneEmilio
significativo?, razón razón
¿tiene cuando
EmilioEmilio
cuando
afirmacuando
que
afirma
enafirma
verano
que en verano
de cadade cada año trimestre: |t| =julio a agosto)
(tercer trimestre: = 2,13 se incrementan
año (tercer 22,16 julio a agosto) se incrementan sistemáticamente
sistemáticamente las ventaslas de
ventas
¿Es que
el añoen
efecto verano de
vacacional cada año (tercer trimestre: julio a agosto) se incrementan
e cadade añocada
(tercer trimestre:
(tercer juliosignificativo?,
trimestre: a agosto)
julio a agosto)¿tiene
se incrementanrazónsistemáticamente
Emiliosistemáticamente
se incrementan cuando afirma que
las ventaslasen
de verano
ventas de
otro la ensistemáticamente
lalas
editorial?
lado, editorial? las ventas det de
tablas de la distribución la editorial?
Student para un nivel de significación
delacada
a editorial? año (tercer trimestre: julio a agosto) se incrementan sistemáticamente las ventas de
editorial?
A partir
% y con 40-1-1 =Ade
38partir
la
grados
partir de la
de la información
información disponible
deinformación
libertad disponible
encontramos
disponible envalor
en la Tabla
unen la7.5
la Tabla 7.5igual
daremos
crítico
Tabla 7.5 daremos
respuesta
daremos a 2,024,respuesta
alpor al interrogant
interrogante
respuesta al
interrogante
la editorial?
A partir Adepartir
la información de Emilio.
de la información
disponible La hipótesis
disponible ennula
en la Tabla la7.5que
Tabla debemos
daremos
7.5 daremos contrastar
respuesta respuesta es: al interrogante
al interrogante
de Emilio.de Emilio. La hipótesis
La hipótesis nula quenula que debemos
debemos contrastarcontrastar
es: es:
deAEmilio.
e Emilio. partir
La de
Lalahipótesis
hipótesis información
nula quenula
Hipótesis disponible
debemos
nula que debemos en contrastar
contrastarla Tabla
es: 7.5 es:daremos
Hipótesis respuesta
alternativaal interrogante
Hipótesis Hipótesis
nula|t| = nula
2,13 > 2,024 Hipótesis Hipótesis alternativa
alternativa
ℋ0Emilio.
de Elℋ0La
: Hipótesis El
:efecto efecto
Elhipótesis
efecto
Hipótesis
nula nulavacacional
vacacional que no
vacacional
nula no es
debemosesno contrastar
es ℋ𝑎𝑎 : El
es: El 𝑎𝑎 : El
efecto
ℋefecto
Hipótesis efecto
vacacional vacacional
vacacional
Hipótesis
alternativa es es significati
es significativo
alternativa en las
tanto, al significativo
significativo en las
significativo
contrastar las en las
ventas las
hipótesis ventas
de la
ventas
nula dealternativa
editorial.
y de la frente
la editorial. frente
formuladas ventas deventas
significativo
de la la en de
siguientelaslaventas
editorial. editorial.
manera:de la
ℋ0 : Elℋ0 :efecto El efecto
vacacionalvacacional
no es no es ℋ𝑎𝑎 : El efecto
ℋ𝑎𝑎 : Elvacacional
efecto vacacional
es significativo
es significativo
en las en la
significativo eneditorial.
significativo ℋ0las
las ventas
en : 𝛼𝛼 =ℋeditorial.
deventas
4 la 0 : 𝛼𝛼
0 = editorial.
de4 la 0 frente frenteventas editorial.
deventas
la editorial. ℋ𝑎𝑎 : 𝛼𝛼4 ≠
de laHipótesis
editorial. ℋ𝑎𝑎0: 𝛼𝛼4 ≠ 0
Hipótesis nula alternativa
ℋLa
Hipótesis Lanula
𝛼𝛼distribución
distribución
Elℋ0 :efecto apropiada apropiada
vacacional
eses
es lanot de la t de Student,
Student, y elElvalor
y el valor
ℋ𝑎𝑎 :del
Hipótesis del
estadístico𝛼𝛼estadístico
alternativa
efecto ℋviene viene
dado
0 por:dado en
por:
0: 4 =
ℋ0 0 : 𝛼𝛼 4 =0 ℋ 𝑎𝑎 :vacacional
4 ≠ 0: 𝛼𝛼4es≠
𝑎𝑎 significativo las
No
Laexiste un diferencial
distribución
La
significativo en lassignificativo
distribución
apropiada apropiada
ventases de
la tlade frente
esStudent,
editorial. y ℋ
el : Existe
frente
la t de Student,𝑎𝑎valor
y el
delun
valordiferencial
estadístico
ventasdel
de significativo
estadístico
la viene
editorial. dado
viene en laspor:
por:
dado
13,194 13,194
as ventas de la editorial ℋ : cuando
𝛼𝛼 = 0 es t = ventas de la=editorial
t == 1,968 1,968 cuandoℋ𝑎𝑎es: 𝛼𝛼verano 0 con
4 ≠viene
no con respecto La
al distribución
resto
0
del
4
año. apropiada13,194es la t6,703
de Student,
6,703 y el valor del estadístico
respecto al resto del año.
La distribución apropiada est la = t de tStudent,
== 1,968y=el1,968
13,194 valor del estadístico viene dado por:
ℋ0dado
: 𝛽𝛽1 =por:
0 6,703 6,703 ℋ𝑎𝑎 : 𝛽𝛽1 ≠ 0
Tabla 7.5 Tabla 7.5 13,194
t(efecto
= = 1,968
TablaVariables
TablaVariables
7.5 7.5 cuantitativas
cuantitativas y cualitativas
y cualitativas (efecto estacional)
6,703estacional)
Trimestre Trimestre Ventas PE PC GP LR Trimestre
L Trimestre
tonces,Variables
Variables secuantitativas
rechaza
2009:1
la hipótesis
Ventas PE
cuantitativas
2009:1
275,5 y 275,5 nula
PC
cualitativas
98,6 y105,5
GP
ℋ(efecto
0 :105,5
cualitativas
98,6 1.868,0
R
𝛽𝛽1 =1.868,0al nivel
0895,0
(efecto
estacional) de significancia
estacional)
895,0
0 0
2014:1
Ventas
2014:1
229,9
deVentas
5%.
PE
229,9
99,2
PE
En PC PC
GP
99,2 1.903,0
108,5 108,5
GP
R
1.903,0
2.465,6
Tabla
Trimestre 2009:2 7.52009:2
Trimestre
Ventas Ventas
PE
285,6 PC
PE
285,6
96,6 GP
PC GP
96,6 2.157,0
104,4 R
104,4 LR Trimestre
2.157,0
957,7 0L
957,7 Trimestre
Ventas
0
2014:2 Ventas
PE
2014:2
342,9 PC
PE
342,9
86,4 GP
PC
98,1 GP
R
86,4 2.489,0
98,1 LR
2.489,0
2.564,2
palabras, existe
2009:1 2009:3
2009:1
2009:2Variables
2009:2
un 285,6
275,52009:3
diferencial
275,5
98,6 102,0
336,8
285,6 cuantitativas
96,6
105,5
336,8
104,4
significativo
98,6 1.868,0
105,52.541,0
102,0
115,6
96,6y 2.157,0
1.868,0
cualitativas115,6 en las
895,0 1.024,7
0
2.541,0
957,7 (efecto
104,4 2.157,0
ventas
1 de la
895,0 1.024,7
2014:1
0
957,7 estacional)
0 2014:2
0
1 editorial
2014:1
229,92014:3
2014:3
2014:2
342,9
cuando98,1
229,9
99,2 361,9
361,9
342,9
86,4
es
108,5
99,2 1.903,0
92,7 108,52.770,0
92,7
122,8
86,4 2.489,0
2.465,6
1.903,0
122,8
98,1 2.564,2
2.489,0
2.465
0
2.770,0
2.666,8
2.564
0
2009:4 2009:4
333,4 333,4
91,9 91,9 2.561,0
102,7 102,7 1.075,9
2.561,0 1.075,90 0
2014:4 2014:4
301,3 301,3
100,9 100,9 2.493,0
106,9 106,9 2.773,4
2.493,0
2009:3 Trimestre
2009:3
2010:1
Ventas
336,82010:1 336,8 PE
102,0
357,0 115,6
357,0
105,6
PC
102,0 2.541,0 115,63.103,0
105,6
106,1
GP
1.024,7
2.541,0
106,1 1.129,7R1
1.024,7
3.103,0 L
2014:3
01
1.129,7 Trimestre
2014:3 Ventas
0 361,92015:1
2015:1 92,7 PE
361,9
332,5 122,8 PC
92,7 2.770,0
332,5
101,7
GP
122,82.701,0
101,7
108,3 2.666,8
2.770,0 R1
2.666
108,3 2.939,8
2.701,0
o2009:4
con respecto
2009:1
2009:4
2010:2
2009:2
al 325,2
resto
333,42010:2 91,9 del
275,5
333,4
285,6
año.
98,6
102,7
325,2
102,8
96,6
105,5
91,9 2.561,0
102,8
100,2
104,4
1.868,0
102,72.661,01.075,9
2.561,0 895,0
1.075,9
100,2 1.186,2
2.157,0
0
2.661,0
957,7
0
2014:4
00
1.186,2
0
2014:1
2014:4
0 301,32015:2
2015:2
2014:2
229,9
100,9
301,3 343,2
343,2
342,9
99,2
106,9 108,5
100,9 2.493,0
95,3
86,4
1.903,0
106,92.497,0
95,3
114,4
98,1
2.773,4
2.493,0
2.489,0
2.465,6
2.773
114,4 3.116,20
2.497,0
2.564,2
2010:1 2010:3
2010:1
357,02010:3 105,6
357,0 102,1
362,2 106,1
105,6 3.103,0
362,2 106,12.757,0
102,1
97,2 1.129,7
3.103,0 1.129,7
97,2 1.245,5 0
2.757,0 2015:1
10
1.245,5 2015:1
1 332,52015:3
2015:3 101,7
332,5 421,9
421,9 108,3
101,7 2.701,0
98,6 108,33.192,0
98,6
114,9 2.939,8
2.701,0 2.939
114,9 3.303,20
3.192,0
2009:3
2010:2 2010:4
2010:2 336,8
325,22010:4 102,8
325,2 232,0102,0
100,2 115,6
102,8 2.661,0 2.541,0
100,21.403,01.186,2
2.661,0 1.024,7
1.186,2
0 1
2015:2 2014:3 361,9 92,7 122,8 2.770,0 2.666,8
232,0 99,1 99,1
93,3 93,3 1.307,8
1.403,0 00
1.307,8 2015:2
0 343,22015:4
2015:4 343,2
95,3 102,5
401,9 114,4
95,3 2.497,0
401,9 114,43.086,0
102,5
107,5 3.116,2
2.497,0 3.116
107,5 3.501,40
3.086,0
2009:4
2010:3 2011:1
2010:3 333,4
362,22011:1 102,1
362,2 100,3 91,9
102,1 102,7
97,2 2.757,0 2.561,0
97,21.856,0
1.245,5
2.757,0 1.075,9
1.245,5
1 0
2015:3 2014:4 301,3 100,9 106,9 2.493,0 2.773,4
252,2 252,2 100,3
94,6 94,6 1.386,3
1.856,0 01
1.386,3 2015:3
0 421,92016:1
2016:1 421,9
98,6 101,0
421,8 114,9
98,6 3.192,0
421,8 114,93.533,0
101,0
108,5 3.303,2
3.192,0 3.303
108,5 3.676,51
3.533,0
2010:1
2010:4 2011:2
2010:4 357,0
232,02011:2 232,0
99,1 104,8105,6
93,3 106,1
99,1 1.403,0 3.103,0
93,32.123,0
1.307,8
1.403,0 1.129,7
1.307,8
0 0
2015:4 2015:1 332,5 101,7 108,3 2.701,0 2.939,8
322,1 322,1 104,8
109,4 109,4 1.455,6
2.123,0 00
1.455,6 2015:4
0 401,92016:2
2016:2 102,5
401,9 361,7
361,7 107,5
102,5 3.086,0
96,9 107,52.864,0
96,9
109,4 3.501,4
3.086,0 3.501
109,4 3.860,30
2.864,0
2010:2
2011:1 2011:3
2011:1 325,2
252,22011:3 100,3
252,2 297,3102,8
100,3 100,2
94,6 1.856,0 2.661,0
94,62.181,0
1.386,3
1.856,0 1.186,2
1.386,3
0 0
2016:1 2015:2 343,2 95,3 114,4 2.497,0 3.116,2
297,3 85,6 85,6
94,7 94,7 1.528,3
2.181,0 10
1.528,3 2016:1
1 421,82016:3
2016:3 101,0
421,8 393,6
393,6 108,5
101,0 3.533,0
98,3 108,53.181,0
98,3
114,6 3.676,5
3.533,0 3.676
114,6 4.053,30
3.181,0
2010:3
2011:2 2011:4
2011:2 362,2
322,12011:4 104,8
322,1 103,0102,1
109,4
104,8 2.123,0 97,2 2.757,0
109,42.520,01.455,6
2.123,0 1.245,5
1.455,6
0 1
2016:2 2015:3 421,9 98,6 114,9 3.192,0 3.303,2
298,9 298,9 103,0
111,4 111,4 1.604,8
2.520,0 00
1.604,8 2016:2
0 361,72016:4
2016:4 361,7
96,9 287,6
287,6 109,4
96,9 2.864,0
91,8 109,41.855,0
91,8
118,2 3.860,3
2.864,0 3.860
118,2 4.256,00
1.855,0
2010:4
2011:3 2012:1
2011:3 232,0
297,32012:1 297,3
85,6 100,4 99,1
94,7
85,6 2.181,093,3 1.403,0
94,72.134,0
1.528,3
2.181,0 1.307,8
1.528,3
1 0
2016:3 2015:4 401,9 102,5 107,5 3.086,0 3.501,4
246,8 246,8 100,4
105,0 105,0 1.685,0
2.134,0 01
1.685,0 2016:3
0 393,62017:1
2017:1 393,6
98,3 380,0
380,0 114,6
98,3 3.181,0
77,8 114,62.575,0
77,8
106,8 4.053,3
3.181,0 4.053
106,8 4.468,81
2.575,0
2011:1
2011:4 2012:2
2011:4 252,2
298,92012:2 103,0
298,9 322,4100,3
111,4
103,0 2.520,0 94,6 1.856,0
111,42.473,01.604,8
2.520,0 1.386,3
1.604,8
0 0
2016:4 2016:1 421,8 101,0 108,5 3.533,0 3.676,5
322,4 93,8 93,8
118,3 118,3 1.786,1
2.473,0 00
1.786,1 2016:4
0 287,62017:2
2017:2 287,6
91,8 495,6
495,6 118,2
91,8 1.855,0
81,6 118,23.723,0
81,6
131,4 4.256,0
1.855,0 4.256
131,4 4.692,20
3.723,0
2011:2
2012:1 2012:3
2012:1 322,1
246,82012:3 100,4
246,8 383,5104,8
105,0 109,4
100,4 2.134,0 2.123,0
105,03.125,01.685,0
2.134,0 1.455,6
1.685,0
0 0
2017:1 2016:2 361,7 96,9 109,4 2.864,0 3.860,3
383,5 99,7 99,7
102,1 102,1 1.875,4
3.125,0 10
1.875,4 2017:1
1 380,02017:3
2017:3 380,0
77,8 452,6
452,6 106,8
77,8 2.575,0
86,6 106,83.268,0
86,6
101,5 4.468,8
2.575,0 4.468
101,5 4.879,90
3.268,0
2011:3
2012:2 2012:4
2012:2 297,3
322,42012:4 322,4
93,8 104,6 85,6
118,3
93,8 2.473,094,7 2.181,0
118,32.753,01.786,1
2.473,0 1.528,3
1.786,1
0 1
2017:2 2016:3 393,6 98,3 114,6 3.181,0 4.053,3
321,8 321,8 104,6
110,6 110,6 1.969,2
2.753,0 00
1.969,2 2017:2
0 495,62017:4
2017:4 495,6
81,6 404,9
404,9 131,4
81,6 3.723,0
93,0 131,43.025,0
93,0
146,2 4.692,2
3.723,0 4.692
146,2 5.075,10
3.025,0
2011:4
2012:3 2013:1
2012:3 298,9
383,52013:1 383,5
99,7 100,0103,0
102,1 111,4
99,7 3.125,0 2.520,0
102,12.869,01.875,4
3.125,0 1.604,8
1.875,4
1 0
2017:3 2016:4 287,6 91,8 118,2 1.855,0 4.256,0
351,5 351,5 100,0
97,3 97,3 2.067,6
2.869,0 01
2.067,6 2017:3
0 452,62018:1
2018:1 452,6
86,6 421,3
421,3 101,5
86,6 3.268,0
83,7 101,53.173,0
83,7
114,2 4.879,9
3.268,0 4.879
114,2 5.227,41
3.173,0
2012:1
2012:4 2013:2
2012:4 246,8
321,82013:2 104,6
321,8 103,7100,4
110,6 105,0
104,6 2.753,0 2.134,0
110,63.301,01.969,2
2.753,0 1.685,0
1.969,2
0 0
2017:4 2017:1 380,0 77,8 106,8 2.575,0 4.468,8
381,1 381,1 103,7
91,8 91,8 2.171,0
3.301,0 00
2.171,0 2017:4
0 404,92018:2
2018:2 404,9
93,0 333,7
333,7 146,2
93,0 3.025,0
93,7 146,22.387,0
93,7
119,3 5.075,1
3.025,0 5.075
119,3 5.384,20
2.387,0
2012:2
2013:1 2013:3
2013:1 322,4
351,52013:3 100,0
351,5 412,5 93,8
100,0 118,3
97,3 2.869,0 2.473,0
97,33.043,0
2.067,6
2.869,0 1.786,1
2.067,6
0 0
2018:1 2017:2 495,6 81,6 131,4 3.723,0 4.692,2
412,5 96,7 96,7
96,8 96,8 2.279,6
3.043,0 10
2.279,6 2018:1
1 421,32018:3
2018:3 421,3
83,7 379,1
379,1 114,2
83,7 3.173,0
94,5 114,22.839,0
94,5
116,5 5.227,4
3.173,0 5.227
116,5 5.545,70
2.839,0
2012:3
2013:2 2013:4
2013:2 383,5
381,12013:4 103,7
381,1 105,5 99,7
103,7 102,1
91,8 3.301,0 3.125,0
91,81.538,0
2.171,0
3.301,0 1.875,4
2.171,0
0 1
2018:2 2017:3 452,6 86,6 101,5 3.268,0 4.879,9
217,5 217,5 105,5
102,2 102,2 2.370,8
1.538,0 00
2.370,8 2018:2
0 333,72018:4
2018:4 333,7
93,7 407,0
407,0 119,3
93,7 2.387,0
97,7 119,33.352,0
97,7
113,5 5.384,2
2.387,0 5.384
113,5 5.712,10
3.352,0
2013:3PE:2012:4
2013:3
412,5
Precio
321,8
PE: Precio
promedio 412,5
96,7
depromedio104,6
96,8
96,7
de
la editorial;
110,6
3.043,0
96,8
la editorial;
PC: Precio PC:
de
2.753,0
la2.279,6
3.043,0
Precio de 1.969,2
la2.279,6
competencia; 1GP: Gasto0 1GP: Gasto
2018:3
competencia; 2017:4
2018:3
379,1
en R:
en publicidad;
404,9
Renta 379,1
publicidad;94,5
R: Renta
personal;
93,0
L:116,5
146,2
94,5 2.839,0
personal;
Efecto L:116,5 3.025,0
Efecto
estacional estacional5.075,1
5.545,7
2.839,0
(verano) 5.545
1
(veran
2013:1
2013:4Fuente:
2013:4 Fuente:351,5
217,5
Elaboración 105,5
Elaboración
propia 100,0
217,5 a partir
102,2
105,5
propia 97,3
a 1.538,0
102,2
partir
de Alonso 2.869,0 et al.2.067,6
2.370,8
1.538,0
etdeal.Alonso
(2005). 2.370,8
0
(2005). 00
2018:4 2018:1
2018:4
407,0 421,3
407,0
97,7 83,7
113,5 114,2
113,5 3.173,0
97,7 3.352,0 3.352,0 5.227,4
5.712,1 5.712
0
2013:2
E: Precio promedio
PE: Precio 381,1
depromedio
la editorial;
de PC: 103,7
la editorial;
Precio de 91,8
PC:laPrecio 3.301,0
competencia;
de 2.171,0
la competencia;
GP: Gasto en
GP: 0 enR:
publicidad;
Gasto 2018:2
publicidad;
Renta personal; 333,7
R: RentaL:personal;93,7
Efecto estacional 119,3
L: Efecto(verano) 2.387,0
estacional (verano)5.384,2
2013:3Elaboración
uente: Elaboración
Fuente: propia a412,5
partir
propia 96,7etdeal.Alonso
de Alonso
a partir 96,8et 3.043,0
(2005). al. (2005). 2.279,6 1 2018:3 379,1 94,5 116,5 2.839,0 5.545,7
195
Tabla 7.5
Variables cuantitativas y cualitativas (efecto estacional).
Trimestre Ventas PE PC GP R L Trimestre Ventas PE PC GP R L
2009:1 275,5 98,6 105,5 1.868,0 895,0 0 2014:1 229,9 99,2 108,5 1.903,0 2.465,6 0
2009:2 285,6 96,6 104,4 2.157,0 957,7 0 2014:2 342,9 86,4 98,1 2.489,0 2.564,2 0
2009:3 336,8 102,0 115,6 2.541,0 1.024,7 1 2014:3 361,9 92,7 122,8 2.770,0 2.666,8 1
2009:4 333,4 91,9 102,7 2.561,0 1.075,9 0 2014:4 301,3 100,9 106,9 2.493,0 2.773,4 0
2010:1 357,0 105,6 106,1 3.103,0 1.129,7 0 2015:1 332,5 101,7 108,3 2.701,0 2.939,8 0
2010:2 325,2 102,8 100,2 2.661,0 1.186,2 0 2015:2 343,2 95,3 114,4 2.497,0 3.116,2 0
2010:3 362,2 102,1 97,2 2.757,0 1.245,5 1 2015:3 421,9 98,6 114,9 3.192,0 3.303,2 1
2010:4 232,0 99,1 93,3 1.403,0 1.307,8 0 2015:4 401,9 102,5 107,5 3.086,0 3.501,4 0
2011:1 252,2 100,3 94,6 1.856,0 1.386,3 0 2016:1 421,8 101,0 108,5 3.533,0 3.676,5 0
2011:2 322,1 104,8 109,4 2.123,0 1.455,6 0 2016:2 361,7 96,9 109,4 2.864,0 3.860,3 0
2011:3 297,3 85,6 94,7 2.181,0 1.528,3 1 2016:3 393,6 98,3 114,6 3.181,0 4.053,3 1
2011:4 298,9 103,0 111,4 2.520,0 1.604,8 0 2016:4 287,6 91,8 118,2 1.855,0 4.256,0 0
2012:1 246,8 100,4 105,0 2.134,0 1.685,0 0 2017:1 380,0 77,8 106,8 2.575,0 4.468,8 0
2012:2 322,4 93,8 118,3 2.473,0 1.786,1 0 2017:2 495,6 81,6 131,4 3.723,0 4.692,2 0
2012:3 383,5 99,7 102,1 3.125,0 1.875,4 1 2017:3 452,6 86,6 101,5 3.268,0 4.879,9 1
2012:4 321,8 104,6 110,6 2.753,0 1.969,2 0 2017:4 404,9 93,0 146,2 3.025,0 5.075,1 0
2013:1 351,5 100,0 97,3 2.869,0 2.067,6 0 2018:1 421,3 83,7 114,2 3.173,0 5.227,4 0
2013:2 381,1 103,7 91,8 3.301,0 2.171,0 0 2018:2 333,7 93,7 119,3 2.387,0 5.384,2 0
2013:3 412,5 96,7 96,8 3.043,0 2.279,6 1 2018:3 379,1 94,5 116,5 2.839,0 5.545,7 1
2013:4 217,5 105,5 102,2 1.538,0 2.370,8 0 2018:4 407,0 97,7 113,5 3.352,0 5.712,1 0
PE: Precio promedio de la editorial; PC: Precio de la competencia; GP: Gasto en publicidad; R: Renta personal; L: Efecto estacional
(verano)
Fuente: Elaboración propia a partir de Alonso et al. (2005).
196
De otra parte, en las tablas de la distribución t de Student, para un nivel de

significación de 5% (t0,025) para 34 grados de libertad (T-K-1 = 40 - 5 - 1 = 34),
encontramos un valor crítico igual a 2,032, por consiguiente, |t| = 1,968 ˂ 2,032 →
No se rechaza la hipótesis nula, por tanto, el efecto vacacional no es significativo
para explicar las ventas de la editorial, en el verano de cada año no se incrementan
sistemáticamente las ventas de la editorial.
En conclusión, no se rechaza la hipótesis nula H0: α4 = 0 al nivel de

significación del 5%, es decir, no hay evidencia de que sistemáticamente las
ventas de la editorial se incrementen en verano, es decir, no existe un efecto
vacacional. Las conclusiones hasta ahora extraídas por Don Pablo y Emilio
son válidas, al parecer no se ha omitido ningún factor relevante en el modelo.
Emilio quien controla los gastos en publicidad, cree haber notado que una
unidad monetaria más gastada en publicidad en periodo vacacional, no tiene
el mismo efecto medio en las ventas que la misma unidad monetaria gastada
en cualquier otra época del año. Si dicho diferencial fuera relevante, debería
ser incluido en el modelo con el que se analizan las ventas de la editorial. Para
realizar este análisis, primero creamos la variable LtGPt, la cual resulta de la
multiplicación de las variables efecto estacional (Lt) por el gasto en publicidad
efectuado por la editorial en el tercer trimestre de cada año (época de verano)
denotado por GPt. Esto tiene como propósito determinar, si en verdad, existe
un efecto diferencial del gasto en publicidad en el periodo vacacional, como
sospecha Emilio.
A partir de la información de la Tabla 7.6 se re-estima el modelo por MCO,

cuyo resultado se muestra en la Tabla 7.7.
197
Tabla 7.6
Variables cuantitativas y cualitativas (efecto estacional y gasto en publicidad en periodo vacacional).
Trimestre Ventas PE PC GP R L LGP Trimestre Ventas PE PC GP R L LGP
2009:1 275,5 98,6 105,5 1.868,0 895,0 0 0,0 2014:1 229,9 99,2 108,5 1.903,0 2.465,6 0 0,0
2009:2 285,6 96,6 104,4 2.157,0 957,7 0 0,0 2014:2 342,9 86,4 98,1 2.489,0 2.564,2 0 0,0
2009:3 336,8 102,0 115,6 2.541,0 1.024,7 1 2.541,0 2014:3 361,9 92,7 122,8 2.770,0 2.666,8 1 2.770,0
2009:4 333,4 91,9 102,7 2.561,0 1.075,9 0 0,0 2014:4 301,3 100,9 106,9 2.493,0 2.773,4 0 0,0
2010:1 357,0 105,6 106,1 3.103,0 1.129,7 0 0,0 2015:1 332,5 101,7 108,3 2.701,0 2.939,8 0 0,0
2010:2 325,2 102,8 100,2 2.661,0 1.186,2 0 0,0 2015:2 343,2 95,3 114,4 2.497,0 3.116,2 0 0,0
2010:3 362,2 102,1 97,2 2.757,0 1.245,5 1 2.757,0 2015:3 421,9 98,6 114,9 3.192,0 3.303,2 1 3.192,0
2010:4 232,0 99,1 93,3 1.403,0 1.307,8 0 0,0 2015:4 401,9 102,5 107,5 3.086,0 3.501,4 0 0,0
2011:1 252,2 100,3 94,6 1.856,0 1.386,3 0 0,0 2016:1 421,8 101,0 108,5 3.533,0 3.676,5 0 0,0
2011:2 322,1 104,8 109,4 2.123,0 1.455,6 0 0,0 2016:2 361,7 96,9 109,4 2.864,0 3.860,3 0 0,0
2011:3 297,3 85,6 94,7 2.181,0 1.528,3 1 2.181,0 2016:3 393,6 98,3 114,6 3.181,0 4.053,3 1 3.181,0
2011:4 298,9 103,0 111,4 2.520,0 1.604,8 0 0,0 2016:4 287,6 91,8 118,2 1.855,0 4.256,0 0 0,0
2012:1 246,8 100,4 105,0 2.134,0 1.685,0 0 0,0 2017:1 380,0 77,8 106,8 2.575,0 4.468,8 0 0,0
2012:2 322,4 93,8 118,3 2.473,0 1.786,1 0 0,0 2017:2 495,6 81,6 131,4 3.723,0 4.692,2 0 0,0
2012:3 383,5 99,7 102,1 3.125,0 1.875,4 1 3.125,0 2017:3 452,6 86,6 101,5 3.268,0 4.879,9 1 3.268,0
2012:4 321,8 104,6 110,6 2.753,0 1.969,2 0 0,0 2017:4 404,9 93,0 146,2 3.025,0 5.075,1 0 0,0
2013:1 351,5 100,0 97,3 2.869,0 2.067,6 0 0,0 2018:1 421,3 83,7 114,2 3.173,0 5.227,4 0 0,0
2013:2 381,1 103,7 91,8 3.301,0 2.171,0 0 0,0 2018:2 333,7 93,7 119,3 2.387,0 5.384,2 0 0,0
2013:3 412,5 96,7 96,8 3.043,0 2.279,6 1 3.043,0 2018:3 379,1 94,5 116,5 2.839,0 5.545,7 1 2.839,0
2013:4 217,5 105,5 102,2 1.538,0 2.370,8 0 0,0 2018:4 407,0 97,7 113,5 3.352,0 5.712,1 0 0,0
PE: Precio promedio de la editorial; PC: Precio de la competencia; GP: Gasto en publicidad; R: Renta personal; L: Efecto estacional (verano); LGP: Gasto en
publicidad efectuado en verano.
Fuente: Elaboración propia a partir de Alonso et al. (2005).

198
Tabla 7.7
Estimación modelo de ventas con efecto estacional y gasto en publicidad en
periodo vacacional.
Variable Dependiente: V EL USO DE LA ELECONOMETRIA
USO DE LA ECONOMETRIA
BASICA 194 BASICA 1
Método: MCO
Tabla 7.7 Tabla 7.7
Resultados MCO Resultados
modelo MCOcompleto
modelo ventas
completo
(efecto ventas
estacional
(efectoyestacional
gasto en y gasto en
Variable en
publicidad publicidad
periodo en Coefficient
vacacional).
periodoTabla Std.
vacacional).
7.7
Error
Tabla 7.7
t-Statistic Prob.
Variable CDependiente:
VariableVDependiente: 249,5446
V 58,24393 4,284475 0,0001
Método: PE MCO Método: MCO -1,978222 0,484418 -4,083712 0,0003
Muestra: 20009Q Muestra:
2018Q420009Q 2018Q4
PC
Observaciones Observaciones 0,240958
incluidas: 40 incluidas: 40 0,313563 0,768455 0,4477
GP Variable Variable 0,094968
Coefficient 0,006087
Coefficient
Std. Error Std. 15,60148
t-Statistic
Error t-Statistic
Prob. 0,0000
Prob.
C C 249,5446 249,5446
58,24393 4,284475 58,24393 4,284475 0,0001 0,0001
R PE PE
0,002048
-1,978222
0,002807
-1,978222
0,484418 -4,083712
0,729632
0,484418 -4,083712
0,4708 0,0003
0,0003
L PC PC -65,46654
0,240958 53,43266
0,240958
0,313563 0,768455 -1,225216 0,768455
0,313563 0,2292 0,4477
0,4477
LGP GP GP 0,094968
0,027389 0,094968
0,006087 15,60148
0,018463 0,006087
1,483454 15,60148 0,0000
0,1474 0,0000
R R 0,002048 0,002048
0,002807 0,729632 0,002807 0,729632 0,4708 0,4708
R-squared L L 0,938334
-65,46654 Mean dependent
-65,46654
53,43266 var
-1,225216
53,43266 -1,225216 344,7425 0,2292
0,2292
Adjusted R-squared LGP LGP 0,927122
0,027389 S.D. dependent 1,483454
0,027389
0,018463 var
0,018463 1,483454 63,37666 0,1474
0,1474
R-squared R-squared 0,938334 Mean 0,938334
dependent Mean
var dependent var 344,7425 344,7425
S.E. ofAdjusted
regressionR-squared
17,10912 Akaike
Adjusted R-squared 0,927122 S.D.0,927122
info var
dependentS.D.
criterion
dependent var
8,67472963,37666
63,37666
Sum squared resid S.E. of regression 9.659,830
S.E. of regression Schwarz
17,10912 Akaike
17,10912 criterion
info criterion
Akaike info criterion 8,9702838,674729
8,674729
Sum squared
Log likelihood resid
Sum squared resid 9.659,830 Schwarz
9.659,830
criterion
Schwarz
-166,4946 Hannan-Quinn criterion criterion 8,970283
8,7815928,970283
Log likelihood Log likelihood -166,4946 Hannan-Quinn
criterion criterion 8,781592 8,781592
F-statistic
F-statistic F-statistic 83,69007 Durbin-Watson
83,69007 Durbin-Watson stat stat
83,69007 Durbin-Watson stat 1,6213071,621307
1,621307
Prob(F-statistic)
Prob(F-statistic)Prob(F-statistic) 0,000000
0,000000 0,000000
Con la incorporación
Con la incorporación
de esta nueva
devariable
esta nueva
en el
variable
modelo,
enseelobtiene:
modelo, se obtiene:
Con la incorporación de esta nueva variable en el modelo, se obtiene:
̂ = 249,54
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 ̂– 1,978PE
+ 0,241PC
– 1,978PE+ +0,095GP
0,241PC+ +0,002R
0,095GP
– 65,467L
+ 0,002R
+ 0,027LGP (7.6)
– 65,467L + 0,027LGP (7.6)
(58,24) (0,484)
(58,24) (0,314)
(0,484) (0,006)
(0,314) (0,002)
(0,006) (53,433)
(0,002) (0,018)
(53,433) (0,018)
R2 = 93,83%;R2𝑅𝑅̅=2 93,83%;
= 92,71% 𝑅𝑅̅2Σ𝜇𝜇̂
= 292,71% Σ𝜇𝜇̂ 2 = 9.659,830
= 9.659,830
¿Qué podemos
¿Qué
concluir
podemossobre
concluir
el fenómeno
sobre elvacacional?
fenómeno vacacional?
El efecto de El
lasefecto
vacaciones
de las en
vacaciones
la en la
¿Qué podemos concluir sobre el fenómeno vacacional? El efecto de las
vacaciones
lectura se recoge en
lectura larecoge
enselos lectura se coeficientes
coeficientes
en los recoge en αlos
α5 que acompaña5 quecoeficientes
la variableaLlat αyvariable
a acompaña que acompaña
5α6 que acompaña
a
Lt y α6 quea acompaña
la a la
la variable Lt y α6 que acompaña a la variable LtGPt. La hipótesis nula de
variable
interésLtGP t. La hipótesis
variable
para tGPt. La
nula
el Lcontraste hipótesis
de interés
de nulapara
de interés
significaciónel contraste
para el
decontraste
individual significación
de cada de significación
individual deindividual
uno de estos cada de cada
coeficientes,
uno de estosuno dees:
coeficientes,
estos coeficientes,
será: será:
Hipótesis nulaHipótesis nula Hipótesis alternativa

ℋ0 : El efectoℋ0 : Elvacacional
efecto vacacional
no es no es ℋ𝑎𝑎 : El efectoℋvacacional
𝑎𝑎 : El efecto
esvacacional
significativo
es en
significativo
las en la
significativo en
significativo
las ventas en
de las
la editorial frente
ventas de la editorial frente
ventas de la editorial.
ℋ : 𝛼𝛼 = 0 ℋ : 𝛼𝛼 = 0 ℋ : 𝛼𝛼 ≠ 0 ℋ : 𝛼𝛼 ≠ 0
199

H�: El efecto vacacional no es Hα: El efecto vacacional es
significativo en las ventas de la frente significativo en las ventas de la
editorial editorial.
H�: α5 = 0 H�: α5 ≠ 0

H�: Una unidad monetaria más Hα: Una unidad monetaria
gastada en publicidad no tiene más gastada en publicidad tiene
frente
el mismo efecto en el periodo el mismo efecto en el periodo
vacacional que en el resto del año. vacacional que en el resto del año.
H�: α6 = 0 EL USO DE LA H �: α6 ≠ 0
Los valoresLos
delvalores del estadístico
estadístico t vienen
t vienen dados por: dados por:
65,467 0,027
|t| = = 1,23 y |t| = = 1,50
53,433 0,018
La distribución apropiada es en ambos casos una t y en las tablas de la distribución de t de

La distribución apropiada es en ambos casos una t y en las tablas de la
Student paradistribución
un nivel de de t de Student
significación depara
5% yunpara
nivel
40 de significación
grados de(T-K-1
de libertad 5% y para 40 = 33),
= 40-6-1
grados de libertad (T-K-1 = 40-6-1 = 33), encontramos un valor crítico igual
encontramosa un valorpor
2,035, crítico igual a 2,035, por lo tanto:
lo tanto:
|t||t|==1,23
1,23˂˂2,035
2,035→
→No
Nose
serechaza
rechazalalahipótesis
hipótesisnula
nula
|t| = 1,50 ˂ 2,035 → No se rechaza la hipótesis nula
|t| = 1,50 ˂ 2,035 → No se rechaza la hipótesis nula
Puesto que
Puesto que ninguno ninguno
de los de los supera
estadísticos estadísticos supera
el valor el valor
crítico, crítico,eslano
la decisión decisión
rechazar
es no rechazar ninguna de las dos hipótesis nulas al nivel de significación de
ninguna de las
5%;dos hipótesis
el efecto nulas alsobre
estacional nivel las
de significación de 5%; el
ventas de la editorial efectoserestacional
parece sobre las
inexistente
tanto en la ordenada como en la pendiente de los gastos en publicidad.
ventas de la editorial parece ser inexistente tanto en la ordenada como en la pendiente de los
Un contraste conjunto de ambos coeficientes H�: α5 = α5 = 0 se lleva a
gastos en publicidad.
cabo con el estadístico a través de las diferencias de sumas de cuadrados de
residuos.
Un contraste El modelo
conjunto no restringido
de ambos coeficientesesℋel0que
: 𝛼𝛼5 acabamos
= 𝛼𝛼6 = 0 de
se estimar y el modelo
lleva a cabo con el
estadístico ℱrestringido
a través de[modelo (3.6) estimado
las diferencias de sumas en de
el capítulo
cuadrados3]de
es:residuos. El modelo no
restringido es el que acabamos de estimar y el modelo restringido [modelo (3.6) estimado en el

capítulo 3] es:
Unlikelihood
Log contraste conjunto de ambos coeficientes
-219,9595 Hannan-Quinn : 𝛼𝛼5 = 𝛼𝛼6 = 0
ℋ0criterion se lleva a cabo con el
11,12851
estadístico ℱ a través de las diferencias
Prob(F-statistic) 0,039715 de sumas de cuadrados de residuos. El modelo no
200
Que, una vez estimado
restringido proporciona
es el que acabamoslos
de siguientes
estimar y elresultados:
modelo restringido [modelo (3.6) estimado
en el capítulo 3] ̂es: = 332,943

𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 243,205 +– 47,197Lt
1,913PE + 0,127PC + 0,100GP (7.2) + 0,003R
(11,08) (22,16)
̂ =R (59,81)
2
= 10,67%; (0,49) (0,33)
𝑅𝑅̅2 =+8,31% (0,006) (0,003)
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 243,205 – 1,913PE 0,127PC + 0,100GP + 0,003R
R2(59,81)
= 92,67%; (0,49) (0,33) Σμ2 (0,006)
R2 = 91,84%; = 11.478,23(0,003)
or lo que la t muestral o t-ratio2 para el contraste
R = 92,67%; ̅ 2 de significación
𝑅𝑅 = 91,84%; Σ𝜇𝜇̂ =Ho:
2 β1 = 0, es:
11.478,23
El valor
El valor muestral
muestral es:F es:|t| = 47,20 = 2,13
de ℱ de
22,16
(11.478,23−9.659,83)/2
ℱ=
De otro lado, en las tablas de la distribución = 3,11
t de Student para un nivel de significación
9.659,83/(40−7)
e 5% y Alconnivel
40-1-1 = 38 grados de
de significación delibertad encontramos
5%, el valor un valor
crítico que críticodeigual
se obtiene a 2,024, por
la distribución ℱ de
Al nivel de significación de 5%, el valor crítico que se obtiene de la
anto:Snedecor distribución de Snedecor
ℱ(2, 33) = 3,28, (2, 33)
por lo tanto, = 3,28,
3,11 porpor
˂ 3,28; lo tanto,
lo que3,11
se no ˂ se
3,28; por lolaque
rechaza hipótesis
se no se rechaza la hipótesis de que conjuntamente no existe efecto diferencial
de que conjuntamente |t| = 2,13 > 2,024 en la ordenada y en la pendiente de los
en la ordenada noy enexiste efecto
la pendiente diferencial
de los gastos de publicidad. Como conclusión,
or lo tanto, alnocontrastar
es conveniente mantener
las hipótesis nula ylasalternativa
variables formuladas
Lt y LGPt de conjuntamente en el
la siguiente manera:
modelo, si queremos estimar el efecto estacional con alguna precisión.
Dediferencial
ℋ0 : No existe un otro lado,significativo frente que
hemos comprobado ℋ𝑎𝑎la: Existe
variable
un de nivel Ltsignificativo
diferencial , no resulta en las
en las ventas de la editorial cuando es ventas de la editorial
significativa cuando se encuentra sola en el modelo. Podemos proceder cuando es verano
a con
verano con respecto al resto del año. respecto al resto del año.
eliminarla
ℋ0 : 𝛽𝛽1 =y0re-estimar el modelo, cuyo resultado obtenido ℋ𝑎𝑎 : se
𝛽𝛽1 muestra
≠0 en la
Tabla 7.8.
Entonces, se rechaza la hipótesis nula ℋ0 : 𝛽𝛽1 = 0 al nivel de significancia de 5%. En
tras palabras, existe un diferencial significativo en las ventas de la editorial cuando es
erano con respecto al resto del año.

201
Tabla 7.8
Estimación modelo de ventas con gasto en publicidad en periodo vacacional.
s conveniente mantener
VariablelasDependiente:
variables Lt yVLGP t
Método: MCO
imar el efecto estacional con alguna precisión.

ariable de nivel L t, no resulta significativa
mos proceder a eliminarla y re-estimar el
C 233,2044 57,11279 4,083226 0,0003
en la Tabla 7.8. PE -1,820566 0,470444 -3,869888 0,0005
PC 0,194089 0,313506 0,619093 0,5400
ventas (efecto gasto en publicidadGP en 0,096176 0,006051 15,89433 0,0000
la 7.8 Tabla 7.2 R 0,003065 0,002702 1,134507 0,2645
Resultados MCO de ventas contra Tablaefecto
7.2 estacional
Variable Dependiente: V LGP 0,004940 0,002293 2,154637 0,0384
Método: MCOR-squared 0,935529 Mean dependent var 344,7425
Observaciones Adjusted R-squared
incluidas: 40 0,926048 S.D. dependent var 63,37666
Std. Error t-Statistic Prob.
57,11279 S.E.
Variable of regression0,0003
4,083226 Coefficient 17,23476
Std. Error Akaike info criterion
t-Statistic Prob. 8,669214
C
0,470444 -3,869888 332,9433
0,0005 11,07950 30,05040 0,0000
L Sum squared resid 47,19667 10.099,250
22,15899 Schwarz
2,129910criterion 0,0397 8,922546
0,313506 0,619093 0,5400
0,006051 Log likelihood 0,0000
15,89433 -167,3843 Hannan-Quinn criterion 8,760811
0,002702 1,134507 0,2645
F-statistic
S.E. of regression 60,68491 Akaike98,67342 Durbin-Watson stat11,09797
info criterion 1,677145
0,002293 2,154637 0,0384
Sum squared resid 139.941,0 Schwarz criterion
Mean dependent varProb(F-statistic)344,7425 0,000000 11,18242
S.D. dependent var 63,37666
Akaike info criterion
Prob(F-statistic)
8,669214
0,039715
Schwarz criterion 8,922546
Hannan-Quinn criterion Por lo tanto, el modelo estimado es el
8,760811 siguiente:
una vez estimado
Durbin-Watson stat proporciona los siguientes resultados:
1,677145
̂ == 332,943
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 233,204 +– 1,821PE
47,197Ltt+ 0,194PCt + 0,096GP(7.2) t + 0,003Rt + 0,0049LGPt (7.7)
iente: (11,08) (22,16)
R(57,11)
2
= 10,67%; (0,47) (0,31)
𝑅𝑅̅2 = 8,31% (0,006) (0,003) (0,002)
+ 0,096GPt + 0,003Rt + 0,0049LGPt (7.7)
para elRcontraste
= 93,55%; R2 = 92,60%;Ho:Σμβ1 == 0,
10.099,25
2 2
que(0,006)
la t muestral o t-ratio
(0,003) (0,002) de significación es:
2
2,60%; Σ𝜇𝜇̂ = 10.099,25
47,20
|t| = = 2,13
Esto significa que,
iable de interacción LGPt resulta significativa, individualmente, la variable de interacción LGPt resulta
22,16
significativa, ya que el estadístico para el contraste de significación toma el

otro lado, en las tablas de la distribución t de Student para un nivel de significación
0,0049
ificación toma elvalor
valor == 2,45
2,45el el cual
cual es es mayor que el valor crítico de la tabla t de Student
0,002
% y con 40-1-1con = 3834grados
grados de de libertad
libertad (T-K-1 =un
encontramos 40-5-1 = 34) que
valor crítico iguales 2,032 por
a 2,024, (2,45 > 2,032),
dent con 34 grados de libertad (T-K-1 = 40-5-
por ende, se rechaza la hipótesis nula. La conclusión razonable parece ser la de
incluir en el modelo el efecto estacional a través de la variable LGP , evitando
, se rechaza la hipótesis nula. La conclusión t
así sesgar las estimaciones y obteniendo al mismo tiempo una estimación
|t| = 2,13 > 2,024
precisa
o el efecto estacional de los
a través de lacoeficientes.
variable
tanto, al contrastar las hipótesis nula y alternativa formuladas de la siguiente manera:

No existe un diferencial significativo frente ℋ𝑎𝑎 : Existe un diferencial significativo en las
las ventas de la editorial cuando es ventas de la editorial cuando es verano con
que el efecto diferencial debido al nivel educativo es común para ambos sexos, α2 para el
nivel de bachillerato y α3 para el universitario y α3 - α2 para la diferencia entre el

202
universitario y los estudios secundarios. Si estimamos este modelo a partir de los datos que
Retomando
proporciona la encuesta ahoraa los
aplicada el análisis
lectores,de los datoslos
se obtienen deresultados
la encuesta
quecon toda la
se muestran
información disponible, sea de nuevo, Li = el número de horas semanales que
en la Tabla 7.3.
el individuo i dedica a la lectura y sean: EDi = edad del cliente, APi = número
de aparatos de TV, video y computadores disponibles en la unidad familiar
Tabla 7.3
(variables cuantitativas) y Si = sexo y Ei = educación. Las clases o categorías
Resultados MCO efecto estacional contra distintas variables cualitativas
queDependiente:
Variable definen aLestos factores cualitativos son: H = hombre y M = mujer para
el sexo;
Método: MCO P = estudios primarios, S = secundarios y U = universitarios para el
Muestra: 1 197
factor educación.
Observaciones incluidas: 197Definimos para estos factores las mismas variables ficticias
anteriores,
Variable con lo que, si eliminamos
Coefficient las categorías
Std. Error HombreProb.
t-Statistic (H) y estudios
C 9,074951 0,680715 13,33150 0,0000
primarios
M
(P), el modelo1,957958
resultante es:0,716643 2,732124 0,0069
S -0,659454 0,871554 -0,756642 0,4502
U Li = α0 +α1Mi4,169960
+ α2Bi + α3Ui0,864468
+ α4Edi + 4,823731
α5Api + 𝜇i (7.8)0,0000
Los resultados de la estimación
S.E. of regression delinfo
5,020755 Akaike modelo
criterion(7.8) se muestran en la Tabla
6,085133
7.9. A partir de los datos
Log likelihood
que proporciona la encuesta aplicada a6,112119
-595,3856 Hannan-Quinn criterion
los lectores,
se obtiene:
̂ = 9,075
𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 1,943M –i –0,412S
10,728+– 1,958M 0,659S i + 4,170U
+ 4,226U + 0,061ED
i (7.4)
– 0,702AP (7.9)
(0,680) (0,717) (0,872) (0,864)
(1,94) R2 =
(0,69)
18,24%; (0,85) (0,84) (0,04) (0,22)
𝑅𝑅̅2 = 16,97%
R2 = 24,07%; R2 = 22,08%; Σμ2 = 4.518,32; n = 197
Los resultados indican que tanto el sexo como el nivel de estudios tienen influencia en el
número de horas de lectura semanales. No obstante, es preciso llevar a cabo los contrastes
adecuados para poder afirmar lo anterior con mayor seguridad. Por ello, consideremos en
primer lugar los contrastes individuales:
En cuanto al sexo:

ℋ01 : La condición de ser mujer no ℋ𝑎𝑎1 : La condición de ser mujer influye en el
influye en el tiempo dedicado a la lectura. frente tiempo dedicado a la lectura.
ℋ01 : 𝛼𝛼1 = 0 ℋ𝑎𝑎1 : 𝛼𝛼1 ≠ 0
LaLaaplicación
aplicacióndel
delmodelo
modeloque
queseseintroduce
introduceenenesta
estasección
secciónpara
paraestudiar
estudiarlos
losdatos
datos
procedentes
procedentesdedelalaencuesta
encuestadedehábitos
hábitosdedelectura
lecturasupone
suponeelelsiguiente
siguientemodelo:
modelo:
LL
i i==α0α0+α
+α1M
1Mi+
i +α2αS
2Si+
i +α3αU
MARIO
3Ui+
i +α4αMS
4MS++α5αMU+
EDUARDO
5MU+α6αED
HIDALGO i+
i +α7αAP
VILLOTA
6ED 7APi+
i +𝜇𝜇i𝜇𝜇i (7.11)
(7.11) 203
Este
Estemodelo
modeloincluye
incluyelas
lasdos
dosinteracciones
interaccionesentre
entrelas
lasvariables
variablesficticias
ficticiaspara
pararecoger
recogerlala
Tabla 7.9
posible
posibleinterrelación
interrelaciónentre
entredichos
dichosfactores:
factores:sexo
sexoy yeducación.
educación.Para
Parainterpretar
interpretarlos
los
Estimación modelo utilizando distintas variables cualitativas.
coeficientes
coeficientesobtenemos obtenemoslalaexpresiónexpresióncorrespondiente
correspondientea alalaesperanza
esperanzamatemática
matemáticadedeLLenen
Método:
cada
cada caso,MCO
caso, E(Li α0+ +α1.
E(Li\i \iesesH,H,S)S)= =α0 α1.
Muestra: 1 197
Ahora
Ahoraprocederemos
procederemosa aespecificar
especificarelelmodelo
modelo(7.12),
(7.12),enenelelcualcualseseincorpora
incorporauna una
combinación
combinación Variable
dedevariables
variablescualitativas Coefficient
cualitativas como
comoelelsexo
sexoStd. Error
y yelelnivel t-Statistic
niveldedeestudios
estudiosy yfactores Prob.
factores
C 10,72833 1,942207 5,523782 0,0000
individuales
individualescomo como lalaedad
edad y yelelnúmero
número dedeaparatos
aparatos dedeentrenamiento
entrenamiento disponibles
disponibles enenelel
M -1,943075 0,694250 -2,798810 0,0057
hogar.
hogar. S -0,412040 0,847045 -0,486444 0,6272
U 4,226305 0,840076 1,698781 0,0000
LL i i==α0α0+α M + α S + α
+α1Mi + α2Si + α3Ui + α4MS
ED1 i 2 i 3U i + α4MS +
0,061684 α5MU+
+ α5MU+ α Ed + α
α6Edi + α7Ap
0,036311
6 i 7 Ap i + 𝜇𝜇
i + 𝜇𝜇i
1,698781 i (7.12)
(7.12)
0,0910
AP -0,701642 0,216369 -3,242806 0,0014
Enseguida,
Enseguida,procedemosprocedemosa aestimar estimarenenEViews
EViewselelmodelo
modelo(7.12),(7.12),cuyos
cuyosresultados
resultadossese
Adjustedenen
muestran
muestran R-squared
lalaTabla
Tabla7.11. 7.11. 0,220801 S.D. dependent var 5,509948
AlAlestimar
estimarelelmodelo
modeloseseobtiene:
obtiene:
̂ ̂
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿
F-statistic =
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 10,542
= 10,542– 0,372M
– 0,372M – 0,576S
– 0,576S+ 6,796U
+ 6,796U + 0,041MS
+ 0,041MS – 0,626MU
– 0,626MU
12,10805 Durbin-Watson stat + 0,426ED
+ 0,426ED – 5,350AP
– 5,350AP (7.13)
(7.13)
2,019664
(1,89)
(1,89) (1,12)(1,12) (1,16)(1,16) (1,16)
(1,16) (0,04)
(0,04) (0,21) (0,21) (1,65)(1,65) (1,66) (1,66)
Prob(F-statistic) RR 2 2
29,41%; 𝑅𝑅̅𝑅𝑅̅=20,000000
= =29,41%; 2
26,79%; Σ𝜇𝜇̂Σ𝜇𝜇̂=2 =4.200,63;
=26,79%;
2
4.200,63; n n= =197 197
Los
Losestadísticos
estadísticosindividuales
individualesson:
son:
Los estadísticos individuales son:
0,372 0,5765 6,796 0,041 0,626
|tM|t|M=| = 0,372= =0,33;
0,33;|tS|t| S=| =
0,5765
=0,50;
=0,50;|tU|t|U=| =
6,796
=5,86;
=5,86;|tMS| =| = 0,041=1,025;
|tMS =1,025;|tMU | =| = 0,626= =2,98
|tMU 2,98
1,12
1,12 1,16
1,16 1,16
1,16 0,04
0,04 0,21
0,21
0,426 5,350
|tED | =| = 0,426=0,26
|tED =0,26y y|tAP | =| = 5,350= =3,22
|tAP 3,22
1,65
1,65 1,66
1,66
La distribución apropiada es una t y en las tablas de la distribución t de

Student para un nivel de significación de 5% y para 191 grados de libertad
(T-K-1 = 197-5-1 = 191), encontramos un valor crítico igual a 1,972, por
consiguiente:
|tM| = 2,80 > 1,972 → Se rechaza la hipótesis nula

|tS| = 0,49 ˂ 1,972 → No se rechaza la hipótesis nula
|tU| = 5,03 > 1,972 → Se rechaza la hipótesis nula
|tED| = 1,70 ˂ 1,972 → No se rechaza la hipótesis nula
|tAP| = 3,24 > 1,972 → Se rechaza la hipótesis nula
204
Así pues, concluimos que en el modelo existe un efecto diferencial

derivado del sexo, el número medio estimado de horas semanales de lectura
de las mujeres es mayor (para cualquier nivel educativo) que el de los
hombres y el número medio estimado de horas de lectura de personas con
estudios universitarios es mayor que el de personas con estudios primarios
(para ambos sexos).
Resulta
número también
de horas útil estimar
de lectura el modelo
semanales. restringido
De donde, (véasehorizontalmente,
si restamos Tabla 7.10) en observamo
el que se supone que ni la edad (ED), ni tampoco el número de aparatos de
que
TV,elvideo
efectoydiferencial debido
computadores al nivel educativo
personales disponiblesesen
común para ambos
la unidad familiarsexos,
son α2 para el
factores relevantes para explicar el número de horas de lectura semanales.
nivel de bachillerato y α3 para el universitario y α3 - α2 para la diferencia entre el
universitario
Tabla 7.10 y los estudios secundarios. Si estimamos este modelo a partir de los datos que
Estimación modelo lectura contra edad de los clientes y aparatos en el hogar.
proporciona la encuesta aplicada a los lectores, se obtienen los resultados que se muestran
enMétodo:
la Tabla MCO7.3.
Muestra: 1 197
Tabla
Observaciones 7.3 197
incluidas:
Resultados
Variable MCO efecto estacional
Coefficient contra
Std. Error distintas
t-Statistic variables
Prob.cualitativas
C MCO
Método: 10,17098 2,062923 4,930374 0,0000
ED 1 197
Muestra: 0,078900 0,039872 1,978827 0,0493
AP -0,680419 0,237494 -2,864992 0,0046
R-squared C 0,064609 Mean dependent
9,074951 0,680715var 13,33150 11,20812 0,0000
Adjusted R-squaredM 1,957958
0,054966 0,716643
S.D. dependent var 2,732124 5,509948 0,0069
S -0,659454 0,871554 -0,756642 0,4502
S.E. of regression U 5,356379 Akaike info0,864468
4,169960
criterion 4,823731 6,209565 0,0000
Sum squared resid
R-squared 4.466,015 Schwarz
0,182394 Meancriterion
dependent var 6,25956311,20812
Adjusted
Log likelihood R-squared 0,169685 S.D. dependent
-608,6421 Hannan-Quinn criterion var 6,2298045,509948
F-statistic
Sum squared resid 6,699923 Durbin-Watson
4.865,140 stat
Schwarz criterion 2,0841096,151797
Prob(F-statistic)
Log likelihood 0,001536 Hannan-Quinn
-595,3856 criterion 6,112119
̂ ==9,075
𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 10,171+ +1,958M i – 0,659S
0,079ED i + 4,170Ui (7.10)
– 0,680AP (7.4)
(0,680) (0,717) (0,872) (0,864)
(2,063) (0,040) 𝑅𝑅̅(0,237)
R2 = 18,24%; 2
= 16,97%
R2 = 0,065; R2 = 0,055; Σμ2 = 5.566,02; n = 197
Los resultados indican que tanto el sexo como el nivel de estudios tienen influencia en
número de horas de lectura semanales. No obstante, es preciso llevar a cabo los contrastes
adecuados para poder afirmar lo anterior con mayor seguridad. Por ello, consideremos en
205
̂ = 10,171 + 0,079ED – 0,680AP
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 (7.10)
(2,063) (0,040) (0,237)
Un contrasteR2conjunto
= 0,065; HR2 = α2 =Σ𝜇𝜇̂0 2frente
0: =α10,055; Hα: α1n≠= α197
= 5.566,02; 2
≠ 0 se realiza a
través de diferencias de cuadrados de residuos, del siguiente modo:
Un contraste conjunto ℋ0 : 𝛼𝛼1 = 𝛼𝛼2 = 0 frente a ℋ𝑎𝑎 : 𝛼𝛼1 ≠ 𝛼𝛼2 ≠ 0 se realiza a través
Hipótesis nula Hipótesis alterna
de diferencias de cuadrados de residuos, del siguiente modo:
H0: La edad y el número de apa- Hα: La edad y el número de apara-
Hipótesis nula disponi-
ratos de entretenimiento Hipótesis alterna
tos de entretenimiento disponibles
ℋ0 : La edad y el número de aparatos de frente ℋ𝑎𝑎 : La edad y el número de aparatos de
bles en el hogar no son factores frente
en el hogar son factores relevantes
entretenimiento disponibles en el hogar no entretenimiento disponibles en el hogar son
relevantes
son para explicar
factores relevantes para el núme-el
explicar para explicar
factores el número
relevantes de horas
para explicar el número de
ro de horas de lectura semanales.
número de horas de lectura semanales. de lectura semanales.
horas de lectura semanales.
ℋ
H00::𝛼𝛼α1 1==𝛼𝛼α22 == 00 Hℋ :𝑎𝑎α: 𝛼𝛼1 ≠
1 ≠
α2𝛼𝛼≠2 0≠ 0
α
(5.566,02− 4.518,32)/2
ℱ= = 14,68
4.518,32/(197−6)
Como ℱ 0,05(3, 191) = 2,652 → 14,68 > 2,652, por consiguiente, se rechaza la hipótesis
Como F0,05(3, 191) = 2,652 → 14,68 > 2,652, por consiguiente, se
nula. En conclusión, la edad y el número de aparatos de entretenimiento disponibles en el
rechaza la hipótesis nula. En conclusión, la edad y el número de aparatos
de entretenimiento
hogar (TV, video y PC) disponibles enrelevantes
no son factores el hogarpara
(TV,explicar
video ely número
PC) nodeson factores
horas de
relevantes para explicar el número de horas de lectura semanales.
lectura semanales.
La aplicación del modelo que se introduce en esta sección para estudiar

los datos procedentes de la encuesta de hábitos de lectura supone el siguiente
modelo:
Li = α0 +α1Mi + α2Si + α3Ui + α4MS + α5MU+ α6EDi + α7APi + 𝜇i (7.11)
Este modelo incluye las dos interacciones entre las variables ficticias
para recoger la posible interrelación entre dichos factores: sexo y educación.
Para interpretar los coeficientes obtenemos la expresión correspondiente a la
esperanza matemática de L en cada caso, E(Li \i es H, S) = α0 + α1.
Ahora procederemos a especificar el modelo (7.12), en el cual se incorpora

una combinación de variables cualitativas como el sexo y el nivel de estudios
y factores individuales como la edad y el número de aparatos de entrenamiento
disponibles en el hogar.
Li = α0 +α1Mi + α2Si + α3Ui + α4MS + α5MU+ α6Edi + α7Api + 𝜇i (7.12)

yy el
el número
número de
de aparatos
aparatos de
de entrenamiento
entrenamiento disponibles
disponibles en
en el
el hogar.
hogar.
y el número
y el número
de aparatos
de aparatos
de entrenamiento
de entrenamiento
disponibles
disponibles
en el hogar.
en el hogar.
LLii == αα00 +α
+α11MMii ++ αα22SSii ++ αα33U
Uii ++ α4MS
α4MS ++ α5MU+
α5MU+ αα66Ed
Edii ++ αα77Ap
Apii ++ 𝜇𝜇𝜇𝜇ii (7.12)
(7.12)
Li = α0L+α i =1M
α0i +α
+ α12M Si + α32EL USii USO
++ αα4MS
Ui LA
3DE + α4MS
+ECONOMETRÍA
α5MU+
+ α5MU+
α6EdBÁSICA
i +αα6Ed7Ap
i+ i+ α7𝜇𝜇Ap i i + 𝜇𝜇
(7.12)
i (7.12)
206
Enseguida,
Enseguida, procedemos aa estimar
procedemos estimar en
en EViews
EViews el
el modelo
modelo (7.12),
(7.12), cuyos
cuyos resultados
resultados se
se muestran
muestran
Enseguida,
Enseguida,
procedemos
procedemos
a estimar
a estimar
en EViews
en EViews
el modelo
el modelo
(7.12), cuyos
(7.12),resultados
cuyos resultados
se muestran
se muestran
en la
en la Tabla
Tabla 7.11.
7.11.
Enseguida, procedemos a estimar en EViews el modelo (7.12), cuyos
en la Tabla
en la7.11.
Tabla 7.11.
Alresultados
Al estimar el
estimar el modelo
modelo se obtiene:
se muestran
se obtiene:
en la Tabla 7.11.
Al estimar
Al estimar
el modelo
el modelo
se obtiene:
se obtiene:
̂ Al estimar el0,372M
modelo se obtiene: (7.13)
̂
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 == 10,542
10,542 –– 0,372M –– 0,576S
0,576S ++ 6,796U
6,796U ++ 0,041MS
0,041MS –– 0,626MU
0,626MU ++ 0,426ED
0,426ED –– 5,350AP
5,350AP (7.13)
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 (1,89)
̂ 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿
̂
=(1,89) (1,12)
10,542=–(1,12)
10,542 (1,16)–+0,576S
(1,16)
0,372M– –0,372M
0,576S (1,16) ++6,796U
(1,16)
6,796U (0,04)+ 0,041MS
(0,04)
0,041MS (0,21)– 0,626MU
(0,21)
– 0,626MU (1,65)+ 0,426ED
+ (1,65)
0,426ED (1,66)– 5,350AP
(1,66)
– 5,350AP (7.13) (7.13)
22 = 29,41%;
RR(1,89) ̅22(1,16)
== 26,79%;
(1,12) 𝑅𝑅̅𝑅𝑅(1,12)
(1,89)
= 29,41%; 26,79%;
(1,16)
(1,16)Σ𝜇𝜇̂
2
Σ𝜇𝜇̂2(1,16)
==(0,04)
4.200,63; nn == 197
(0,04)
4.200,63; (0,21) 197
(0,21)
(1,65) (1,65)
(1,66) (1,66)
R2 = 29,41%; 𝑅𝑅̅2 = 26,79%;
R2 = 29,41%; 𝑅𝑅̅2 = 26,79%;
Σ𝜇𝜇̂ 2 = 4.200,63;
Σ𝜇𝜇̂ 2 = 4.200,63;
n = 197 n = 197
Los estadísticos
Los estadísticos individuales
individuales son:
son:
LosLos
estadísticos
Los estadísticos
estadísticos individuales
individuales
individuales son:
son: son:
0,372
0,372 0,5765 6,796 0,041 0,626
0,33; |t|tSS|| == 0,5765 =0,50;
|t|tMM|| == 1,12 == 0,33; =0,50; |t|tUU|| == 6,796 =5,86;
=5,86; |t|tMS = 0,041 =1,025;
MS|| = =1,025; |t|tMU = 0,626 == 2,98
MU|| = 2,98
1,12 1,16 1,16 1,16 1,16 0,04 0,04 0,210,21
0,372 0,372 0,5765 0,5765 6,796 6,796 0,041 0,041 0,626 0,626
|tM| = |tM|==0,33; =|tS0,33;
| = |tS| ==0,50; |t=0,50;
0,426
U| = |tU|=5,86;
= 5,350 |t=5,86;
MS| = |tMS|=1,025;
= =1,025;
|tMU| = |tMU|==2,98 = 2,98
1,12 1,12 1,16 1,16 1,16 1,16 0,04 0,04 0,21 0,21
ED|| =
|t|tED = 0,426 =0,26
=0,26 yy |t|tAP = 5,350 == 3,22
AP|| = 3,22
1,65
1,65 1,66
1,66
0,426 0,426 5,350 5,350
|tED| = |tED|=0,26
= y =0,26
|tAP| = y |tAP|==3,22 = 3,22
1,65 1,65 1,66 1,66
La distribución
La distribución apropiada
apropiada
La distribución es una
es una tt yyes
apropiada en las
en las tablas
una tablas de la
de
t y en la distribución
lasdistribución dedistribución
tablas dettla
de Student para
Student para un
un nivel
nivel
t de
La distribución
StudentLa distribución
para apropiada
apropiada
un yynivel esdeuna tesy una
en las
t ytablas
significación en de
lasde
tablas
5%la distribución
y de la distribución
para de Student
189t==gradost dedeStudent
para unpara
nivelun nivel
libertad
de significación
de significación de 5%
de 5% para 189
para 189 grados
grados dede libertad
libertad (T-K-1
(T-K-1 == 197-7-1
197-7-1 189), encontramos
189), encontramos un
un
(T-K-1 = 197-7-1 = 189), encontramos un valor crítico igual a 1,9726, por
de significación
de significación
de 5% ydepara5% 189
y para
grados
189 de
grados
libertad
de libertad
(T-K-1 (T-K-1
= 197-7-1
= 197-7-1
= 189), =encontramos
189), encontramos
un un
valorconsiguiente:
valor crítico igual
crítico igual aa 1,9726,
1,9726, por
por consiguiente:
consiguiente:
valor crítico
valor igual
críticoa igual
1,9726, a 1,9726,
por consiguiente:
por consiguiente:
|t|tMM|| == 0,33
0,33 ˂˂ 1,9726
1,9726 →→ No
No se
se rechaza
rechaza la
la hipótesis
hipótesis nula
nula
|tM| = 0,33 ˂ 1,9726 → No se rechaza la hipótesis nula
|t|tSSM|| |===0,50
0,50
|tM˂|˂˂=1,9726
0,33 1,9726
1,9726→
0,33 ˂→ No
1,9726
→No se
Nosese
→ rechaza
rechaza lalahipótesis
No se la
rechaza hipótesis
rechaza
hipótesisnula
la hipótesis
nula nula
nula
|tS| = 0,50 ˂ 1,9726 → No se rechaza la hipótesis nula
|tS| = 0,50
|tS| ˂= 1,9726
0,50 ˂ 1,9726
→ No se→rechaza
No se rechaza
la hipótesis
la hipótesis
nula nula
|tMS| = 1,025 ˂ 1,9726 → No se rechaza la hipótesis nula
|tMU| = 2,98 > 1,9726 → Se rechaza la hipótesis nula
|tED| = 0,26 ˂ 1,9726 → No se rechaza la hipótesis nula
|tAP| = 3,22 > 1,9726 → Se rechaza la hipótesis nula
Por lo anterior, concluimos que en el modelo existe un efecto diferencial

derivado del sexo, así pues, el número medio estimado de horas semanales
de lectura de las mujeres es mayor (para cualquier nivel educativo) que el de
los hombres y el número medio estimado de horas de lectura de personas con
estudios universitarios es mayor que el de personas con estudios primarios
(para ambos sexos).
207
En el modelo (7.13) las variables: estudios universitarios (U), mujeres con

estudios universitarios (MU) y disponibilidad de aparatos de entretenimiento
en la unidad familiar (AP) no tienen significación estadística al 5%, por ende,
estos factores no son relevantes a la hora de explicar el número de horas de
lectura semanales.
Otro camino para llegar a esta misma conclusión, consiste en observar

la columna de probabilidad (Prob) de la Tabla 7.11. En esta se aprecia que
los parámetros estimados son significativamente distintos de cero al 95%
(p-valores menores que 0,05), salvo los relativos a las variables M, S, MS y
ED. Al parecer las mujeres con estudios universitarios (MU) y la existencia
de aparatos de entretenimiento (AP) son factores relevantes en la explicación
del número de horas de lectura semanales.
Tabla 7.11
Estimación modelo utilizando distintas variables cualitativas.
Método: MCO
Muestra: 1 197
C 10,54179 1,889576 5,578918 0,0000
M -0,372134 1,117308 -0,333064 0,7395
S -0,575851 1,161704 -0,495695 0,6207
U 6,795608 1,155432 5,881444 0,0000
MS 0,424972 1,652828 0,257118 0,7974
MU -5,350037 1,663128 -3,216852 0,0015
ED 0,041327 0,035956 1,149386 0,2518
AP -0,625799 0,210953 -2,966538 0,0034
208
El lector notará, que al eliminar del modelo las variables irrelevantes

M, S, MS y ED, el valor del R2 se incrementó ligeramente de 26,79% a
27,72%, mientras que el R2 disminuyó de 29,41% a 28,83%, Como se
mencionó anteriormente, el coeficiente de determinación se eleva a medida
que se incorporan nuevas variables en el modelo, mientras que el coeficiente
de determinación ajustado disminuye; por consiguiente, el coeficiente de
determinación ajustado es un mejor indicador del ajuste de un modelo. La
Tabla 7.12 muestra los resultados de la estimación del modelo ajustado (7.14).
Tabla 7.12
Estimación modelo lectura contra variables cualitativas relevantes.
EL USO DEEL
LAUSO
EL
ECONOMETRIA
USO
DE LA
DE ECONOMETRIA
LA ECONOME
BASICA
Método: MCO
Tabla
Muestra: 7.12Tabla
1 197 Tabla 7.12 7.12
Resultados
Observaciones Resultados
MCOResultados
incluidas: efecto
197 MCOestacional
MCOefecto
efecto
estacional
contra
estacional
Tabla distintas
7.12 contra
Tabla contra
variables
Tabla distintas
7.12 distintas
7.12 cualitativas
variables
variablescualitativa
cualita
Variable Dependiente:
Variable
Variable
Dependiente:
L Dependiente: L L
Método: MCO Método:
Método:
MCO MCO
Muestra:C 1 197
Muestra:
Muestra:
1 197 112,09013
197 0,843601 14,33158 0,0000
U Observaciones
Observaciones
1977,301693
incluidas: 1970,900343
incluidas: 197 8,109900 0,0000
MUVariable Variable
Variable
Coefficient
-5,908649 Coefficient
Coefficient
1,188862 Std. Error Std.
-4,969919 t-Statistic
Std.
Error Error
0,0000t-Statistic
t-Statistic
Prob. Pro
C C C 12,09013 12,09013 12,09013
0,843601 0,843601 14,33158
0,843601 14,33158 14,33158
0,0000 0,00
AP -0,654975 0,207506 -3,156417 0,0019
U U U 7,301693 7,301693 7,301693
0,900343 0,900343 8,109900
0,900343 8,109900 8,109900
0,0000 0,00
R-squared MU MU0,288282
MU-5,908649Mean-5,908649
dependent
-5,908649var
1,188862 1,188862
-4,969919
1,188862 11,20812
-4,969919
-4,969919
0,0000 0,00
Adjusted R-squared AP AP0,277219 S.D. dependent
AP-0,654975 -0,654975 var
-0,654975
0,207506 0,207506
-3,156417
0,207506 5,509948
-3,156417
-3,156417
0,0019 0,00
R-squared
S.E. of regression R-squared
R-squared4,684367 0,288282 Mean
Akaike info 0,288282
dependent
0,288282
criterion Mean Mean
var
dependent
dependentvar var 11,20812 11
5,946434
Adjusted R-squared
Adjusted
Adjusted
R-squared
R-squared0,277219 S.D. 0,277219
dependent
0,277219S.D.var
S.D.
dependent
dependentvar var 5,509948 5,
Sum squared residS.E. S.E.
S.E. of regression 4.235,056 4,684367
of regression
of regression Schwarz Akaike
criterion
4,684367
4,684367
info criterion
Akaike
Akaike info 6,013098
info criterion
criterion 5,946434 5,
Log likelihood
Sum squaredSum residSum
squared -581,7238
squared Hannan-Quinn
residresid4.235,056 Schwarz criterion
4.235,056
4.235,056
criterion
Schwarz
Schwarz
criterion 5,973420 6,013098 6,
criterion
Log likelihood
F-statistic Log Log
likelihood
likelihood
26,05824-581,7238 Hannan-Quinn
-581,7238
Durbin-Watson -581,7238
stat Hannan-Quinn
criterion
Hannan-Quinn criterion
criterion5,973420 5,
2,032895
F-statistic F-statistic
F-statistic 26,05824 Durbin-Watson
26,05824
26,05824Durbin-Watson
stat
Durbin-Watson stat stat 2,032895 2,
Prob(F-statistic)
Prob(F-statistic)
Prob(F-statistic) 0,000000 0,000000
0,000000
PorPor
consiguiente,
Por Por
consiguiente,
se
consiguiente,
consiguiente,obtiene:se obtiene:
se obtiene:se obtiene:
̂ =𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 ̂ ̂
12,090 +=7,302U
12,090
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 = 12,090
–+5,909MU
7,302U
+ 7,302U
– –5,909MU
0,655AP
– 5,909MU
– 0,655AP
– 0,655AP
(7.14) (7.14)
(7.14)
(0,84) (0,84)
(0,84)(0,90)
(0,90) (0,90) (1,19)
(1,19) (1,19) (0,21)
(0,21) (0,21)
2 ̅2
R2 = 28,83%;
R2 =R28,83%; 𝑅𝑅̅2 =27,72%;
𝑅𝑅= 28,83%;
=27,72%; 𝑅𝑅̅Σ𝜇𝜇̂
2 2
=27,72%; Σ𝜇𝜇̂ 2Σ𝜇𝜇̂
= 4.235,06; 2
= 4.235,06;
n==4.235,06;
197 n = n197
= 197
En síntesis,Enelsíntesis,
En
número
síntesis,
el
denúmero
horas
el número
dedelectura
horas
de horas
semanales
de lectura
de lectura
semanales
depende
semanales
dedepende
manera
depende
de
directa
manera
de manera
deldirecta
nivel
dir
di
estudios universitarios
estudios
estudios
universitarios
universitarios
(las personas
(lasa(las
personas
medida
personas
que
a medida
alcanzar
a medida
queun
que
alcanzar
mayor
alcanzar
nivel
un mayor
undemayor
estudios
nivel
nivel
detiende
estu
de
209
En síntesis, el número de horas de lectura semanales depende de manera

directa del nivel de estudios universitarios (las personas a medida que alcanzar
un mayor nivel de estudios tienden a leer mucho más) y, en forma inversa,
del número de aparatos de entretenimiento disponibles en la unidad familiar
(a mayor número de aparatos de TV, video y computadores disponibles en el
hogar, el número de horas de lectura disminuye).
Ahora procederemos a realizar tres contrastes adicionales:
1. No existe relación entre los factores cualitativos: H0: α4 = α5 = 0
2. No existe efecto diferencial debido al sexo en el nivel de estudios

universitarios: H0: α5 = 0.
3. Ni el sexo ni la educación ayudan a explicar el número de horas semanales

dedicadas a la lectura: H0: α1 = α2 = α3 = α4 = α5 = 0
Llevaremos a cabo el primer contraste, es decir, si el efecto del sexo y

el nivel educativo no explican el número de horas semanales dedicadas a la
lectura, así: H0: α4 = α5 = 0. Esto puede realizarse por la vía de la diferencia
de la suma de cuadrados de residuos, para lo cual, estimamos el siguiente
modelo restringido:
Li = α0 + α4MB + α5MU + 𝜇i (7.15)
Al estimar el modelo, se obtiene:

realizarseexplican
por la vía
elde la diferencia
explican
númeroelexplican
número de
de horas
eldelahoras
sumasemanales
semanales
número dededicadas
de cuadrados
horas delectura,
residuos,
semanales
dedicadas
a la para
dedicadas ℋa lo
a la lectura,
así: :laαcual,
4 =
así: ℋα5: =αasí:
lectura, 40.=Esto
αℋ
5 =:p
0α
0 0 0
estimamos el siguiente
realizarse por modelo
realizarse
la vía
por restringido:
realizarse
dela
lavía
diferencia
por
de laladiferencia
vía
dede
lala
suma
diferencia
de la
desuma
cuadrados
dedelacuadrados
suma
de residuos,
de cuadrados
de residuos,
para lo
decual,
para
residuo
lo c
210
estimamos Li =estimamos
estimamos α0siguiente
el siguiente
el +modelo
α4MB + α5MUrestringido:
el modelo +modelo
restringido:
siguiente 𝜇𝜇i (7.15)
restringido:

Li = α0 L+i α4MB
= α0 ++L
α4MB
α5MU
i = α0++
+α5MU
α4MB
𝜇𝜇i ++𝜇𝜇α5MU
i (7.15)
+ 𝜇𝜇i (7.15) (7.1
Tabla 7.13
Estimación
TablaAl7.13 Almodelo
estimar estimarlectura
el modelo,
Al contra
el estimar
modelo,
se obtiene: educación
elsemodelo,
obtiene: de las clientes mujeres.
se obtiene:
Resultados MCO del efecto
Variable Dependiente: L estacional contra mujeres
con educación
secundaria y
Tabla
Universitaria. 7.13
Tabla 7.13
Tabla 7.13
Método: MCO
Resultados
Variable Dependiente: Resultados
L MCO Resultados
delMCO efecto delestacional
MCO
efecto delestacional
contra
efecto estacional
mujeres
contra mujeres
concontra
educación
con
mujeres
educación
secundaria
con educ
sec
Muestra: 1 197
Universitaria.
Universitaria.
Universitaria.
Método: MCO
Observaciones
Muestra: 1 Variable
197 incluidas:
Variable 197
Dependiente:
Dependiente:
Variable
L L
Dependiente: L
ObservacionesMétodo:
Variable MCO
Método:
incluidas: 197 MCOMétodo:
Coefficient MCO Std. Error t-Statistic Prob.
Muestra: Muestra:
1 197 1 197
Muestra: 1 197
Variable C Observaciones Coefficient
11,60432 Std. Error
0,465773197 24,91408 t-Statistic Prob.
0,0000
Observaciones
incluidas:
197 197incluidas:
C 11,60432 0,465773 24,91408 0,0000
MSVariable Variable -2,018110
Variable 1,121064
Coefficient Coefficient Std.-1,800174
Coefficient
Error Std. Error 0,0734
t-Statistic
Std.t-Statistic
Error Prob. t-Statisti
Pr
MS -2,018110 1,121064 -1,800174 0,0734
C C 11,60432
C 11,60432 0,465773
11,60432 0,465773 24,91408
0,465773
24,91408 0,0000
24,91408
0,0
MU MU -0,673282
-0,673282 1,121064
1,121064 -0,600574
-0,600574 0,5488
0,5488
MS MS -2,018110
MS -2,0181101,121064
-2,018110 1,121064-1,800174
1,121064
-1,800174 0,0734
-1,80017
0,0
R-squared
R-squared MU MU0,016861
0,016861MUMeanMean
-0,673282 dependent
dependent
-0,673282 var var 1,121064
1,121064
-0,673282 11,20812
-0,600574 11,20812
1,121064
-0,600574 0,5488
-0,60057
0,5
Adjusted
AdjustedR-squared
R-squared
R-squared R-squared R-squared 0,006726S.D.
0,006726 S.D. dependent
dependent
0,016861 varvar
0,016861
Mean dependent
Mean
0,016861 5,509948
dependent
var Mean var5,509948var
dependent 11,20812
S.E. ofAdjusted
regressionAdjusted
R-squared R-squared
Adjusted
5,491387 R-squared
0,006726
Akaike info0,006726
S.D. dependent
criterion S.D.
0,006726
dependent
var S.D. var
dependent
6,259350 var5,509948
Sum squared resid
S.E. of regression
S.E. of regression
S.E. 5.850,134
of regressionSchwarz
5,491387criterion
5,491387
Akaike info Akaike
5,491387
criterion criterion6,309348
info Akaike info criterion6,259350
Log Sum squared
likelihood resid
Sum squaredSumresid
squared Sum
5.850,134
-613,5460
resid
Schwarz
squared resid
5.850,134
criterion
Hannan-Quinn
5.850,134criterion
Schwarz5.850,134
criterion
6,309348criterion 6,309348
Schwarz6,279590
Schwarz criterion
Log likelihood
F-statistic Log likelihood
Log likelihoodLog-613,5460
1,663604Hannan-Quinn
likelihood Durbin-Watson
-613,5460 criterion
-613,5460 stat -613,5460
Hannan-QuinnHannan-Quinn
criterion6,279590 2,116531
Hannan-Quinn
criterion criterion
6,279590
Prob(F-statistic)
F-statistic 0,192146Durbin-Watson
F-statisticF-statistic F-statistic
1,663604 1,6636041,663604
Durbin-Watson
stat Durbin-Watson
1,663604stat Durbin-Watson
stat
2,116531 stat2,116531
Prob(F-statistic)
Prob(F-statistic)
Prob(F-statistic)0,1921460,192146 0,192146
̂ = 11,604 – 2,018MS – 0,673MU

̂ 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 =̂ ̂
11,604=𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿
–11,604
2,018MS –= 2,018MS
11,604
– 0,673MU
––
2,018MS
0,673MU
– 0,673MU(7.16) (7.16) (7.16)
(0,47) (1,12) (1,12)
(0,47) (0,47)
(1,12) (1,12)
(0,47)
(1,12) (1,12)
(1,12) (1,12)
R2 = 1,70%2 𝑅𝑅̅2 =20,70%;
̅2
2
2Σ𝜇𝜇̂ ̅ 2= 5.850,13;
2̅ 2 n =2 197
R = 1,70%
R = 1,70%
𝑅𝑅 =
R 0,70%;
= 𝑅𝑅
1,70%
= 0,70%;
Σ𝜇𝜇̂ 𝑅𝑅= =
5.850,13;
Σ𝜇𝜇̂
0,70%; nΣ𝜇𝜇̂=2197
= 5.850,13; = 5.850,13;
n = 197 n = 197
El estadístico
El estadístico ℱ para estepara
casoeste
tomacaso toma de:
el este
valor el valor de:
El estadístico
El estadístico
ℱ para
El estadístico
este
ℱ para
caso toma
ℱ caso
para
el toma
valor
este caso
el
de:valor
tomade:
el valor de:
(5.850,13− 4.200,63)/2
ℱ= ℱ=
(5.850,13−
ℱ= = 37,10
(5.850,13−
4.200,63)/2
4.200,63)/2
(5.850,13− 4.200,63)/2
ℱ = = 37,10 = 37,10 = 37,10
4.200,63/(197−7−1)
4.200,63/(197−7−1)
4.200,63/(197−7−1)
4.200,63/(197−7−1)
En las tablas de tablas

En las laEn
distribución
lasdetablas
laEn se
distribución
de
las
ℱ la tienede
tablas ℱque
distribución
se el nivel
la tiene deelsignificación
distribución
ℱ se
quetiene nivel
ℱque
se el
de
tiene
nivel del
deel5%,
significación
que eldel
valor
significación
nivel de5%, crítico
significació
del
el valor
5%,
En las tablas de la distribución F se tiene que el nivel de significación del
es ℱ 0,05(2,es5%,
∞) es (2,
es
el igual
ℱ 0,05 ∞)0,05
ℱ
valor es(2,
igual
es∞)
acrítico
3,04 →eses
ℱ a0,05
3,04
igual
como
F (2, (2,
0,05
∞)
→ a ∞)
es
3,04
como
37,10 igual
>→
es 37,10
como
a 3,04
3,04,
igual a>3,04
por 37,10
3,04,
→tanto,
lo como
→por
>como
3,04,
37,10
lo rechaza
se tanto,
por> lo
37,10 3,04,
se>la
tanto,
rechaza
porselorechaza
latanto,
hipótesis
3,04, por hipótesis
nulaselarech
de hip
n
lo tanto, se rechaza la hipótesis nula de que MB y MU sean conjuntamente
iguales a cero. Esto permite concluir que existe relación entre estos factores
cualitativos.
211
ELEL
USO
USO
DEDE
LALA
ECONOMETRIA
ECONOMETRIA
EL USO
BASICA
BASICA
DE LA
Con respecto al segundo contraste: H0: α5 = 0. Estimamos el siguiente
que MB y modelo
MU seanrestringido:
conjuntamente iguales a cero. Esto permite concluir que existe relación entre
que
queMB
MBy yMU
MUsean
seanconjuntamente
conjuntamente
que MB yiguales
MU
iguales
sean
a cero.
a cero.
conjuntamente
Esto
Estopermite
permite
iguales
concluir
concluir
a cero.
que
queexiste
Esto
existe
permite
relación
relación
con
en
estos factores cualitativos.
estos
estosfactores Li =estos
factorescualitativos.
cualitativos. α0 +factores
α5MU +cualitativos.
𝜇i (7.17)
Con respecto al segundo contraste: ℋ0 : α5 = 0. Estimamos el siguiente modelo restringido:
Con Alrespecto
estimar
Conrespecto el
alal modelocontraste:
segundo
segundose obtiene
Con ℋlos
contraste: resultados
0 :0α
respecto
ℋ : 5α=
al 5= que muestran
0.0.Estimamos
segundoEstimamos 0la
: αTabla
elelsiguiente
contraste: ℋsiguiente 7.14:
5 = modelo
0.modelo
Estimamos
restringido:
restringid
el sig
Li = α0 + α5MU + 𝜇𝜇i (7.17)
Tabla 7.14 LiL=
i =α0α+0 +α5MU
α5MU+ +𝜇𝜇i𝜇𝜇i Li = α0 + α5MU (7.17)
+ (7.17)
𝜇𝜇i
Al estimar el modelo
Estimación se obtiene
modelo loscontra
lectura resultados quecon
mujeres muestran la Tabla
educación 7.14:
universitaria.
AlAlestimar
estimarelelmodelo
modeloseseobtiene
obtiene
Al estimar
loslosresultados
resultados
el modeloque
se
quemuestran
obtiene
muestran
los
lala
resultados
Tabla
Tabla7.14:
7.14:
que muestran la T
Variable7.14
Tabla Dependiente: L
Método:Tabla
Tabla
Resultados 7.14
MCOMCO 7.14efecto Tabla
estacional 7.14
contra
Tabla 7.14mujeres con educación universitaria
Resultados
Variable Resultados
Dependiente:
Muestra: 1 197 MCO
L MCO
efecto
efecto
estacional
estacional
Resultados
contra
contra
TablaMCO
Tabla
7.14mujeres
7.14
efecto
mujeresestacional
con
coneducación
educación
contra
Tabla universitaria
universitaria
7.14mujeres con e
Método: Variable
Variable
MCO Dependiente:
Dependiente: LL Variable Dependiente: L
Observaciones
Muestra:Método:
Método:
1 197 MCO incluidas:
MCO 197
Método: MCO
Muestra:
Muestra:
Variable
Observaciones 1 197
1 197 197 CoefficientMuestra:
incluidas: Std.1Error
197 t-Statistic Prob.
Observaciones
Observaciones
Variable incluidas:
incluidas:
197197 Observaciones
Coefficient Std. incluidas: 197
Error t-Statistic Prob.
C Variable 11,25595 0,426097 26,41642 0,0000
C Variable Coefficient
11,25595 Coefficient Variable
0,426097 Std.
Std.Error
Error Coefficient
26,41642 t-Statistic
t-Statistic
0,0000Std.
Prob.
Prob.
Error t-Sta
MU
MU C C -0,324918
-0,32491811,25595
11,25595 1,110561
C
1,110561 0,426097-0,292571
0,426097-0,29257111,25595
26,41642
26,416420,7702
0,7702 0,0000
0,426097
0,0000 26,4
R-squared
R-squared MUMU -0,324918
0,000439 -0,324918
0,000439Mean MU
dependent
Mean 1,110561
dependent1,110561
varvar -0,324918
-0,292571
-0,292571
11,20812 0,7702
1,110561
0,7702
11,20812 -0,29
AdjustedR-squared
R-squared
R-squared R-squared
-0,0046870,000439
0,000439
S.D. Mean
Mean
dependent dependent
dependent
var varvar0,0004395,509948
Mean 11,20812
dependent
11,20812var
Adjusted R-squared
Adjusted
Adjusted R-squared
R-squared
-0,004687Adjusted
S.D.
-0,004687
dependent
-0,004687
R-squared
S.D.
S.D.
vardependent
dependent varvar
5,509948
-0,004687
S.E. of regression 5,522846 Akaike info criterion 6,2657645,509948
S.D. dependent
5,509948 var
S.E. of regression
S.E.
S.E.of
Sum squared resid of
regression
regression 5,522846 S.E.Akaike
5,522846
of info
5,522846
regression criterion
Akaike
5.947,856 Schwarz criterion Akaike infoinfo
criterion
criterion 6,265764
5,522846 Akaike6,265764
6,299096 info
6,265764
criterion
SumSum
Sumlikelihood
Log squared squared
squared
resid residresid 5.947,856 Sum
5.947,856
-615,1778 5.947,856
squared
Schwarz resid
Schwarz
Schwarz
criterion
criterion 5.947,856
criterion Schwarz
6,299096 6,299096
6,279257 6,299096
criterion
Log
F-statisticLoglikelihood
likelihood Log-615,1778
0,085598 -615,1778
likelihood Hannan-Quinn
Hannan-Quinn
Durbin-Watson stat criterion
criterion
6,279257
2,106672 6,279257 criterion
F-statistic
F-statistic
Prob(F-statistic) F-statistic
0,7701610,085598
0,085598 Durbin-Watson
Durbin-Watson stat
stat 0,085598 Durbin-Watson
2,106672
2,106672 stat
F-statistic
Prob(F-statistic)
Prob(F-statistic) 0,085598Prob(F-statistic)
Durbin-Watson
0,770161
0,770161 stat 2,106672
0,770161
̂ = 11,256 – 0,325MU
̂ ̂ = =11,256
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 11,256– –0,325MU
0,325MU ̂ = 11,256 – 0,325MU
(7.18)
(0,43) (1,11)
(0,43)
(0,43) (1,11)
(1,11) (0,43) (1,11)
R2 = 0,0439%; ̅ 2 = -0,4687%; Σ𝜇𝜇̂ 2 = 5.947,86; n = 197
𝑅𝑅
0,0439%; 𝑅𝑅̅2𝑅𝑅̅=2 -0,04687%;
R2R=2 =0,0439%; R2 = 0,0439%;
=-0,4687%;
-0,4687%; 2 2
Σ𝜇𝜇̂Σ𝜇𝜇̂ 𝑅𝑅̅2 = -0,4687%;
= =5.947,86;
5.947,86; 197Σ𝜇𝜇̂ 2 = 5.947,86; n
n n= =197
El estadístico F para este caso toma el valor de:

ElElestadístico
estadístico
F Fpara
El estadístico para
este
estecaso
F para El
caso
esteestadístico
toma
toma
caso elelvalor
toma valor
Felpara
de:de:
valoreste
de:caso toma el valor de:
(5.947,86 − 4.200,63)/2
ℱ= (5.947,86
(5.947,86 = 39,30
− 4.200,63)/2
− 4.200,63)/2 (5.947,86 − 4.200,63)/2
ℱ ℱ= =
4.200,63/(197−7−1) = =39,30
ℱ39,30
= = 39,30
4.200,63/(197−7−1)
4.200,63/(197−7−1) 4.200,63/(197−7−1)
En las tablas de la distribución ℱ se tiene que el nivel de significación del 5%, el valor critico
EnEnlaslastablas
tablasdedelaladistribución
distribución
En las
ℱ ℱtablas
sesetiene
tiene
deque
laque
distribución
elelnivel
niveldedesignificación
ℱsignificación
se tiene que
deldel
el5%,
nivel
5%,elel
de
valor
valor
signific
crit
cr
es ℱ 0,05(1, ∞) es igual a 3,84 → como 39,30 > 3,84, por lo tanto, se rechaza la hipótesis nula de
esesℱ ℱ
0,05 (1,(1,∞)∞)esesigual
0,05 iguala 3,84
a 3,84
es ℱ
→→ como
0,05como
(1, ∞)
39,30
39,30
es igual
> >3,84,
3,84,
a 3,84
por
por
→
lolotanto,
como
tanto,se
39,30
serechaza
rechaza
> 3,84,
lalahipótesis
por
hipótesis
lo tanto,
nula
nulsed
que MU sea igual a cero, por consiguiente, existe relación entre la lectura y las mujeres con
que
queMU
MUseaseaigual
iguala cero,
a cero,por
que
porconsiguiente,
MU
consiguiente,
sea igualexiste
aexiste
cero,
relación
relación
por consiguiente,
entre
entrelalalectura
lectura
existe
y ylas
relación
lasmujeres
mujeres
entre
con
con
la
212
En las tablas de la distribución se tiene que el nivel de significación del

5%, el valor critico es F0,05(1, ∞) es igual a 3,84 → como 39,30 > 3,84, por lo
tanto, se rechaza la hipótesis nula de que MU sea igual a cero, por consiguiente,
existe relación entre la lectura y las mujeres con estudios universitarios.
Con respecto al tercer contraste: H0: α5 = 0. Estimamos el siguiente

modelo restringido:
Li = α0 +α1Mi + α2Bi + α3Ui + α4MS + α5MU + 𝜇i (7.19)
Los resultados de la estimación se muestran en la Tabla 7.15.
Tabla 7.15
Estimación modelo final de lectura.
Método: MCO
Muestra: 1 197
C 10,08571 0,815092 12,37371 0,0000
M -0,138346 1,129735 -0,122459 0,9027
S -0,773214 1,179422 -0,655587 0,5129
U 7,090756 1,161160 6,106617 0,0000
MS 0,412053 1,674752 0,246038 0,8059
MU -6,107090 1,661941 -3,674673 0,0003
S.E.Adjusted
of regression
R-squared 4,822151 Akaike info
0,234074 S.D.criterion
dependent var 6,014301 5,509948
SumS.E.
squared resid
of regression 4.441,350 SchwarzAkaike
4,822151 criterioninfo criterion 6,114297 6,014301
LogSum
likelihood
squared resid -586,4086 Hannan-Quinn
4.441,350 Schwarz criterion
criterion 6,054780 6,114297
F-statistic
Log likelihood 12,97989 Durbin-Watson
-586,4086 stat
Hannan-Quinn criterion 2,044171 6,054780
Prob(F-statistic)
12,97989 Durbin-Watson stat 2,044171
Prob(F-statistic) 0,000000 213
̂ = 10,086 – 0,138M – 0,773S + 7,091U + 0,412MS – 6,107MU
̂ = 10,086 – 0,138M – 0,773S + 7,091U + 0,412MS – 6,107MU
(0,82) (1,13) (1,18) (1,16) (1,67) (1,66)
2 (0,82) (1,13) (1,18) (1,16) (1,67) (1,66)
R = 25,36%; 𝑅𝑅̅ = 23,41%; Σ𝜇𝜇̂ = 4.441,35; n = 197
2 2
R = 25,36%; 𝑅𝑅̅ = 23,41%; Σ𝜇𝜇̂ = 4.441,35; n = 197

2 2 2

Los estadísticos
individuales son:
0,138 0,773 7,091 0,412 6,107
|tM| = = 0,12; |tS| = =0,66; |tU| = =6,11; |tMS| = =0,25; |tMU| = = 3,67
1,13
0,138 1,18 0,773 1,16 7,091 1,67 0,412 1,66 6,107
|tM| = = 0,12; |tS| = =0,66; |tU| = =6,11; |tMS| = =0,25; |tMU| = = 3,67
1,13 1,18 1,16 1,67 1,66

La distribución apropiada es una t y en las tablas de la distribución t de
La distribución
Student para un apropiada
nivel deessignificación
una t y en las tablas
de 5%de la y
distribución
para 189t degrados
Studentde
paralibertad
un nivel
La distribución apropiada es una t y en las tablas de la distribución t de Student para un nivel
(T-K-1 = 197-5-1
de significación de 5%= y191), encontramos
para 189 un valor
grados de libertad (T-K-1 crítico
= 197-5-1igual a encontramos
= 191), 1,97246, por un
consiguiente:
de significación de 5% y para 189 grados de libertad (T-K-1 = 197-5-1 = 191), encontramos un
valor crítico igual a 1,97246, por consiguiente:
|tM|valor crítico˂igual
= 0,12 1,97246a 1,97246,→ Noporseconsiguiente:
rechaza la hipótesis nula
|tM| = 0,12 ˂ 1,97246 → No se rechaza la hipótesis nula
|t | = 0,66 ˂ 1,97246
S |tS| =|tM0,66
|→
= 0,12
˂No ˂ 1,97246
se → No→
rechaza
1,97246 No se rechaza
selarechaza
hipótesis la hipótesis
nula
la hipótesis nula nula
|tU|t| =S|→
|tU| = 6,11 > 1,97246 = 0,66
6,11 ˂ 1,97246
Se> 1,97246
rechaza →rechaza
→laSe No se la
hipótesisrechaza
nula la hipótesis
hipótesis nula nula
|tMS| = 0,25 ˂ 1,97246 → No se rechaza la hipótesis nula
|tMU| = 3,67 > 1,97246 → Se rechaza la hipótesis nula
El modelo (7.20) las variables: estudios universitarios (U) y mujeres con

estudios universitarios (MU) tienen significación estadística al 5%, por ende,
estos factores son relevantes a la hora de explicar el número de horas de
lectura semanales.
También llegamos a esta misma conclusión, al observar la columna de

probabilidad (Prob.) en la Tabla 7.15. En esta se aprecia que los parámetros
estimados son significativamente distintos de cero al 95% (p-valores menores
que 0,05), salvo los relativos a las variables M, S y MS.
Si se realiza un contraste de significatividad conjunta, el estadístico para

este caso toma el valor de:
MS.
Si se realiza un contraste de significatividad conjunta, el estadístico ℱ para este caso toma el

214
valor de:
(4.441,35 − 4.200,63)/2
ℱ= = 5,41
4.200,63/(197−7−1)
En las tablas
En de
lasla distribución
tablas ℱ se tieneseque
de la distribución tieneelque
nivel de significación
el nivel del 5%,
de significación el valor
del 5%, el critico
valor critico es F0,05(5, ∞) es igual a 2,21 → como 5,41 > 2,21, por consiguiente,
es ℱ 0,05(5, ∞) es igual a 2,21 → como 5,41 > 2,21, por consiguiente, se rechaza la hipótesis nula
se rechaza la hipótesis nula de que M, S, U, MS y MU sean, conjuntamente
de que M, iguales
S, U, MSa cero,
y MUporsean,
tanto,conjuntamente
existe relación iguales
entre el asexo y el
cero, nivel
por educativo.
tanto, existe relación entre el
sexo y el nivelDon Pablo al observar los modelos especificados y estimados por Emilio
educativo.
usando en su gran mayoría, variables de tipo cualitativo como el efecto
Don Pablo al observar
vacacional, los ymodelos
el sexo especificados
la escolaridad y estimados
y, otras de por Emilio
carácter cuantitativo usando
como en su gran
la edad
y el número de aparatos de entretenimiento disponibles en el hogar; a pesar del
mayoría, variables de tipo
gran esfuerzo cualitativo
intelectual comopor
realizado el efecto
su hijo,vacacional, el entendido
cree no haber sexo y la escolaridad
de manera y, otras
clara los factores que efectivamente explican la lectura medida en número de
de carácter cuantitativo como la edad y el número de aparatos de entretenimiento disponibles en
horas semanales. Se recuerda que Emilio, con todas las objeciones posibles de
el hogar; asu padre,
pesar delesgran
el líder y defensor
esfuerzo del gasto
intelectual en publicidad,
realizado el cual
por su hijo, ha no
cree demostrado ser
haber entendido de
hasta el momento, un factor determinante de las ventas de la editorial.
manera clara los factores que efectivamente explican la lectura medida en número de horas
Emilio, por su parte, convencido de la terquedad de su padre, considera
semanales.resaltar
Se recuerda que Emilio,
de forma conhallazgos
clara, los todas lasdelobjeciones posibles de
trabajo efectuado ensueste
padre, es el líder y
capítulo.
Mirando a su padre, en tono enérgico, le responde: Si estuviste atento en lo que
defensor del gasto en publicidad, el cual ha demostrado ser hasta el momento, un factor
hice, debiste comprender que la campaña publicitaria que emprenda la editorial
debedeirlas
determinante especialmente
ventas de la dirigida a las mujeres con estudios universitarios ya que,
editorial.
sistemáticamente, el número de horas dedicado a la lectura en este grupo es mayor
que en el de los hombres. En otras palabras, el grupo de interés comercial de la
editorial son las mujeres con estudios universitarios, quienes han demostrado ser
mejores lectoras que los hombres. Esta evidencia empírica, nos indica que es
necesario fortalecer la estrategia publicitaria dirigida a este tipo de clientes. ¡Mira
papá!, los ahorros en el gasto en publicidad que tú planteas desde que tengo uso
de razón, solo provocará pérdida de beneficios para la editorial. ¡Espero que te
haya quedado claro el mensaje!
RETO 6:
Capítulo 8
MULTICOLINEALIDAD
Supuesto 8: No debe existe multicolinealidad entre las variables

explicativas incluidas en el modelo de regresión.
La multicolinealidad es una condición que ocurre cuando algunas variables

explicativas incluidas en el modelo están correlacionadas con otras variables
explicativas. Según Gujarati (2010:323), si la multicolinealidad es perfecta,
los coeficientes de regresión de las variables explicativas son indeterminados,
y sus errores estándar, infinitos. Si la multicolinealidad es menos que perfecta,
los coeficientes de regresión, aunque sean determinados, poseen grandes
errores estándar (en relación con los coeficientes mismos), lo cual significa
que los coeficientes no pueden ser estimados con gran precisión o exactitud”.
Lo anterior parece indicar, que la multicolinealidad pone en riesgo y en tela de
juicio, el efecto marginal que cada variable explicativa ejerce sobre la variable
dependiente, es decir, las variables explicativas no son tan independientes a la
hora de explicar la variable dependiente.
Una cuestión importante que debe analizarse al estudiar los resultados

de un modelo de regresión es el grado de relación lineal existente entre
las observaciones de las variables explicativas, en nuestro caso, la relación
existente entre el precio de la editorial (PE), el precio de la competencia (PC),
el gasto en publicidad (GP) y la renta personal (R). A este respecto, pueden
existir tres posibles situaciones: multicolinealidad perfecta, ortogonalidad y
multicolinealidad imperfecta.
Carrascal et al, (2004), afirman que la multicolinealidad imperfecta consiste

en la existencia de una relación lineal fuerte entre las variables explicativas
216
del modelo especificado. La multicolinealidad imperfecta es un problema

muy común en la práctica econométrica y no conlleva el incumplimiento de
ninguna de las hipótesis en las que se fundamenta el modelo de regresión lineal
clásico. Por lo tanto, los estimadores mínimos cuadráticos están determinados
y son los mejores estimadores que pueden obtenerse, cumpliendo todas
las propiedades deseadas para un estimador. Sin embargo, no son buenos
estimadores debido a las consecuencias que se derivan de este problema, las
cuales se sintetizan en:
- Varianzas grandes de los estimadores. Cuanto más fuerte sea la relación

lineal entre la variable X y el resto de las variables explicativas del modelo,
es decir, cuanto mayor sea el grado de multicolinealidad, mayor será la
varianza del estimador de su parámetro.
- Inestabilidad de los estimadores ante pequeñas variaciones muestrales: el

hecho de que la varianza de los estimadores sea elevada implica que los
estimadores son inestables.
- Dificultad para interpretar los coeficientes, y por lo tanto, sus estimaciones.

Los coeficientes de regresión 𝛽 se interpretan como el cambio que se
produce en la variable dependiente Y al variar la variable explicativa X en
una unidad, permaneciendo el resto de las variables explicativas constantes.
Cuando existe multicolinealidad imperfecta es imposible suponer que el
resto de las variables permanecen constantes al existir altas correlaciones
lineales entre las mismas. Por este motivo, los parámetros pierden su
significado, y por lo tanto, sus estimaciones.
La multicolinealidad imperfecta hace imposible determinar el efecto

aislado de cada variable explicativa sobre la variable dependiente. Como
la multicolinealidad imperfecta no supone el incumplimiento de ninguna
hipótesis clásica, EViews no incluye ningún menú específico para su
detección, pero a través de una serie de indicios y procedimientos se puede
detectar su presencia.
Ahora, detectemos la presencia o no de multicolinealidad imperfecta en

modelo de ventas de la editorial. Situados en la ventana del objeto ecuación
217
seleccionamos Proc → Make Regresor Group y damos clic (véase Figura

8.1), inmediatamente se abre la ventana de un objeto grupo que contiene las
variables incluidas en el modelo, incluida la variable dependiente, como se
muestra en la Figura 8.2.
Sobre el objeto grupo calculamos la matriz de correlaciones, para ello

seleccionamos View → Covariance Analysis y damos clic como se muestra
en la Figura 8.3 y en el cuadro de diálogo que se abre marcamos la opción
Correlation y damos OK (Figura 8.4).
De este modo, obtenemos la matriz de correlación que aparece en la Tabla

8.1. Analizando el coeficiente de correlación lineal se observa que en ninguna
de las relaciones de las variables explicativas, este coeficiente tiene una
218

magnitud apreciable (r ≈ 1), por lo general, se encuentra por debajo de 0,6 que
se interpreta como una intensidad entre moderada y débil, por lo tanto, entre
las variableslas
explicativas del modelo de
variables explicativas delventas
modelode de
la editorial
ventas denolaseeditorial
aprecia no
indicios de existencia
se aprecia
indicios de existencia de multicolinealidad imperfecta.
de multicolinealidad imperfecta.
Tabla 8.1
Tabla 8.1
Matriz de correlación
Matriz lineal.
de correlación
Tabla 8.1. lineal
Matriz de correlación lineal
Variables
Variables explicativas PE
PE PC
PC GPGP R R
explicativas
PE PE 1,000000
1,000000 -0,258176
-0,258176 -0,159481
-0,159481 -0,498638
-0,498638
PC PC -0,258176
-0,258176 1,000000
1,000000 0,285806
0,285806 0,556504
0,556504
GPGP -0,159484
-0,159484 0,285806
0,285806 1,000000
1,000000 0,464269
0,464269
R -0,498638 0,556504 0,464269 1,000000
R -0,498638 0,556504 0,464269 1,000000
Según Alonso et al, (2005:161), la multicolinealidad puede también detectarse por medio de los
coeficientes deSegún Alonso obtenidos

determinación et al, (2005:161), la multicolinealidad
en las regresiones puede
auxiliares de cada también
detectarse por medio de los coeficientes de determinación obtenidos en las
sobre las restantes. Si algunos
regresiones de los
auxiliares de coeficientes de explicativa
cada variable determinación de las regresiones
sobre restantes. Siauxiliares
algunos de los coeficientes de determinación de las regresiones auxiliares son
son grandes, lo cual indica una correlación alta entre las variables explicativas, entonces
grandes, lo cual indica una correlación alta entre las variables explicativas,
posiblementeentonces posiblemente
nos enfrentamos a un nos enfrentamos
problema a un problemaen
de multicolinealidad delos
multicolinealidad
datos.
en los datos.
Lo anterior nos exige estimar los siguientes modelos auxiliares, siguiendo el mismo
Lo anterior nos exige estimar los siguientes modelos auxiliares, siguiendo
procedimiento aprendido
el mismo hasta el momento.
procedimiento aprendido hasta el momento.
̂ = 𝛽𝛽̂0 + 𝛽𝛽̂1PCt + 𝛽𝛽̂2GPt + 𝛽𝛽̂3Rt + 𝜇𝜇̂ t
𝑃𝑃𝑃𝑃 (8.1)
̂ = 𝛽𝛽̂0 + 𝛽𝛽̂1PEt + 𝛽𝛽̂2GPt + 𝛽𝛽̂3Rt+ 𝜇𝜇̂ t

𝑃𝑃𝑃𝑃 (8.2)
̂ = 𝛽𝛽̂0 + 𝛽𝛽̂1PEt + 𝛽𝛽̂2PCt + 𝛽𝛽̂3Rt + 𝜇𝜇̂ t

𝐺𝐺𝐺𝐺 (8.3)
𝑅𝑅̂ = 𝛽𝛽̂0 + 𝛽𝛽̂1PEt + 𝛽𝛽̂2PCt+ 𝛽𝛽̂3GPt + 𝜇𝜇̂ t (8.4)
Con el apoyo de EViews

Con el apoyo realizamos las estimaciones
de EViews realizamos respectivas. Únicamente
las estimaciones ilustraremos la
respectivas.
Únicamente ilustraremos la estimación del modelo (8.1), puesto que el
estimación del modelo (8.1), puesto que el proceso se repite de la misma manera para las demás
proceso se repite de la misma manera para las demás regresiones auxiliares.
regresiones auxiliares. En el ventana de Workfile seleccionamos las variables de interés en el
siguiente orden de intervención: pe, pc, gp y r (Figura 8.5), y posteriormente, abrimos como
219
En el ventana de Workfile seleccionamos las variables de interés en el

siguiente orden de intervención: pe, pc, gp y r (Figura 8.5), y posteriormente,
abrimos como ecuación (as Equation) y damos clic. En la ventana Equation
specification ordenamos las variables en el siguiente orden (primero
la variable dependiente y posteriormente, el intercepto seguido de las
variables explicativas): pe c pc gp r y damos Aceptar, como se indica en la
Figura 8.6.
En las Tablas 8.2, 8.3, 8.4 y 8.5 se muestran los resultados de las regresiones
auxiliares.
220
Tabla 8.2
Regresiones auxiliares: Precio medio de la editorial.
Variable Dependiente: PE
Método: MCO
C 99,13258 11,71045 8,465307 0,0000
PC 0,015611 0,110948 0,140708 0,8889
GP 0,001138 0,002033 0,559873 0,5790
R -0,002545 0,000860 -2,958811 0,0054

Tabla 8.3
Regresiones auxiliares: Precio medio de la competencia.
Variable Dependiente: PC
Método: MCO
C 92,40861 26,22531 3,523642 0,0012
PE 0,035209 0,250231 0,140708 0,8889
GP 0,000643 0,003065 0,209753 0,8350
R 0,003958 0,001280 3,092051 0,0038
221
Tabla 8.4
Regresiones auxiliares: gasto en publicidad.
Variable Dependiente: GP
Método: MCO
C 1.206,531 1.640,679 0,735385 0,4669
PE 7,58349 13,54487 0,559873 0,5790
PC 1,898841 9,052752 0,209753 0,8350
R 0,180061 0,072288 2,490885 0,0175
Sum squared resid 9.016.666 Schwarz criterion 15,53247
Tabla 8.5
Regresiones auxiliares: Renta personal.
Variable Dependiente: R
Método: MCO
C 2303,603 3.498,775 0,658403 0,5145
PE -76,87078 25,98030 -2,958811 0,0054
PC 53,01542 17,14571 3,092051 0,0038
GP 0,816447 0,327774 2,490885 0,0175
S.E. of regression 1.065,677 Akaike info criterion 16,87525
GP 0,816447 0,327774 2,490885 0,0175
Sum squared resid EL USO DE LA40.884.057
ECONOMETRÍASchwarz criterion
BÁSICA 17,04414
222 Log likelihood -333,5050 Hannan-Quinn criterion 16,93631
Ahora, visualizamos los resultados de la estimación de las cuatro regresiones
auxiliares, así:
Ahora, visualizamos los resultados de la estimación de las cuatro regresiones auxiliares,
̂ = 99,13 + 0,02PCt
PE 0,0011GPtt –– 0,003R
0,02PCt + 0,0011GP 0,003Rtt ̅2 = 19,36%
R (8.5)
̂ = 92,41 + 0,035PEt++0,000643GP
PC 0,000643GPt++0,0040R ̅2 = 25,36%
0,0040Rt R (8.6)
̂ = 1206,53 + 7,58PEt ++ 1,90PC
GP 1,90PCt++0,18R
0,18Rt ̅2 = 15,87%
R (8.7)
̂ ==2.303,60
R 2.303,60––76,87PE
76,87PE+t + 53,015PC
53,015PC + 0,82GPt
+t 0,82GP ̅2 = 48,68%
R (8.8)
Como puedepuede
Como observarse, la correlación
observarse, entre lasentre
la correlación variables explicativas
las variables del modelo de venta
explicativas
del modelo de ventas de la editorial es débil (menor de 0,5). Aunque podría
la editorial es débil (menor de 0,5). Aunque podría suceder que existiera colinealidad entre
suceder que existiera colinealidad entre los regresores a pesar de que los
coeficientes
regresores a pesardedecorrelación simple seandereducidos,
que los coeficientes correlación lassimple
regresiones auxiliares las regresio
sean reducidos,
entre las variables explicativas no muestran en este caso, evidencia de relación
auxiliares
lineal entre
entrelas variables
ellas (no hayexplicativas no muestran
multicolinealidad). Por en este podemos
ende, caso, evidencia
concluirde relación li
que el precio de la competencia y la renta personal tienen poca capacidad
entre ellas (no hay multicolinealidad). Por ende, podemos concluir que el precio de la compete
explicativa, sin que pueda atribuirse su poca significación a problemas de
datos.personal
y la renta Por otrotienen
lado,poca
la capacidad
capacidadexplicativa
explicativa,del
singasto en publicidad
que pueda atribuirsequeda
su poca significac
perfectamente evidenciada.
a problemas de datos. Por otro lado, la capacidad explicativa del gasto en publicidad qu
Por lo anterior, el modelo inicial propuesto por Don Pablo queda desechado;
perfectamente evidenciada.
la propuesta de utilizar únicamente el precio como variable explicativa
proporciona un modelo con error de especificación por omisión de variables
Por lo anterior, el modelo inicial propuesto por Don Pablo queda desechado; la propuesta
relevantes, lo que impide que podamos confiar en los resultados numéricos
obtenidos
utilizar en su el
únicamente estimación:
precio comolos coeficientes estimadosproporciona
variable explicativa serán sesgados y los con error
un modelo
contrastes que podamos realizar con esos resultados serán inválidos.
No cabe duda a este respecto, que el modelo propuesto por Emilio es más
adecuado. Quizás Emilio debería aceptar que, a pesar de su creencia, los datos
no avalan que el precio de la competencia sea una variable relevante. No
obstante, como está encariñado con esta idea, decide mantener la variable
en el modelo diciendo que al fin y al cabo no sesga los resultados aunque
resulten menos precisos de lo que podrían ser.
223
En vista de todo lo que va oyendo, y para hacerse una idea que le permita
discutir luego los resultados con su hijo, Don Pablo desea conocer el grado
de correlación existente entre las variables incluidas en el modelo, así que
Emilio le presenta los siguientes resultados:
Don Pablo: Si a mí sólo me interesa conocer el efecto del precio, ¿por qué
voy a tener que meterme en un modelo más complicado? me basta con el que
yo he propuesto en primer lugar.
Emilio: No puede ser, lo que tú propones es un disparate. Las consecuencias

de no incluir otras variables relevantes son muy graves.
Don Pablo: ¿En qué sentido son muy graves? No entiendo el porqué de
esa gravedad si el coeficiente estimado asociado a los precios no cambia tanto
entre los dos modelos.
La respuesta a estas preguntas tiene que ver, naturalmente, con el hecho de

que si no se incluyen variables relevantes en el Capítulo 5, provocará sesgos
en la estimación de los coeficientes y de la varianza estimada de los residuos,
invalidando la inferencia que se pueda realizar.
Dado que con los resultados precedentes se comprueba que la variable

gasto en publicidad (GP), tiene indudable capacidad explicativa sobre las
ventas, su exclusión del modelo como pretende Don Pablo provocaría sesgo
en la estimación de los coeficientes (los elementos de la matriz X’X muestra
que este regresor no es ortogonal a la variable P, precio), en la estimación
de la varianza e invalidaría la inferencia. La conversación entre padre e hijo
continúa así:
Emilio: ¿Comprendes ahora por qué los resultados del modelo en que se
incluye solamente la variable precio no son válidos? Ni la estimación ni los
estadísticos de contraste son fiables.
Don Pablo: Comprendo, pero…entonces también el modelo propuesto

por ti tiene problemas, ya que la variable ‘Precio de la Competencia’ no es
relevante.
224
Efectivamente, la inclusión de esta variable no resulta necesaria de acuerdo

con los resultados obtenidos hasta el momento. Con objeto de comprobar si su
falta de significación podría ser debido a la existencia de una relación lineal
estrecha con los otros regresores, se llevaron a cabo las regresiones auxiliares.
A partir de estos resultados resulta evidente que no existe problema de

colinealidad entre las variables explicativas del modelo, lo que implica que el
precio de la competencia no es significativo, sin que pueda encontrarse una
razón para ello en la presencia de otros regresores en el modelo. Mantener
la variable precio de la competencia (PC) en el modelo supone incurrir en un
error de especificación por inclusión de variables irrelevantes; aunque sus
consecuencias no son importantes en términos de propiedades básicas del
estimador obtenido, que continua siendo insesgado y consistente, si supone
un costo mantenerla al obtener menor precisión en la estimación que si la
quitáramos.
RETO 7:

Capítulo 9
HETEROSCEDASTICIDAD
Supuesto 3: El valor medio de la perturbación 𝜇i es igual a cero: Dado

el valor de Xi, la media o el valor esperado del término de perturbación
aleatoria 𝜇i es cero. Simbólicamente, tenemos que: E(𝜇i\Xi) = 0.
Supuesto 4: Homoscedasticidad o varianza constante de 𝜇i: La varianza
del término de error, o de perturbación, es la misma sin importar el valor
de X. Simbólicamente, tenemos que: Var (𝜇i) = σ2
La palabra heteroscedasticidad se puede desglosar en dos partes, heteros

(diferente) y cedasticidad (dispersión). De tal manera que, si unimos estas
dos palabras obtenemos que la heteroscedasticidad que se equivale a que
las perturbaciones (residuos) del modelo tienen diferente dispersión, es
decir, que no son constantes a lo largo de toda la muestra. Por lo tanto, la
heteroscedasticidad es la existencia de una varianza no constante en las
perturbaciones aleatorias de un modelo econométrico.
Las principales consecuencias que se derivan del incumplimiento de la

hipótesis de homoscedasticidad en los resultados de la estimación mínimo
cuadrática son:
- Un error en el cálculo del estimador de la matriz de varianzas y coviarianzas

de los estimadores mínimo cuadráticos.
- Una pérdida de eficiencia en el estimador mínimo cuadrático. Al ser la

matriz de las varianzas de las perturbaciones no escalar, el estimador MCO
no es eficiente, es decir, es solo Estimador Lineal Insesgado (ELI) y no el
Mejor Estimador Lineal Insesgado (MELI).
226
La hipótesis de homoscedasticidad establece que la varianza de las

perturbaciones es igual a una constante: Var(𝜇t) = 𝜎2. Esta hipótesis, junto con
el resto de hipótesis básicas, implica también una distribución homoscedástica
para la variable dependiente, esto es, Yt ~ (X´t𝛽, 𝜎2) para todo t.
9.1 Especificación y causas de la heteroscedasticidad.
Se denomina heteroscedasticidad al caso en que, en el modelo de regresión,

las varianzas de las perturbaciones son lineales para distintas observaciones.
Formalmente, esto se indica escribiendo que E(𝜇t2) = 𝜎t2, para t = 1, 2, 3,…,T.
Don Pablo ya ha comprobado que los resultados obtenidos hasta el momento

sobre el modelo propuesto para las ventas de su editorial, dependen de manera
crucial de las hipótesis básicas, varianzas iguales u homoscedasticidad, no se
satisface para las ventas de la editorial. Por ello, quiere que Emilio realice
los análisis oportunos para decidir: 1) cuáles son las consecuencias que se
derivan para los resultados encontrados hasta el momento sino se satisface
dicha hipótesis, 2) cómo decidir si el problema es relevante para su modelo,
y 3) qué hacer en el caso de que, efectivamente, se encuentre de que existe un
problema de heteroscedasticidad.
Emilio, siempre dispuesto a convencer a su padre de que él tiene razón y de

que se pueden tomar decisiones correctas si se tienen en cuenta los problemas
específicos de los diferentes componentes del modelo de ventas de la editorial,
se pone manos a la obra. Por lo que se refiere a los datos de nuestra editorial,
y dada la Figura 5.5 del capítulo 5 en el que los residuos parecen crecer
con el precio promedio de los libros, resultaría necesario llevar a cabo un
contraste sobre la existencia o no de heteroscedasticidad. Por otro lado, en el
capítulo 7 hemos encontrado que el modelo correcto debería incluir, además
de las variables inicialmente consideradas, la variable LGPt que recoge el
comportamiento estacional. Lo razonable, por lo tanto, sería contrastar si
este último modelo (7.8), presenta el mismo tipo de comportamiento en sus
residuos. Examinados estos residuos en un gráfico similar al que se acaba
de citar, encontramos la misma estructura de comportamiento que posee el
modelo (4.1).
227
9.2 Detección de la heteroscedasticidad mediante métodos gráficos.
Para la detección de la heteroscedasticidad, abrimos el archivo de trabajo

Tab2, nos situamos en la ventana del Workfile, haciendo clic en cualquier
parte de la misma y pulsamos el botón Genr de su barra de herramientas.
En el cuadro de diálogo resultante escribimos abse=@abs(resid) y pulsamos
OK, como se muestra en la Figura 9.2. El resultado es un nuevo objeto serie
llamado “abse” que recoge el valor absoluto de los errores de la ecuación que
acabamos de estimar. Recuérdese que el objeto serie resid incluye los errores
de la ecuación que se mantenga por defecto (eq default), en este caso, Eq01. La
serie que recoge el cuadrado de los errores (CUADRAE) se genera repitiendo
los mismos pasos y escribiendo en el cuadro de diálogo cuadrae=resid^2,
Seleccionamos la variable precio de la editorial (PE) y ABSE oprimiendo

la tecla CTRL más el botón izquierdo del ratón y las abrimos como grupo
mediante Open → as Group (Figura 9.4) y hacemos clic, obteniendo una
ventana con las series PE y ABSE (véase Figura 9.5).
228
Sobre la ventana del objeto grupo realizamos el gráfico mediante la opción

View → Graph y damos clic (véase Figura 9.6). En la solapa Specific de la
ventana que se abre, elegimos la opción Scatter y damos OK (Figura 9.7).
De este modo se obtiene el gráfico de los residuos de la regresión ventas

contra precio de la editorial (véase Figura 9.8). En este gráfico se aprecia
que la dispersión del valor absoluto de errores crece a medida que aumenta
el precio promedio, lo cual puede ser un indicio de heteroscedasticidad. El
gráfico de los errores al cuadrado se obtiene a través del mismo procedimiento:
En el Workfile del archivo Tab2 seleccionamos con el puntero del ratón PE y
CUADRAE, abrimos como grupo mediante Open → as Group y damos clic.
Posteriormente, seleccionamos View → Graph damos clic y elegimos Scatter
y damos OK, obteniendo el gráfico correspondiente, como se muestra en la
229
Figura 9.9. Observamos que este gráfico es similar al anterior, mostrando

una dispersión creciente del cuadrado de los errores a medida que aumenta el
precio promedio de la editorial.
A continuación, utilizando el procedimiento aprendido hasta ahora,

vamos a realizar los diagramas de dispersión de los errores contra las
variables precio de la competencia (PC), gasto en publicidad (GP) y renta
personal (R). Para el primer caso estimamos la ecuación de la regresión
ventas contra precio de la competencia a la que la llamaremos Eq02. Nos
situamos en la ventana del Workfile, haciendo clic en cualquier parte de la
misma y pulsamos el botón Genr de su barra de herramientas. En el cuadro
de diálogo resultante escribimos abse=@abs(resid) y pulsamos OK como se
muestra en la Figura 9.10. Pulsando la tecla CTRL más el botón izquierdo del
ratón seleccionamos las variables precio de la competencia (PC) y ABSE y las
abrimos como grupo mediante Open → as Group y hacemos clic, obteniendo
una ventana con las series PC y ABSE (Figura 9.11).
230
Posteriormente, seleccionamos View → Graph damos clic y elegimos

Scatter y damos OK, obteniendo el gráfico correspondiente, como se indica
en la Figura 9.12 También obtenemos la serie del cuadrado de los residuos
para la realización del respectivo gráfico (véase Figura 9.13). En las figuras
mencionadas no se observa una dispersión creciente de los residuos a medida
que aumenta el precio de la competencia, por lo tanto, no hay indicios de
heteroscedasticidad.
Enseguida, seleccionamos View → Graph damos clic y elegimos Scatter

y pulsamos OK, obteniendo el gráfico que se muestra en la Figura 9.14.
También obtenemos la serie del cuadrado de los residuos para la realización
del respectivo gráfico (véase Figura 9.15). En estas figuras tampoco se observa
una dispersión creciente de los residuos a medida que aumenta el gasto en
publicidad, por consiguiente, no hay indicios de heteroscedasticidad.
231
Por último, seleccionamos View → Graph damos clic y elegimos Scatter

y pulsamos OK, obteniendo de este modo el gráfico que se muestra en la
Figura 9.16. También obtenemos la serie del cuadrado de los residuos para
la realización del respectivo gráfico (véase Figura 9.17). En estas figuras
tampoco se observa una dispersión creciente de los residuos a medida que
aumenta la renta, por consiguiente, no hay indicios de heteroscedasticidad.
También pueden representarse los residuos contra los valores predichos

para analizar la posible heteroscedasticidad. Para ello se estima la ecuación de
regresión múltiple con los datos de la Tabla 3.1, seleccionando las variables en
el siguiente orden: V, PE, PC, GP y R. Sobre la pantalla del objeto ecuación se
calculan los valores predichos eligiendo Proc → Forecast como se indica en
la Figura 9.18. En la pantalla Forecast que aparece a continuación rellenamos
las opciones como se muestra en la Figura 9.19 (este vector contiene las
predicciones de la variable dependiente Ventas) y damos OK.
232
En la ventana del objeto ecuación seleccionamos Quick → Graph damos

clic y en el cuadro de diálogo de Series List escribimos primero el vector de
ventas proyectada (vf) contra los residuos y damos OK, como se muestra en
las Figuras 9.20 y 9.21.
Figura 9.21
Figura 9.20
Luego, en la pantalla de Graph Options elegimos Scatter y damos OK

(Figura 9.22). A continuación aparece el gráfico de las ventas proyectadas
contra los residuos como se indica en la Figura 9.23.
233
Repetimos el mismo procedimiento para obtener el gráfico de los residuos

contra cada una de las variables explicativas del modelo. Para ello, en la
ventana del objeto ecuación seleccionamos Quick → Graph damos clic y en
el cuadro de diálogo de Series List editamos la variable precio de la editorial
(PE) contra los residuos y pulsamos OK, como se muestra en la Figura 9.24.
El gráfico de los residuos se visualiza en la Figura 9.25.
Luego obtenemos el gráfico de los residuos contra el precio de la

competencia. Para ello, en la ventana del objeto ecuación seleccionamos
Quick → Graph damos clic y en el cuadro de diálogo de Series List editamos
la variable precio de la competencia (PC) contra los residuos y pulsamos OK,
como se muestra en la Figura 9.26. El gráfico de los residuos se visualiza en
la Figura 9.27.
234
Posteriormente, obtenemos el gráfico de los residuos contra el gasto en

publicidad. Para ello, en la ventana del objeto ecuación seleccionamos
Quick → Graph damos clic y en el cuadro de diálogo de Series List editamos
la variable gasto en publicidad (GP) contra los residuos y pulsamos OK,
como se muestra en la Figura 9.28. El gráfico de los residuos se muestra
en la Figura 9.29.
Por último, obtenemos el gráfico de los residuos contra la renta personal.

Para ello, en la ventana del objeto ecuación seleccionamos Quick → Graph
damos clic y en el cuadro de dialogo de Series List editamos la variable renta
personal (R) contra los residuos y pulsamos OK, como se muestra en la Figura
9.30. El gráfico de los residuos se indica en la Figura 9.31.
235
Al parecer la variable PE es la candidata a provocar los problemas de

heteroscedasticidad, pero para estar más seguros utilizaremos un contraste
formal, por ejemplo, el contraste de Glesjer. Para ello, realizamos una
regresión múltiple de ABS(RESID) contra PE rellenando la pantalla Equation
Estimation. Seleccionamos Quick → Estimate equation como se indica en la
Figura 9.32. En el cuadro de diálogo que se abre escribimos ABS(RESID) c pe
como se muestra en la Figura 9.33 y damos Aceptar.
A continuación se obtienen los resultados de la Tabla 9.1.

236
Tabla 9.1
Contraste de Glesjer.
Variable Dependiente: ABS(RESID)
Método: MCO
C -15,75959 24,69627 -0,638136 0,5272
PE 0,283754 0,254595 1,114529 0,2721
Los coeficientes no resultan significativos al 94% (p-valores mayores

que 0,06) y el modelo global tampoco es significativo (p-valor de la F
mayor que 0,05). Por consiguiente, no se rechaza la nulidad de cualquier
coeficiente incluida la constante. Según el contraste de Glesjer, la hipótesis
de homoscedasticidad es equivalente a la hipótesis de pendiente nula en este
modelo, por ende, no hay presencia de heteroscedasticidad provocada por la
variable: precio de la editorial (PE).
9.3 Detección de la heteroscedasticidad mediante contrastes.
9.3.1 Contraste de White.
Para llevar a cabo el contraste de White, estimamos la regresión por MCO

de los residuos al cuadrado contra el precio de la editorial (PEt); para ello
seleccionamos CUADRAE125 y PE a través de Open → as Equation, cuyo
25 El lector recordará que CUADRAE representa los residuos al cuadrado de la regresión ventas (V)
contra el precio de la editorial (PE), los cuales fueron obtenidos a través del procedimiento apren-
dido en la detección de la heteroscedasticidad por métodos gráficos.
237
resultado aparece en la Tabla 9.2. Luego, nos situamos en la ventana del objeto
ecuación y seleccionamos View → Residual Diagnostics → Heteroskedasticity
Test y damos clic. En la solapa Test type de la ventana que se abre elegimos
White y damos OK como se muestra en la Figura 9.34.
Tabla 9.2
Detección de heteroscedasticiad (contraste de White).
Variable Dependiente: CUADRAE
Método: MCO
C 358,6718 7.991,771 0,044880 0,9644
PE 23,23331 82,38761 0,282000 0,7795
R-squared 0,002088 Mean dependent var 2.606,901
Adjusted R-squared -0,024172 S.D. dependent var 3471,397
Sum squared resid 4,69E+08 Schwarz criterion 19,29954
Figura 9.34
238
En la salida del Test de heteroscedasticidad de White (véase Tabla 9.3) se

muestra el estadístico Obs*R-squared junto con el estadístico F (F-statistic),
el cual contrasta la significación conjunta de las variables que aparecen como
explicativas en la regresión auxiliar. También aparecen los resultados de la
regresión auxiliar, lo que permite, entre otras cosas, identificar cuál de las
dos opciones ha sido elegida. Los valores obtenidos no permiten rechazar la
hipótesis de homoscedasticidad, puesto que la probabilidad de rechazar esta
hipótesis siendo cierta es mayor de 5% (0,05), por consiguiente, no existe
heteroscedasticidad en el modelo estimado.
F- statistic → Prob F(2, 37) = 0,4059 > 0,05 → Por lo tanto, se acepta la
hipótesis de homoscedasticidad.
Obs*R-squared → Prob Chi-Squared(2) = 0,3862 > 0,05 → Por consiguiente,

se acepta la hipótesis de homoscedasticidad.
Tabla 9.3
Prueba de heteroscedasticidad de White.
Heteroskedasticity Test White
F- statistic 0,924004 Prob. F(2, 37) 0,4059
Obs*R-squared 1,902809 Prob. Chi-Square(2) 0,3862
Scaled explained SS 3,531070 Prob. Chi-Square(2) 0,1711
Test Equation:
Variable Dependiente: RESID^2
Método: MCO
C 8,60E+08 6,24E+08 1,377936 0,1765
PE^2 97.408,20 71.826,22 1,356165 0,1833
PE 18.238.706 13.421.475 -1,358920 0,1824
R-squared 0,047570 Mean dependent var 11.724.796
Adjusted R-squared -0,003912 S.D. dependent var 24.079.639
S.E. of regression 24.126.699 Akaike info criterion 36,90757
239
Con el propósito de verificar la no existencia de heteroscedasticidad en el

resto de las variables explicativas del modelo, realizaremos el contraste de
White a cada una de ellas, siguiendo el mismo procedimiento aprendido. Si
aplicamos el test de White a la variable precio de la competencia (PCt), los
valores obtenidos no permiten rechazar la hipótesis de homoscedasticidad,
puesto que la probabilidad de rechazar esta hipótesis siendo cierta es mayor de
5% (0,05), por consiguiente, no existe heteroscedasticidad (véase Tabla 9.4).
F- statistic → Prob F(2, 37) = 0,9555 > 0,05 → Por ende, se acepta la
Obs*R-squared → Prob Chi-Squared(2) = 0,9521 > 0,05 → Por

consiguiente, se acepta la hipótesis de homoscedasticidad.
Tabla 9.4
Prueba de heteroscedasticidad de White.
Test Equation:
Método: MCO
C 50.127.184 3,03E+08 0,165417 0,8695
PC^2 1.642,915 23.115,88 0,071073 0,9437
PC 502.632,5 5.308.263 -0,094689 0,9251
Adjusted R-squared -0,051466 S.D. dependent var 28.019.643
240
Continuamos con los residuos al cuadrado de la regresión Ventas

(Vt) contra el gasto en publicidad (GPt), obteniendo los resultados que se
muestran en la Tabla 9.5. Los valores obtenidos no permiten rechazar la
hipótesis de homoscedasticidad, puesto que la probabilidad de rechazar esta
hipótesis siendo cierta es mayor de 5% (0,05), por consiguiente, no existe
heteroscedasticidad.
F- statistic → Prob F(2, 37) = 0,8520 > 0,05 → Se acepta la hipótesis de

homoscedasticidad.
Obs*R-squared → Prob Chi-Squared(2) = 0,8417 > 0,05 → Se acepta la

Tabla 9.5
Prueba de heteroscedasticidad de White
Test Equation:
Método: MCO
C 347.651 1.229.161 -0,282836 0,7789
GP^2 0,106073 0,189026 -0,561158 0,5781
GP 533,2822 976,0095 0,546390 0,5881
R-squared 0,008619 Mean dependent var 289.947,7
Adjusted R-squared -0,044969 S.D. dependent var 408.415,2
241
Por último, realizaremos el test de heteroscedasticidad de White de los

residuos al cuadrado de la regresión Ventas (Vt) contra la renta personal (Rt).
Los valores obtenidos no permiten rechazar la hipótesis de homoscedasticidad,
puesto que la probabilidad de rechazar esta hipótesis siendo cierta es mayor de
5% (0,05), por consiguiente, no existe heteroscedasticidad (véase Tabla 9.6).
F- statistic → Prob F(2, 37) = 0,3660 > 0,05 → Por consiguiente, se acepta
la hipótesis de homoscedasticidad.
Obs*R-squared → Prob Chi-Squared(2) = 0,3473 > 0,05 → Por tanto, se

acepta la hipótesis de homoscedasticidad.
Tabla 9.6
Prueba de heteroscedasticidad de White
Test Equation:
Método: MCO
C 13.829.160 18.171.361 -0,761042 0,4515
R^2 2,772561 2,089531 -1,326882 0,1927
R 19.044,12 13.522,55 1,408323 0,1674
Adjusted R-squared 0,001689 S.D. dependent var 24.152.409
242
9.3.2 Contraste de Breusch-Pagan-Godfrey.
A través del test de Breusch-Pagan se analiza si la varianza estimada de

los residuos del modelo depende de los valores de las variables explicativas.
Con las restricciones del método de mínimos cuadrados ordinarios la media
de la varianza estimada de los residuos debe ser cero, de modo que dada la
suposición de que la varianza de los residuos no depende de las variables
explicativas, la estimación de la varianza se puede obtener a partir de la
media de los residuos al cuadrado. Si la suposición no fuera correcta, podría
ocurrir que la varianza estuviera relacionada linealmente con las variables
explicativas, por lo tanto, los estimadores del modelo no serían eficientes
ni para explicar un fenómeno económico ni tampoco para predecir, que en
últimas, es el propósito de la econometría. EL USO DE LA ECONOMETRIA BAS
EL USOaparecerá
heteroscedasticidad depende sólo del precio de la editorial, DE LA ECONOMETRIA
este hecho en BASICA
la regresió
EL USO DE LA ECONOMETRIA BA
Para llevar a cabo el contraste de Breusch-Pagan-Godfrey en el modelo de
auxiliar). Así pues, se realiza
heteroscedasticidad la regresión
depende sólo del 𝜇𝜇̂ t2 sobre
de precio de la unaeditorial,
constante y las variables
aparecerá PEt,en
este hecho PClat, G
r
la editorial, se depende
heteroscedasticidad lleva a cabo sólo la delregresión
precio decon todas lasaparecerá
la editorial, variables este
explicativas
hecho en la regresió
heteroscedasticidad depende sólo del precio de la editorial, aparecerá este hecho en la r
del
Rt y LGP modelo
t, mediante
auxiliar). (si la
Así elheteroscedasticidad
siguiente
pues, se realiza modelo: depende
la regresión sólo2 del precio de la editorial,
2 de 𝜇𝜇̂ t sobre una constante y las variables PEt
auxiliar). Así
aparecerá pues, se realiza la regresión de 𝜇𝜇̂ sobre una constante y la
lasregresión
variables PEt, PCt, G
auxiliar).este Asíhecho
pues,en selarealiza
regresión auxiliar).deAsí 𝜇𝜇̂ t2pues,
sobreseuna
realiza
t
la regresión constante y las variables PE
deR𝜇𝜇̂t yt2 LGP
= 𝛽𝛽0t,+𝛽𝛽
sobre 1PE
mediante
una t + 𝛽𝛽
constanteel2PC yt +las
siguiente GPmodelo:
t + 𝛽𝛽4RPE
𝛽𝛽3variables t +, 𝛽𝛽5LGP
PC , GPt , R y LGP , mediante (9.1)
Rt y LGPt, mediante el siguiente modelo: t t t t t
el R t y LGPt,modelo:
siguiente mediante el siguiente modelo:
2
Al estimar el
𝜇𝜇̂ = 𝛽𝛽0 +𝛽𝛽
modelo,
t se1PE t + 𝛽𝛽2PCt + 𝛽𝛽3GPt + 𝛽𝛽4Rt + 𝛽𝛽5LGPt
obtiene: (9.
𝜇𝜇̂ t2 = 𝛽𝛽0 +𝛽𝛽 2 1
PEt + 𝛽𝛽2PCt + 𝛽𝛽3GPt + 𝛽𝛽4Rt + 𝛽𝛽5LGPt (9.1)
𝜇𝜇̂ t = 𝛽 +𝛽𝛽11PE
𝛽𝛽00 +𝛽 PEtt ++ 𝛽𝛽𝛽22PCPCt+t +𝛽𝛽𝛽GP
3
3GP+
t
t +𝛽𝛽𝛽R4R+
4 t
t +𝛽𝛽𝛽LGP
5
5LGPt
t
(9.1) (9
Al estimar2 el modelo, se obtiene:
t = 233,204
𝜇𝜇̂ Al Al estimar
estimar el–el1,821PE
modelo,
modelo, set+se 0,194PC
obtiene:t + 0,096GPt + 0,003Rt + 0,0049LGPt
obtiene: (9.2)
𝜇𝜇̂ t2 = 233,204
(57,11) (0,47)
– 1,821PE (0,31)
t + 0,194PC (0,006)
t + 0,096GP (0,003)t + 0,003R (0,002)
t + 0,0049LGPt (
𝜇𝜇̂ t2 = 233,204
233,204 2 ––1,821PE
1,821PE + 0,194PC
+t 0,194PC t + 0,096GP
+ 0,096GP t + 0,003R
+ 0,003R t + 0,0049LGP
+ 0,0049LGP (9.2)
t (9.2)
𝜇𝜇̂ t = 233,204 – 1,821PEt + 0,194PCt + 0,096GPt + 0,003Rt + 0,0049LGPt
t t t t t (
R 2
(57,11) = (57,11)
93,55%; 𝑅𝑅̅ 2
(0,47)
= 92,60%; (0,31)
Σ𝜇𝜇̂ 2
= (0,006)
10.099,25 (0,003) (0,002)
(57,11) (0,47) (0,47) (0,31) (0,31) (0,006) (0,006)(0,003) (0,003)(0,002) (0,002)
(57,11) (0,47) (0,31) (0,006) (0,003) (0,002)
R 2
= 93,55%; ̅
𝑅𝑅 2
= 92,60%; Σ𝜇𝜇̂ 2
= 10.099,25
R2 = 93,55%; 𝑅𝑅̅2 = 92,60%; Σ𝜇𝜇̂ 2 = 10.099,25
El estadístico toma R2 entonces
= 93,55%; un valor
𝑅𝑅̅2 = igual
92,60%; a 40 Σ𝜇𝜇̂
x 0,126
2 = 5,04, el cual es menor que el val
= 10.099,25
El estadístico toma entonces un valor igual a 40 x 0,126 = 5,04, el cual es
crítico de El 9,488 del
estadístico 5% toma
de significación
entonces unencontrado
valor igual ena 40las xtablas
0,126 de= la distribución
5,04, el cuallaseschi-cuadrad
menor que
El menor
estadísticoque el valor
toma crítico
entonces de
un 9,488
valor igualdel 5%a 40 de xsignificación
0,126 = 5,04, encontrado
el cual esen menor que el valo
tablasEldeestadístico
la distribución tomachi-cuadrado,
entonces un valor χ (4).igual
2
Por loa tanto,
40 x 0,126no se =puede
5,04,rechazar
el cual es menor qu
χ2(4). Porcríticolo tanto,
de 9,488 no sedel
puede
5% de rechazar
significaciónal nivelencontrado
de significación en las de 5%,de
tablas la la
hipótesis nula de
distribución chi-
críticoaldenivel9,488dedel 5% de significación
significación de 5%, la encontrado
hipótesis en nulalas tablas de la distribución chi-cuadrad
de heteroscedasticidad,
crítico de 9,488 del 5% de significación encontrado en las tablas de la distribución chi-
enχ2otras
heteroscedasticidad,
(4). Por palabras,
lo tanto, senoacepta
en otras palabras,
se puedela rechazar
hipótesis
se aceptaalde homoscedasticidad.
lanivel
hipótesis Podemos
de homoscedasticidad.
de significación de Podemos
5%, la hipótesis nu
2
χ (4). Por2 lo tanto, no se puede rechazar al nivel de significación de 5%, la hipótesis nula de
χ (4). Por lo tanto, no se puede rechazar al nivel de significación de 5%, la hipótesis nu
concluir que en nuestro modelo
heteroscedasticidad, en otras no existe
palabras, ningún problema
se acepta importante
la hipótesis de heteroscedasticidad
de homoscedasticidad. Pod
heteroscedasticidad, en otras palabras, se acepta la hipótesis de homoscedasticidad. Podemos
heteroscedasticidad, en otras palabras, se acepta la hipótesis de homoscedasticidad. Pod
los datos utilizados.
concluir que en nuestro modelo no existe ningún problema importante de heteroscedast
concluir que en nuestro modelo no existe ningún problema importante de heteroscedasticidad
243
concluir que en nuestro modelo no existe ningún problema importante de

heteroscedasticidad en los datos utilizados.
La aplicación en EViews del contraste de heteroscedasticidad de Breusch-

Pagan-Godfrey (considerado como una regresión de los residuos al cuadrado
en la regresión original) se realiza del siguiente modo: en la ventana del objeto
ecuación del modelo estimado z, seleccionamos View → Residual Diagnostics
→ Heroskedasticity Test y damos clic como se muestra en la Figura 9.35.
En la solapa de especificación (Specification) elegimos el contraste Breusch-
Pagan-Godfrey y damos OK, como se indica en la Figura 9.36.
En la Tabla 9.7 se visualizan los estadísticos de contraste como el estadístico

F (F-statistic) de contraste conjunto, el R cuadrado de las observaciones y el
Scaled explained SS junto con sus probabilidades. Como se puede ver los
tres estadísticos tiene una probabilidad superior al 5% (F-statistic → 0,3397
> 0,05; Obs*R-squared → 0,3165 > 0,05 y Scaled explained SS → 0,3297 >
0,05); por tanto, no rechazamos la hipótesis nula de homoscedasticidad. En
conclusión, este contraste indica la no presencia de heteroscedasticidad en las
perturbaciones.
244
Tabla 9.7
Prueba de heteroscedasticidad de Breusch-Pagan-Godfrey.
Heteroskedasticity Test Breusch-Pagan-Godfrey
Test Equation:
Método: MCO
C 762,3239 1.518,774 -0,501934 0,6189
PE 15,52572 12,49941 1,242116 0,2225
PC 0,238445 8,322960 -0,028649 0,9773
GP 0,143936 0,153137 -0,153137 0,3537
R 0,016644 0,071916 -0,231436 0,8183
Hubo un momento en el cual Don Pablo estaba preocupado por el resultado

del análisis gráfico de los residuos, pero Emilio sabiamente le recuerda
que dicho análisis es válido como orientación hacia posibles problemas de
especificación que puede tener el modelo, pero solo los contrastes de hipótesis
son válidos para tomar decisiones.
Dados los resultados, no del todo concluyentes, de los contrastes de

heteroscedasticidad realizados anteriormente, en el modelo de ventas de la
editorial parece razonable utilizar el estimador original de los coeficientes
obtenido por MCO. No obstante, y con el objeto de garantizar que los
245
contrastes realizados tienen, al menos, validez asintótica, Emilo ha reestimado

las varianzas de los coeficientes utilizando el estimador robusto de White. Para
ello, abrimos en Eviews el archivo de la Tabla 7.6, posteriormente, estimamos
la regresión de las ventas de la editorial (V) contra el precio promedio de
la editorial (PE), el precio de la competencia (PC), el gasto en publicidad
(GP), la renta personal (R) y la variable que combina horas semanales de
lectura y gasto en publicidad (LGP). Enseguida, en la ventana del objeto
ecuación pulsamos Estimate en la barra de herramientas y en el cuadro de
diálogo que se abre (Estimation Equation), pulsamos en la pestaña Options
y en Covarience method elegimos la opción Huber-White y damos Aceptar,
como se indica en la Figura 9.37. Este procedimiento nos permite obtener
los errores estándar consistentes (White-Hinkley (HC) heteroskedasticity
consistent standard errors and covariance) a través del estimador robusto de
White como se observa en la Tabla 9.8.
Figura 9.37
246
Tabla 9.8
Estimador robusto de White.
Método: MCO
White-Hinkley (HC1) heteroskedasticity consistent standard errors and covariance
C 233,2044 52,26232 4,462190 0,0001
PE -1,820566 0,424088 -4,292895 0,0001
PC 0,194089 0,234499 0,827675 0,4136
GP 0,096176 0,005399 17,81487 0,0000
R 0,003065 0,001810 1,693496 0,0995
LGP 0,004940 0,001876 2,632886 0,0126
Prob(F-statistic) 0,00000 Wald F-statistic 81,29737
Prob(Wald F-statistic) 0,00000
Si comparamos los coeficientes estimados de las Tablas 9.8 y 9.9

concluimos que son exactamente iguales, pero los valores de la columna de
los errores estándar (Std. Error) se han modificado un poco. El estimador
robusto de White-Hinkley hace que las desviaciones típicas de cada uno de los
coeficientes se reduzcan, y por ende, la varianza de los residuos estimados.
Cuando no se presupone la existencia de heteroscedasticidad, se comprueba
que las varianzas estimadas de los coeficientes difieren muy poco (por
ejemplo, el error estándar del coeficiente del precio de la editorial se reduce
de 0,470444 a 0,424088) permaneciendo constantes los coeficientes de
determinación normal y ajustado y la suma de los cuadrados de los residuos.
Por lo tanto, puede concluirse que no parece que el modelo de ventas de la
editorial presente problemas de heteroscedasticidad importantes.
247
Tabla 9.9
Estimador robusto de White-Hinkley.
Método: MCO EL USO DE LA ECONOMETRIA BASICA 24
Observaciones
9.9 incluidas:
Tabla Tabla 40
9.9
Estimador
Variable robustorobusto
Estimador de White-Hinkley
Coefficient Std.9.9
Tabla
de White-Hinkley Error
Tabla 9.9
t-Statistic Prob.
VariableCDependiente: V
Variable Dependiente:233,2044
V 57,11279 4,083226 0,0003
Método: MCO
Método: MCO
PE
Muestra: 2009Q1 2018Q4 -1,820566 0,470444 -3,869888 0,0005
PC
Observaciones incluidas: 40 0,194089
0,313506 0,619093 0,5400
Variable
GP Coefficient
0,096176 Std. Error t-Statistic Prob.
Variable Coefficient0,006051 15,89433
Std. Error t-Statistic0,0000 Prob.
C 233,2044 57,11279 4,083226 0,0003
R PE C 0,003065 233,2044
0,002702 57,11279 4,0832260,2645 0,0003
-1,820566 0,470444 1,134507
-3,869888 0,0005
PE -1,820566 0,470444 -3,869888 0,0005
LGP PC PC
0,004940
0,194089 0,002293
0,194089
0,313506 2,154637
0,619093
0,313506 0,619093
0,0384 0,5400
0,5400
R-squared GP GP
0,096176
0,935529 0,096176
0,006051 15,89433
Mean dependent var
0,006051
0,0000
15,89433 344,7425 0,0000
R 0,003065 0,002702 1,134507 0,2645
Adjusted R-squared R 0,926048 0,003065
S.D. dependent 0,002702 1,134507 0,2645
LGP 0,004940 0,002293var 2,154637 63,37666
0,0384
LGP 0,004940 0,002293 2,154637 0,0384
S.E.R-squared
of regression
R-squared
17,23476
0,935529Akaike
Mean info criterion
dependent var
0,935529 Mean dependent var
8,669214
344,7425
344,7425
SumAdjusted
squared R-squared
resid R-squared 10.099,25
Adjusted
0,926048 S.D. dependent var
Schwarz criterion
0,926048 S.D. dependent var
63,37666
8,92254663,37666
LogSum S.E.
likelihood of regression -167,3843 17,23476 Akaike info criterion 8,669214
squared resid 10.099,25Hannan-Quinn criterion
Schwarz criterion 8,760811
8,922546
F-statistic Log likelihood
Log likelihood 98,67342 -167,3843
-167,3843Durbin-Watson
Hannan-Quinn stat
criterion
1,677145
8,760811
8,760811
Prob(F-statistic)
F-statistic 0,00000 98,67342 Durbin-Watson
stat 1,677145
Aplicando el estimador robusto de White-Hinkley se obtiene el siguiente

resultado:
Aplicando el estimador robustorobusto
de White-Hinkley se obtiene el siguiente resultado:
Aplicando el estimador de White-Hinkley se obtiene el siguiente resultado:
̂ ̂
233,204 –– 1,821PE
1,821PE +t +0,194PC
0,194PC +t +0,096GP
0,096GP +t +0,003R
0,003R +t +0,0049LGP
0,0049LGP t (9.3)(9.3)
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 233,204 – 1,821PE
t t + 0,194PC
t t + 0,096GP
t t +t 0,003Rt + 0,0049LGP
t t (9.3)
(52,26)
(52,26)(52,26) (0,42)
(0,42)(0,42) (0,23)
(0,23) (0,23) (0,005)
(0,005) (0,005) (0,002)
(0,002) (0,002) (0,002)
(0,002) (0,002)
R2 = 93,55%; 𝑅𝑅̅2 = 92,60%;
R2 = 93,55%; Σ𝜇𝜇̂ 2 = 10.099,25
𝑅𝑅̅2 = 92,60%; Σ𝜇𝜇̂ 2 = 10.099,25
RETO 8:

Capítulo 10
AUTOCORRELACIÓN
Supuesto 2: Las variable explicativas Xi y el término de error son indepen-

dientes, esto es, cov(Xi, 𝜇i) = 0.
Supuesto 5: No hay autocorrelación entre las perturbaciones: Dados dos

valores cualesquiera de X, Xi y Xj (i ‡ j), la correlación entre dos 𝜇i y 𝜇j cua-
lesquiera (i ‡ j) es cero. En pocas palabras, estas observaciones se muestrean
de manera independiente. Simbólicamente, cov(𝜇i, 𝜇j\Xi, Xj) = 0.
La autocorrelación es un caso particular del modelo de regresión

generalizado que se produce cuando las perturbaciones del modelo presentan
correlaciones entre ellas. La autocorrelación supone que la matriz de varianzas
y covarianzas de las perturbaciones presentan valores distintos de cero en los
elementos que están fuera de la diagonal principal (Gujarati, 2004 Griffiths y
Judge, 1993).
10.1 Detección de la autocorrelación mediante métodos gráficos.
Carrascal et al, (2004), señalan que existen diferentes procedimientos

para detectar correlaciones entre las perturbaciones. Dado que estas no son
observables, las variables que se utilizan con los residuos mínimo cuadráticos.
A partir de ellos, se construyen representaciones gráficas y/o se realizan
contrastes específicos. Los gráficos de los residuos mínimo cuadráticos no
son un instrumento definitivo para detectar autocorrelación en el modelo, pero
sí un indicador muy útil de la presencia de problemas de especificación en el
249
mismo (entre ellos, el de autocorrelación) cuando reflejan comportamiento

sistemáticos. Las representaciones más ilustrativas que inducen a pensar en la
presencia de correlaciones entre las perturbaciones son:
- El gráfico de los residuos frente al tiempo, o si trabajamos con datos

transversales, frente a alguna variable previamente ordenada.
- El gráfico de los residuos frente a sí mismos retardados un periodo.

ELELUSO
USO
EL DE
USO
DEEL
LA
LA
DEUSO
ECONOMETRIA
ECONOMETRIA
LADE
ECONOMETRIA
LA ECONOMETRIA
BASICA
BASICA
BASICA
245
BASICA
245 245
- Los correlogramas de las funciones de autocorrelación simple y parcial de

- - Los
-Loscorrelogramas
Los
correlogramas
- correlogramas
los Los correlogramas
residuos.dedelaslas
defunciones
funciones
las de
funciones
lasde
funciones
deautocorrelación
autocorrelación
de autocorrelación
de autocorrelación
simple
simple
simple
y yparcial
parcial
simple
y parcial
dede
y los
parcial
los
deresiduos.
los
residuos.
de
residuos.
los residuo
LaLaforma
La
forma
forma
de
La
derealizar
forma
realizar
de realizar
de
enen
realizar
Eviews
Eviews
en Eviews
en
los
los
Eviews
gráficos
los
gráficos
gráficos
losanteriores
anteriores
gráficos
anteriores
parte
anteriores
parte
parte
dedelalaparte
deestimación
estimación
la de
estimación
la estimación
inicial
inicial
inicial
dedeun
inicial
un
de un d
La forma de realizar en Eviews los gráficos anteriores parte de la
modelo
modelo
modelo
porestimación
por
modelo
mínimos
por
mínimos
mínimos inicial
porcuadrados
mínimos
cuadrados de
cuadrados unordinarios,
modelo
ordinarios,
cuadrados
ordinarios, por
ordinarios,
loloque
que mínimos
lo origina
que
origina
loorigina
que cuadrados
alalmismo
origina
mismo
al mismo
tiempo
altiempo
mismoordinarios,
tiempo
elelobjeto
tiempo
objeto
el objetoloobjeto
serie
el
serie
serie
resid serie r
resid
resid
que origina al mismo tiempo el objeto serie resid con los valores de los
con
conlos
con
losvalores
los
valores
con
valores
los
dedelos
residuos valores
los
de
deresiduos
los
residuos
de
residuos
dicha losdede
residuos
dicha
dicha
de dicha
estimación.estimación.
estimación.
dePara
dicha
estimación.
estimación.
elloPara
ParaPara
vamosello
ello
avamos
ello
Para
vamos
vamos
partirello
ade
apartir
partir
vamos
laa estimación
partir
dedela
a la
partir
de
estimación
estimación
la estimación
de la estimación
del del
del del
modelo
modelo
modelo modelo
completo
completo
modelo
completocompleto
(7.7).
completo
(7.7). (7.7).
(7.7). (7.7).
̂ ̂ ̂
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉̂
= =233,204
233,204
= 233,204
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 –=–1,821PE
233,204
1,821PE +t +
– 1,821PE
t– 0,194PC
0,194PC
t + 0,194PC
1,821PE t t++
t 0,194PC
+0,096GP
0,096GP
t + 0,096GP
t t++
t 0,096GP
+0,003R
0,003R
t + 0,003R
tt+
t++
0,0049LGP
0,003R
0,0049LGP
t + 0,0049LGP
t + 0,0049LGP
t t t t
(57,11)
(57,11)
(57,11)
(57,11)
(0,47)
(0,47)
(0,47)(0,47)
(0,31)
(0,31)
(0,31)(0,31)
(0,006)
(0,006)
(0,006)
(0,006)
(0,003)
(0,003)
(0,003)
(0,002)
(0,002)
(0,003)
(0,002)
(0,002)
2 2
RR = =R2
93,55%;
93,55%;
= 93,55%;̅𝑅𝑅
R2 = 𝑅𝑅 2̅ 2 ̅ 2
93,55%;
= =𝑅𝑅
92,60%;𝑅𝑅̅2 =Σ𝜇𝜇̂
92,60%;
= 92,60%; 2 2
92,60%;
Σ𝜇𝜇̂ =Σ𝜇𝜇̂ 2
=10.099,25
10.099,25
= Σ𝜇𝜇̂ 2
10.099,25
= 10.099,25
Abrimos
Abrimos
Abrimos Abrimos
elAbrimos
elarchivo
archivo elde
el archivo
el
de archivo
archivo
trabajo
trabajo
de trabajode
de
Tab6, trabajo
trabajo
Tab6, seleccionamos
seleccionamos
Tab6, seleccionamos
Tab6,seleccionamos
seleccionamos
Tab6, laslasvariables
las laslas
variables V,variables
variables
V,
variables
PE,PE,
V, PC,
PE,
PC, V,
PE,PE,
V,GP,
PC,
GP, RGP,
R
PC,
y yLGP
RGP,
LGP
y LGP
Ry
PC, GP, R y LGP pulsamos la tecla CTRL y el botón izquierdo del ratón
pulsamos
pulsamos
pulsamos
lapulsamos
latecla
tecla
la tecla
abrimos CTRL
CTRL
la CTRL
como tecla
yecuación
yelCTRL
elybotón
botón
el botón
yizquierdo
(Openel
izquierdo
botón
izquierdo
→ as del
izquierdo
del ratón
del
ratón
Equation) ratón
abrimos
del
abrimos
y ratón
abrimos
como
como
abrimos
estimamos como
ecuación
ecuación
el como
ecuación
modelo ecuación
(Open
(Open
(Open
por →→as (Open
→
as as →
MCO como se muestra en la Tabla 7.6. Desde el objeto ecuación visualizamos
Equation)
Equation) yEquation)
Equation)yestimamos
estimamos
y estimamos
y estimamos
elelmodelo
modelo
el modeloel
por
por
modelo
MCO
por
MCO MCOcomo
porcomoMCO
como
sesemuestra
muestra
como
se muestra
se
enen
muestra
lala
en
Tabla
Tabla
la Tabla
en7.6.
7.6.
la Tabla
Desde
7.6.
Desde
Desde
7.6.
elelobjeto
Desde
objeto
el objeto
el ob
la serie de los residuos frente al tiempo mediante View → Actual, Fitted,
ecuación
ecuación Residual
ecuación
visualizamos
ecuación
visualizamos→laActual,
visualizamos
visualizamos
laserie
serie Fitted,
la serie
dedela
loslos
de
serieResidual
residuos
los
residuos
de
residuos Table
losfrente
frente
residuosytiempo
frente
alal damos
tiempo
frente clic,
al tiempo
mediante
al como
mediante
tiempo
mediante se View
indica
mediante
View
View enActual,
→→Actual, la→
Actual,
→View Fitted,
Fitted,
Actual,
Fitted,Fi
Figura 10.1. En la Figura 10.2 se incluyen los valores observados y estimados
Residual
Residual
Residual
→Residual
→
deActual,
Actual,
→variable
la Actual,
→
Fitted,
Fitted,
Actual,
Fitted,
Residual
Residual
Fitted,
dependienteResidual
Table
Residual
Table y ydamos
Table
(ventas) damos
y sus
damos
yTable clic,
clic,
y damos
como
clic,
residuos.comocomo
clic,
seseindica
indica
como
se indica
ense
enlaindica
la
en
Figura
Figura
la Figura
en10.1.
la
10.1.
Figura
10.1.
EnEnlaEn
la
10.1.
la E
Figura
Figura
Figura
10.2
10.2
Figura
10.2
seseincluyen
incluyen
se10.2
incluyen
selos
los
incluyen
valores
los
valores
valores
los
observados
observados
valores
observados
observados
y yestimados
estimados
y estimados
y de
estimados
delala
de
variable
variable
la variable
de la
dependiente
dependiente
variable
dependiente
dependiente
(ventas)
(ventas)
(ventas)
y y(venta
y
sus
susresiduos.
sus
residuos.
residuos.
sus residuos.
250
Mediante View → Actual, Fitted, Residual → Actual, Fitted, Residual

Graph se visualizan en forma gráfica los valores observados, estimados y los
residuos (véase Figura 10.3). Se aprecia que los residuos (Figura 10.4) no se
comportan de forma totalmente aleatoria (en algunos periodos los residuos
se salen de la banda que oscila entre +20 y -20), aunque tampoco se observa
una senda de signos continuamente alternantes o grupos de residuos de un
signo seguidos de otros de signo contrario. Esto genera indicios de existencia
autocorrelación.
El gráfico de los residuos frente a los residuos retardados puede visualizarse

si creamos un objeto grupo con dichas series. Para ello, una posibilidad es
pulsar el botón Show en la barra de herramientas del Workfile y teclear en el
251
cuadro de diálogo que aparece resid resid(-1) y damos OK (véase Figura 10.5),
lo cual genera un objeto grupo con dichas series (Figura 10.5). Posteriormente,
sobre el objeto series seleccionamos la opción View → Graph.
Posteriormente, sobre el objeto series seleccionamos la opción View →

Graph y damos clic (Figura 10.7), en la venta de Graph Options que se abre
elegimos Scatter y damos OK, como se indica en la Figura 10.8.
En el gráfico obtenido (Figura 10.9) puede observarse que la mayoría

de los puntos se encuentra ubicados en el primer y tercer cuadrante, lo que
nos llevaría a pensar en la posible existencia de autocorrelación según un
252
esquema AR(1) con coeficiente positivo. Finalmente, los correlogramas de

las funciones de autocorrelación simple y parcial podemos crearlos desde la
ventana del objeto ecuación seleccionando View → Residual Diagnostics →
Correlogram – Q-statistics, como se muestra en la Figura 10.10 y enseguida,
en la ventana que se abre damos OK como se muestra en la Figura 10.11.
Figura 10.11
Los correlogramas de la serie original de los residuos para 20 retardos se

visualizan en la Figura 10.12. Los retardos de autocorrelación (Autocorrelation)
y correlación simple (Partial Correlation) se encuentran dentro de las bandas
respectivas. Este comportamiento gráfico genera indicios de no existencia de
autocorrelación en las perurbaciones.
253
Figura 10.12
10.2 Detección de la autocorrelación mediante

Figuracontrastes
10.12
10.2.1 El estadístico de Durbin-Watson

10.2 Detección de la autocorrelación mediante contrastes.
La hipótesis nula del contraste de Durbin-Watson plantea ausencia de autocorrelación, mientras
10.2.1 El estadístico de Durbin-Watson.
que la hipótesis alternativa considera la existencia de correlación serial mediante un esquema
La hipótesis nula del contraste de Durbin-Watson plantea ausencia de
autorregresivo del orden 1, mientras
autocorrelación, AR(1). Es unlacontraste
que hipótesisdealternativa
una cola, considera
según se establezca que el valor
la existencia
de correlación serial mediante un esquema autorregresivo del orden 1, AR(1).
del coeficiente
Es undecontraste
autocorrelación de primer
de una cola, segúnorden sea positivo
se establezca queoelnegativo.
valor del coeficiente
de autocorrelación de primer orden sea positivo o negativo.
Ho: p = 0
Ho: p = 0
Ha:
Ha:p p˂ ˂0 0ó óp p> >0 0
El estadístico de contraste
El estadístico desecontraste
define como:
se define como:
∑𝑇𝑇 2
𝑡𝑡=2(𝑒𝑒𝑒𝑒−𝑒𝑒𝑒𝑒−1)2
d= ∑𝑇𝑇 2
𝑡𝑡=1 𝑒𝑒𝑒𝑒 2
Y puede expresarse en términos de coeficiente de autocorrelación muestral , 𝑝𝑝̂ , a partir de d =
2(1 - 𝑝𝑝̂ )
Según lo anterior, podemos observar que el estadístico d de Durbin-Watson toma valores entre
EL USO DE LA ECONOMETRIA BASICA 274 EL USO DE LA ECONOMETRIA BASICA 274
tanto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros paratanto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019? obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
Como puede254
observarse, la variable objetivo corresponde a las ventas de la editorial. En el Como puede observarse, la variable objetivo corresponde a las ventas de la editorial. En el
modelo econométrico final procederemos a reemplazar los valores en las variables de control modelo econométrico final procederemos a reemplazar los valores en las variables de control tanto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
Y puede expresarse en términos de coeficiente de autocorrelaciónobtenermuestral,
manteniendo como incógnita el precio promedio, así: manteniendo como incógnita el precio promedio, así: ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
p, a partir de d = 2(1-p)̂
𝑉𝑉𝑉𝑉̂𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 259,428 – 2,149PE + 0,098GP + 0,0044LGP + 0,091V
tanto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
t t t Como puede observarse, la variable objetivo corresponde a las ventas de la editorial. En el
t-1
447,7 = 259,428 – 2,149PEt + 0,098(3.352) + 0,0044(0) + 0,091(407,0) 447,7 = 259,

tanto,428la–pregunta
2,149PEta resolver
+ 0,098(3.es3la52)siguiente:
+ 0,0044(0)¿Cuál+ 0,debe
091(407,
ser el0)precio
obtener ventaspromedio
por valordedelos$ libros
447,7 millones
para en el primer trimestre de 2019? modelo econométrico final procederemos a reemplazar los valores en las variables de control
Según lo anterior, podemos

447,7 = 259,428 – 2,149Pet + 328,5 + 0 + 37,04 447,7ventas
obtener = 259,por428valor – 2,149Pet observar
de $ 447,+ 328, 5 + 0 + en37,el04primer trimestre
7 millones Como puede que
observarse,
de 2019? la variableel
objetivoestadístico
corresponde a las ventas de la editorial. En el d de Durbin-Watson
manteniendo como incógnita el precio promedio, así:
toma 447,7 – 259,428valores

– 328,5 – 0 – 37,04 = -2,149PE entre 0 y 4,
t 447, 259,de
Como7 –puede 28 – 328,5 –forma
4observarse, la0variable
– 37,04 objetivo
= -2,149PEcorrespondeque
modelo
t ventas de lasi
a laseconométrico final Enno
procederemos
editorial. hay
el a reemplazar los valores encorrelación
las variables de control serial ( 𝑉𝑉𝑉𝑉p̂𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 =≈259,428 0),
– 2,149PE + 0,098GP + 0,0044LGP + 0,091V
t t t t-1
su valor 82,5 = 2,149PEestará alrededor

t
de82,5final2,
modelo econométrico 149PE mientras
= 2,procederemos
t a reemplazar losmanteniendo
valores encomo que
incógnita
las variables deelcontrol valores
precio promedio, así: cercanos a 0 indicarán la+ 0,098(3.352) + 0,0044(0) + 0,091(407,0)
447,7 = 259,428 – 2,149PEt
presencia −177,26
PE = = $ 82,5 miles
t
−2,149 de autocorrelación manteniendo PEcomo= incógnita=positiva
t
−177,26
−2,149
$el82,precio
5 milespromedio, así: ( 𝑉𝑉𝑉𝑉p̂𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 =≈259,4281) – 2,149PEy
t valores
+ 0,098GP
t + 0,0044LGP + 0,091V cercanos a 4 mostrarán
t t-1 447,7 = 259,428 – 2,149Pet + 328,5 + 0 + 37,04
Si Don Pabloautocorrelación
pretende incrementar las ventas de la editorial en el primer trimestre denegativa (p
2019 en Si Don Pablo pretende incrementar 𝑉𝑉 =≈
259,de428la-1).
𝑉𝑉𝑉𝑉̂𝑉𝑉las𝑉𝑉𝑉𝑉ventas – 2,149PEen +el 0,primer
editorial t098GPtrimestre de 2019447,+en70,=0259,
+ 0,0044LGP
t t t-1 91V428 – 2,149PEt + 0,098(3.352) + 0,0044(0) + 0,091(407,0) 447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PE t
447,7 = 259,
un 10%, deberá reducir el precio promedio de los libros en un 15,6% en el mismo periodo. un 10%, deberá reducir el precio promedio de los428libros
– 2,1en49PEt
un 15,+ 0,6%098(3.
en el3mismo 0044(0) + 0,091(407,447,0)7 = 259,428 – 2,149Pet + 328,5 + 0 + 37,04
52) + 0,periodo. 82,5 = 2,149PEt
El contraste se realiza de¿cuál debe447,laser7 =el259,gastosiguiente

Ahora, simularemos otra situación:
Ahora, simularemos otra situación: ¿cuál debe ser el gasto en publicidad, si la editorial 428en–publicidad, + 0 + 37,04 forma:
2,149Pet + si328,la 5editorial 447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PE t PEt =
−177,26
−2,149
= $ 82,5 miles
pretende obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019? 447,7 – 259,
pretende obtener ventas por valor de $ 447,7 millones en el4primer
28 – 328,trimestre
5 – 0 – de37,2019?
04 = -2,149PEt 82,5 = 2,149PEt
Si Don Pablo pretende incrementar las ventas de la editorial en el primer trimestre de 2019 en
Si en la hipótesis alternativa se contrasta autocorrelación positiva dede los libros en un 15,6% en el mismo periodo.
−177,26
- es el gasto en publicidad (GPt), por lo tanto:
La incógnita La incógnita es el gasto en publicidad (GPt), por lo tanto:82,5 = 2,149PEt PEt =
−2,149
= $ 82,5 miles un 10%, deberá reducir el precio promedio
𝑉𝑉𝑉𝑉̂𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 259,primer
428 – 2,149PE + 0,098GP + 0,orden
0044LGP + 0,091V (d˂2) 𝑉𝑉𝑉𝑉̂𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉y
= 259,428el – 2,149PEestadístico −2,149 + 0,091VSi Don Pablod pretendees incrementarinferior
las ventas de la editorial en el primeratrimestre
ddeL2019,en entonces seAhora, simularemos
rechaza
−177,26
t t t t-1 + 0,098GP PE+ 0,=0044LGP
t t t = $ 82,5 miles t t-1 otra situación: ¿cuál debe ser el gasto en publicidad, si la editorial
447,7 = 259,428la – 2,149(97,hipótesis

7) + 0,098 GP + 0,0044(0) + 0,091(407,0nula
t ) de
447,7 = 259,ausencia
Si428Don– 2,Pablo
149(97,pretende
7) + 0,incrementar de
098 GP + 0,las0044(0)
ventas
t unautocorrelación.
+de0,0la91(407, 0) endeberá
10%,
editorial reducirtrimestre
el primer el preciode 2019
promedio
en de los libros en un 15,6% en el mismo Siperiodo. por el contrario,
pretende obtener ventas porsi valor de el
$ 447,7 millones en el primer trimestre de 2019?
447,estadístico
7 = 259,428 – 210,0 + 0,098GP + 0 + 37,04 supera elun447,
t valor
10%, 7 =deberá
259,4reducir + de
28 – 210,el 0precio promedio+ 0d
0,098GP 4 ,enAhora,
de+ 37,los0librost no % en else
un 15,6simularemos puede
mismootraperiodo.
situación: ¿cuál debe ser el gastorechazar
en publicidad, si la editorial la hipótesisLa incógnita
nula es el gasto en de
publicidad (GP ), por lo tanto:
t
U
447,incorrelación.
7 – 259,428 + 210,0 – 37,04 = 0,098GP t Finalmente, 447,7simularemos
Ahora, – 259,428 + 210, – 37,valores
otra 0situación:
04 =¿cuál
0,098GP
debe ser el pretende t obtenerde dvalor de $entre
ventassi laporeditorial
gasto en publicidad, 447,7 millones en el primerdtrimestre y de 2019?d , no permite extraer 𝑉𝑉𝑉𝑉̂𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 259,428 – 2,149PE + 0,098GP + 0,0044LGP + 0,091V
t t t t-1
L U
ninguna 361,19 = 0,098GP conclusión.pretende obtener ventas
t 361,19por= 0,valor
098GPde $ 447,7 millones en el primerLa incógnita
t gasto en publicidad (GP ), por lo tanto:
trimestre esdeel2019? t 447,7 = 259,428 – 2,149(97,7) + 0,098 GP + 0,0044(0) + 0,091(407,0)
t
361,19 361,19
GPt = = $ 3.685,6 miles La incógnita
GPt = es el=gasto 6 miles (GPt), por lo tanto: 𝑉𝑉𝑉𝑉̂𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1
$ 3.685,en publicidad 447,7 = 259,428 – 210,0 + 0,098GPt + 0 + 37,04
0,098 0,098
- Si en la hipótesis alternativa
𝑉𝑉𝑉𝑉̂𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 259,428 – 2,149PEse
t + 0,098GPcontrasta
t + 0,0044LGP447, 259,t-1428 – 2,149(97,7)autocorrelación
t +70,=091V + 0,098 GPt + 0,0044(0) + 0,091(407,0) negativa (d˂2)
447,7 – 259,428 + 210,0 – 37,04 = 0,098GPt
el procedimiento es como el7) + 0,0anterior,

447,7 = 259,428 – 2,149(97, 98 GP + 0,0044(0) + 0,091(407,447,0) 7 = 259,pero
428 – 210,0 + 0,098GPconsiderando
+ 0 + 37,04 el estadístico 361,19 = 0,098GP
t t t
como 4-d. 447,7 = 259,428 – 210,0 + 0,098GP + 0 + 37,04 447,7 – 259,428 + 210,0 – 37,04 = 0,098GP 361,19
GP = = $ 3.685,6 miles
0,098
t t t
447,7 – 259,428 + 210,0 – 37,04 = 0,098GPt 361,19 = 0,098GPt
En nuestro modelo el valor 361,del 19 = 0,098GP estadístico

GP = = $ 3.685,d6 miles de Durbin-Watson es igual
361,19
0,098
t t
a 1,677 como aparece en la estimación

361,19
GP = = $ 3.685,6 miles
0,098 de la ecuación (Figura 10.13) con el t
nombre Durbin-Watson stat. Considerando que α = 0,05; T = 40 y K´ = 5, en las

tablas estadísticas utilizando GRETL se obtiene que dL = 1,2305 y dU = 1,7859
(véase Figura 10.14), por consiguiente, 1,2305 > 1,677 ˂ 1,7859, lo que no
permite extraer ninguna conclusión, aunque d = 1,677 ≈ 2, se podría considerar
que el problema de autocorrelación no es tan grande.
255
10.2.2 Contraste de Breusch-Godfrey.
Desde la ventana del objeto ecuación estimada seleccionamos View →

Residual Diagnostics → Serial Correlation LM Test como se muestra en la
Figura 10.15. En el cuadro de diálogo que aparece posteriormente (Figura
10.16) introducido el número de retardos (Lags to include) de los residuos
que queremos que se incluyan en la regresión auxiliar mencionada arriba.
Por defecto, Eviews toma 2 retardos. Este valor no es más que el número del
orden de la correlación serial que deseamos contrastar.
Figura 10.16
Figura 10.15
El resultado muestra dos estadísticos: El estadístico Breusch-Godfrey,

Obs*R-squared y el llamado estadístico (F-statistic) de significación
conjunta de los residuos retardados que, en realidad, presenta una distribución
256
no conocida, pero que se utiliza de forma informal también para realizar el

contraste. Adicionalmente, incluye la estimación de la regresión auxiliar, lo
que permite observar los retardos que tienen algún poder explicativo sobre
los residuos.
En nuestro caso, la realización del contraste Breusch-Godfrey para un

retardo muestra un valor del estadístico igual a 0,842, lo que permite no
rechazar la hipótesis nula de ausencia de correlación serial igual al 5% de
significación mediante un esquema AR(1) y MA(1), como se muestra en la
Tabla 10.1.
Tabla 10.1
Breusch-Godfrey Serial Correlation LM Test.
Test Equation:
Dependent Variable: RESID
Sample: 2009Q1: 2018Q4
Presample missing value lagged residuals set to zero
C -9,642007 56,48857 -0,164853 0,8701
PE 0,046884 0,47573 0,098551 0,9221
PC 0,041039 0,318598 0,128813 0,8983
GP -0,000186 0,006108 -0,068267 0,9327
R -0,000343 0,002722 -0,146471 0,9460
RESID(-1) 0,152058 0,180478 0,842532 0,8844
R-squared 0,021058 Mean dependent var 3,09E-14
257
10.2.3 Contraste de Ljung-Box.
De acuerdo con Carrascal et al, (2004:276), el estadístico de Ljung-

Box, que denotaremos por Q, sirve para contrastar esquemas generales de
autocorrelación de la perturbación. La hipótesis nula continúa siendo la
ausencia de correlación serial, mientras que la hipótesis alternativa puede
plantearse en términos de cualquier esquema ARMA (p.q.).
Ho: Ausencia de autocorrelación (p1 = p2 = …= pr = 0)

Ha: ARMA(p.q.)
El estadístico se define como:

El estadístico se define como:
𝑃𝑃̂2
Q = T(T+2)∑𝑘𝑘𝑗𝑗=1 → χ2 r-p-q
𝑇𝑇−𝑗𝑗
Y se asintóticamente
Y se distribuye distribuye asintóticamente como un chi-cuadrado
como un chi-cuadrado con de
con r-p-q grados r-p-q gradossiendo T el
libertad,
de libertad, siendo T el número de observaciones utilizadas en la estimación
número dede observaciones utilizadas
la ecuación con la queen la estimación
estamos de la pecuación
trabajando, con ladel
y q el orden queproceso
estamosdetrabajando,
autocorrelación propuesto y j, el coeficiente de autocorrelación muestral de
p y q el orden
ordendel
j deproceso de autocorrelación
los residuos propuesto y 𝑝𝑝̂ j, el coeficiente de autocorrelación
mínimo cuadráticos.
muestral de orden j decalcula
EViews los residuos mínimoQcuadráticos.
el estadístico junto con los correlogramas de las funciones
muestrales de autocorrelación simple y parcial de los residuos mínimo
EViews calcula el estadístico Q junto con los correlogramas de las funciones muestrales de
cuadráticos para cada uno de los retardos. Su ejecución se realiza en la barra de
herramientas
autocorrelación simple ydeparcial
la ventana delresiduos
de los objeto ecuación
mínimoestimada, parapara
cuadráticos ello cada
seleccionamos
uno de los retardos.
View → Residual Diagnostics – Correlogram – Q statistic, como se muestra en
Su ejecución se realiza
la Figura enEn
10.17. la el
barra de herramientas
cuadro de diálogo quedeselaabre
ventana del objeto
digitamos ecuación
20 y damos OK estimada,
como se indica en la Figura 10.18. El número de retardos que escribamos en el
para ello seleccionamos View → Residual Diagnostics – Correlogram – Q statistic, como se
cuadro de diálogo indica, además de la cantidad de coeficientes a calcular, el
muestra ennúmero
la Figurade 10.17.
contrastes
En ela cuadro
realizar,deyadiálogo
que, para
quecada retardo,
se abre EViews
digitamos 20calcula
y damos el OK como
valor del estadístico Q y su probabilidad (p-valor), es decir, la probabilidad que
se indica endeja dicho estadístico
la Figura en el extremo
10.18. El número derecho
de retardos de la distribución
que escribamos chi-cuadrado.
en el cuadro de diálogo indica,
De esta forma, podemos contrastar, para cada uno de esos retardos, la hipótesis
además denulala cantidad de hay
de que no coeficientes a calcular,
autocorrelación el número
de dicho orden.deElcontrastes
caso de un a realizar,
modelo enya que, para
el que las perturbaciones no estuvieran correlacionadas debería presentar en
cada retardo, EViews calcula el valor del estadístico Q y su probabilidad (p-valor), es decir, la
todos los retardos valores muy pequeños del estadístico Q y grandes de su
probabilidadprobabilidad (superiores
que deja dicho a 0,05
estadístico en si
el el nivel dederecho
extremo significación es de 5%). chi-cuadrado. De
de la distribución
esta forma, podemos contrastar, para cada uno de esos retardos, la hipótesis nula de que no hay
258
Figura 10.18
Figura 10.17
En nuestro modelo, los retardos del 1 al 13 presentan un Q-stat pequeño

cuya probabilidad (Prob) es superior a 0,05, en cambio, en los retardos del 14
al 20 los valores del Q-stat son más grandes y su probabilidad es inferior a
0,05. Por consiguiente, los resultados permiten no rechazar la hipótesis nula de
incorrelación serial. Este hecho es coherente con el gráfico de autocorrelación
y correlación parcial donde los coeficientes se encuentran dentro de las bandas
respectivas, lo cual confirma la no existencia de autocorrelación, tal como se
aprecia en la Figura 10.19.
Figura 10.19
259
Don Pablo comenta a su hijo que cree entender ya por qué, a la hora de
discutir los resultados numéricos obtenidos para el modelo de ventas de la
editorial, es necesario tener en cuenta las hipótesis que se hayan establecido
sobre los diferentes elementos del mismo, puesto que aquéllas son la base de
la confianza en los métodos utilizados y, por tanto, en los residuos obtenidos.
Por esta razón, Don Pablo, que como veremos aprende rápido, hace el
siguiente comentario:
Don Pablo: Dado que nuestras ventas de un mes a otro, o de un trimestre

a otro, no son algo errático o aleatorio, sino que, por el contrario, podemos
decir que presentan un a cierta inercia, ¿no significa esto que las ventas en los
diferentes periodos están correlacionadas? Y la ausencia de esta inercia, ¿no
era una de las hipótesis de las que me has hablado? Por cierto, ¿cómo las has
denominado?
Emilio: Se denomina técnicamente autocorrelación, es decir, la correlación

que una variable presenta consigo misma en diferentes periodos de tiempo.
La hipótesis de ausencia de autocorrelación que hemos hecho anteriormente
hace referencia a las perturbaciones del modelo. Evidentemente, puede existir
inercia en nuestras ventas, que es la variable explicada, sin que tenga por qué
existir autocorrelación en las perturbaciones de nuestro modelo. No obstante,
haremos bien en comprobar si esta hipótesis, al igual que las demás, parece
cumplirse en nuestros datos o no, ya que si resultara que existe autocorrelación
deberíamos tener en cuenta este hecho en la estimación del modelo.
Las dudas sobre el comportamiento adecuado o no de los residuos en el

modelo (7.8) estimado se pueden resolver ahora utilizando los contrastes que
se acaban de presentar. En la estimación mínimo-cuadrática llevada a cabo
en el modelo (7.8) se obtiene el siguiente valor para el estadístico de Durbin-
Watson: DW = 1,632
Si miramos en las tablas correspondientes a este estadístico, para el caso

K = 4, n = 40 a un nivel de significación α = 0,05, obtenemos los valores
dL = 1,285 y dU = 1,721. Como puede apreciarse, el valor del estadístico
DW obtenido arriba se encuentra dentro del intervalo de indefinición.
260
Si buscamos el valor de los mismos límites para un nivel de significación

α = 0,01 encontramos dL = 1,098 y dU = 1,518. Se aprecia que para este nivel
de significación el valor del estadístico DW supera la región de indefinición y
se coloca con nitidez en la región de aceptación de la hipótesis nula.
Dado este resultado, podemos concluir que no hay evidencia clara de la

existencia de autocorrelación de orden 1 en el modelo, aunque al nivel de
significación habitual en los contrastes hay una indefinición que no permite
la aceptación de la hipótesis nula de que las perturbaciones son ruido blanco.
Podríamos tratar de salir de dudas llevando a cabo un contraste más general

para lo cual utilizaremos el estadístico propuesto por Breusch y Godfrey. Con
los resultados obtenidos, el estadístico a utilizar toma el valor de:
(T – n)Rμ2 = 37 x 0,116 = 4,292 ˂ χ2 0,05(3) = 7,815
De donde se deduce que se acepta la hipótesis nula de no existencia

de autocorrelación. Por último, los resultados de ambos contrastes son
compatibles y señalan que no hay evidencia de que exista autocorrelación en
los residuos y pueden, desde esta perspectiva, darse por buenos los resultados
obtenidos hasta el momento.
RETO 9:

Capítulo 11
REGRESORES ESTOCÁSTICOS
Y MODELOS DINÁMICOS
Don Pablo comenta con su hijo los resultados que han obtenido con el
modelo propuesto, reconociendo que el experimento le ha interesado.
Don Pablo: Tengo que reconocer que lo he pasado bien con este asunto
del modelo y también te diré que he aprendido bastantes cosas con ello. Pero
lo que más me ha gustado ha sido que hayas tenido que dar tu brazo a torcer
y aceptar que el precio de la competencia (PC) no tiene nada que ver con
nuestras ventas.
Emilio: La verdad es que ha sido inesperado para mí ese resultado. Le

estoy dando bastantes vueltas y creo que podría tener una explicación. En el
modelo estamos suponiendo que el precio de la competencia que influye en
nuestras ventas es el que se produce en el mismo periodo. Sin embargo, como
sabes bien, hay una retraso entre el momento en que nuestros competidores
deciden cambiar su precio y el momento en que nosotros, y no digamos los
clientes, son conscientes de ello. Por lo tanto, creo que deberíamos incluir en
el modelo el precio de la competencia pero referido a un precio más atrás.
Don Pablo: ¡Pero!, ¿se puede hacer eso?
Emilio: Claro que se puede hacer; es verdad que tendremos una observación
menos para poder estimar los coeficientes, pero esto no tiene por qué suponer
un problema.
262
Don Pablo: Pero entonces también a mí me gustaría hacer otra prueba.

Mi padre siempre decía que nuestras ventas tenían mucho que ver con lo que
hubiera pasado en el mes anterior; nunca supo a qué podría atribuirse ese
efecto, pero aseguraba que si en un mes vendíamos mucho, al mes siguiente
volvía a repetirse una venta alta, y viceversa. Yo he observado, que algo
de esto pasa. Si se puede hacer que el precio de la competencia aparezca
retrasado, está claro que lo mismo puede hacerse con las ventas.
Emilio: Lo que dices se puede hacer, pero no es lo mismo hacerlo con el

precio de la competencia que con las ventas. En este último caso la cuestión
es más compleja.
Don Pablo: Ya estamos. Cada vez que yo sugiero algo, resulta difícil
hacerlo según tú. Si en un caso perder una observación no es importante,
tampoco lo será en el otro, ¡no!
Emilio: No tiene que ver con el número de observaciones. En eso tienes

razón, porque en los dos casos perderemos la información inicial. La
diferencia está en que el precio de la competencia es una variable explicativa
en el modelo y las ventas, en cambio, es lo que queremos explicar.
Para comprobar si la nueva hipótesis de Emilio es o no correcta, ha

comenzado por incluir en el modelo como variable explicativa PCt-1 en lugar
de PCt. Para realizar este procedimiento, a partir del archivo de trabajo Tab6
estimamos la ecuación de las ventas (V) contra el precio de la editorial (PE), el
precio de la competencia (PC), el gasto en publicidad (GP), la renta personal
(R) y el número de horas semanales de lectura multiplicada por el gasto en
publicidad (LGP). Para re-estimar la ecuación con la variable PC retardada un
periodo, en la barra de herramientas damos clic en Estimate (Figura 11.1) y en
el cuadro de diálogo que se abre, reemplazamos la variable PC por PC(-1)”
editando PC(-1), como se muestra en la Figura 11.2 y damos Aceptar.
263
anto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
btener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
Como puede observarse, laFigura 11.1

variable objetivo corresponde a las ventasFigura 11.2
de la editorial. En el
modelo econométrico final procederemos a reemplazar los valores en las variables de control
A partir de la información proporcionada por la salida de EViews, se
manteniendo como incógnita
obtiene el precio
el siguiente promedio, así:
modelo:
̂ == 306,343
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 259,428––1,995PE
2,149PE + 0,098GP
–t 0,445PC + 0,0044LGP
+t 0,098GP t + 0,091V
+ 0,005R + 0,005LGP
t-1 (11.1)
t t-1 t t t
(66,29)
447,7 = 259,428 (0,48)+ 0,098(3.352)
– 2,149PEt (0,32) (0,006) (0,003)
+ 0,0044(0) (0,002)
+ 0,091(407,0)
447,7 = 259,428R– 2,149Pet

= 93,90%; R2 =+ 92,98%
2
+ 328,5 0 + 37,04
447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PEt

Si comparamos este resultado con el obtenido en (7.7) se comprueba que
no cambia la conclusión 82,5 respecto del precio
= 2,149PE t de la competencia: Ni cuando se
toma en el mismo periodo que el resto de variables ni cuando se incluye la
−177,26
variable retardada en PEunt = periodo= se encuentra
$ 82,5 miles evidencia de que pueda influir
−2,149
sobre las ventas de la editorial. La probabilidad del precio de la competencia
retardada
Si Don Pablo pretendeun periodo es
incrementar lasmayor
ventas que
de la0,05 (0,1791
editorial en el>primer
0,05),trimestre
por lo tanto, esta
de 2019 en
variable tampoco tiene poder explicativo en las ventas de la editorial.
n 10%, deberá reducir el precio promedio de los libros en un 15,6% en el mismo periodo.
La hipótesis que Don Pablo ha avanzado, por su parte, supone la inclusión
Ahora, simularemos
de la propia otravariable
situación:dependiente
¿cuál debe ser el gasto
(ventas) en publicidad,
retardada si la editorial
un periodo. Para estimar
este modelo en la ventana del objeto ecuación anterior, nos ubicamos en la
retende obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
barra de herramientas en Estimate y damos clic. En el cuadro de dialogo que
se abre,
La incógnita reemplazamos
es el la variable
gasto en publicidad (GPt), PC
port-1lopor PC (como en el modelo inicial)
tanto:
y digitamos la nueva variable propuesta por Don Pablo: ventas retardada
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1
447,7 = 259,428 – 2,149(97,7) + 0,098 GPt + 0,0044(0) + 0,091(407,0)

264
un periodo (Vt-1), editando V(-1) y damos Aceptar, como se muestra en la

Figura 11.3.
obtener ventas por valor de $ 447,7 millones en el primer

Figuratrimestre
11.3 de 2019?
Como puede observarse, la variable objetivo corresponde a las ventas de la editorial. En el
A partir
modelo econométrico de la información
final procederemos proporcionada
a reemplazar porvariables
los valores en las la salida de EViews, se
de control
obtiene el siguiente modelo:
̂ == 259,428
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 225,072 ––1,932PE + 0,195PCt-1 +t 0,096GP
t t + 0,098GP
2,149PE + 0,002R
+ 0,0044LGP
t t +t + 0,005LGP
0,091V t-1 t + 0,069Vt-1 (11.2)
(56,60)
447,7 = 259,428 (0,48)+ 0,098(3.352)
– 2,149PEt (0,32) (0,006) (0,003)
+ 0,0044(0) (0,002)
+ 0,091(407,0) (0,056)
447,7 = 259,428 – 2,149Pet + 328,5R+2 0=+92,75%

R2 = 93,89%; 37,04
447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PEt

La nueva variable ventas82,5 = retardada
2,149PEt un periodo (Vt-1) con una probabilidad
de 0,2302 superior al 5% (0,2302 > 0,05) no tiene significación estadística
−177,26
individual, por loPEtanto,
t= tampoco
−2,149
= $ 82,5lamiles
hipótesis de Don Pablo parece estar
avalada por los datos. Conviene resaltar que, puesto que esta hipótesis requiere
la inclusión de la variable endógena retardada un periodo, es importante
comprobar
un 10%, deberá que no
reducir el precio hay evidencia
promedio de en
de los libros autocorrelación entre periodo.
un 15,6% en el mismo las perturbaciones.
Ahora, simularemos otra situación:
Los contraste ¿cuál debe ser el gasto
de Durbin-Watson en publicidad,
y Breusch y Godfreysi la que
editorial
se han realizado
anteriormente
pretende obtener endeel$ 447,7
ventas por valor capítulo 10, ensinel primer
millones que setrimestre
encontrara evidencia de que
de 2019?
exista autocorrelación entre las perturbaciones. No obstante, al incluir la
La incógnita es el gasto en publicidad (GPt), por lo tanto:
variable endógena retardada estamos proponiendo un nuevo modelo en el
que
̂ deberíamos
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 259,428 llevar a cabo
– 2,149PE los contrastes
t + 0,098GP correspondientes.
t + 0,0044LGP t + 0,091Vt-1 Sin embargo,
447,7 = 259,428 – 2,149(97,7) + 0,098 GPt + 0,0044(0) + 0,091(407,0)
447,7 = 259,428 – 210,0 + 0,098GPt + 0 + 37,04

265
la presencia de la variable endógena retardada como regresor invalida el

resultado del contraste de Durbin-Watson (que, como ya se indicó, es válido
únicamente cuando todos los regresores son fijos y presenta un sesgo hacia el
valor 2 cuando se incluye como explicativa la endógena retardada).
El contraste de Breusch y Godfrey, por otra parte, no presenta esta

limitación. Por lo tanto, podemos preguntarnos si existe autocorrelación en
las perturbaciones mediante el siguiente procedimiento: En el Workfile del
archivo Tab6, creamos una nueva serie para los residuos de la ecuación de
ventas, seleccionamos en la barra de herramientas: Quick → Generate Series
como se muestra en la Figura 11.4 y damos clic. En el cuadro de diálogo que
se abre escribimos u=resid como se indica en la Figura 11.5 y damos OK.
Posteriormente, con la tecla CTRL y el ratón seleccionamos las variables

en el siguiente orden: u pe pc gp r y lgp y estimamos la regresión de los
residuos contra las variables pe, pc, gp, r y lgp como as Equation y damos clic.
En la ventana que se abre, en particular, en la solapa Specification agregamos
la variable ventas retardada un periodo y la nueva variable que contiene los
residuos (u) retardada uno, dos y tres periodos y damos Acepar, como se
indica en la Figura 10.6.
266
Figura 11.6
De este modo, obtenemos la salida Figura 11.6 estimamos el siguiente

de EViews,
modelo:
De este modo, obtenemos la salida de EViews, estimamos el siguiente modelo:
𝜇t = 12,358 – 0.018PEt – 0,071PCt – 0,00010GPt + 0,0008Rt – 0,00063LGPt – 0,0013Vt-1 +
(65,99) (0,57)
𝜇𝜇̂ t = 12,358 – 0.018PE(0,36)
t – 0,071PC(0,007) (0,004)
t – 0,00010GP t + 0,0008R(0,003) (0,065)
t – 0,00063LGP t – 0,0013Vt-1 + (65,99)
(0,57) (0,36) (0,007) (0,004) (0,003) (0,065)
0,138𝜇t-1 + 0,098 𝜇t-2 – 0,235 𝜇t-3
0,138𝜇𝜇t-1 + 0,098 𝜇𝜇t-2 – 0,235 𝜇𝜇t-3
(0,22) (0,20) (0,19)
(0,22) (0,20) (0,19)
R = 7,43%
2
R2 = 7,43%
DeDedonde
dondesesededuce
deduce que:
que: (𝑇𝑇 − 𝐾𝐾)𝑅𝑅𝑢𝑢2̂ = 37 x 0,074 = 1,998 < 𝜒𝜒2 0,05(3) = 7,815ʹ͸; por tanto,
Por tanto, 1,998 ˂ 7,815. Por consiguiente, se acepta se acepta la hipótesis nula
de1,998 ˂ existe
que no 7,815. autocorrelación
Por consiguiente,entre
se acepta se acepta la hipótesis nula de que no existe
las perturbaciones.
autocorrelación entre las perturbaciones.
Por otro lado, y tras conocer el contenido de los capítulos precedentes,
Por otroconsiderar
podemos lado, y tras conocer el contenido
que quizá ninguno de los
decapítulos
los dos precedentes,
modelospodemos considerar que
anteriores
debería ser el propuesto ya que con el objeto de evitar posibles sesgos
quizá ninguno de los dos modelos anteriores debería ser el propuesto ya que con el objeto de evitar
en la estimación, deberíamos haber incluido a la vez ambas variables,
enposibles
tanto, sesgos
que potenciales variables
en la estimación, explicativas,
deberíamos de las
haber incluido a laque
vezoriginalmente
ambas variables, en tanto,
formaban parte de él. Para ello, cargamos en el Workfile el archivo Tabla
7.6quey potenciales
con la techavariables
CTRL explicativas,
y con el de las que
ratón originalmente las
seleccionamos formaban parte en
variables de él.
el Para ello,
siguiente orden: v pe pc gp r lgp, posteriormente, abrimos como ecuación (as
cargamos en el Workfile el archivo Tabla 7.6 y con la techa CTRL y con el ratón seleccionamos
26 las
Este valor se obtiene
variables de la tabla orden:
en el siguiente estadística de pc
v pe la distribución Chi-cuadrado con abrimos
gp r lgp, posteriormente, 3 grados de libertad
como ecuación (as
y una probabilidad en la cola derecha de 0,05.
Equation) y damos clic en la barra de herramientas del workfile en Estimate. En la solapa
267
Equation) y damos clic en la barra de herramientas del workfile en Estimate.

En la solapa Specification del cuadro de diálogo que a continuación aparece,
editamos las siguientes variables: precio de la competencia retardado un periodo
(PCt-1) escribiendo pc(-1) y ventas de la editorial retardada un periodo (Vt-1),
escribiendo v(-1), como se muestra en la Figura 11.7 y damos Aceptar.
obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
Figura 11.7
modelo econométrico finalde

A partir procederemos a reemplazar
la salida de EViews,los valores en las
estimamos el variables
siguientedemodelo,
control el cual
manteniendoincorpora todas
como incógnita las variables.
el precio promedio, así:
̂ == 302,969
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 2,168PEt +t +0,098GP
259,428 ––2,149PE t ++0,0044LGP
0,068PC 0,097GPt t++0,003R
0,091Vt-1
+ 0,005LGPt (11.4)
t t
(79,18)
447,7 = 259,428 (0,50)
– 2,149PEt (0,32) + 0,0044(0)
+ 0,098(3.352) (0,006) + (0,003) (0,002)
0,091(407,0)
- 0,473PC
447,7 = 259,428 – 2,149Pet + 328,5+ 0,075Vt-1
t-1 + 0 + 37,04
(0,34)
447,7 – 259,428 – 328,5 – 0 – 37,04 = (0,06)
-2,149PEt
R2==2,149PE
82,5 94,25%;t
R2 = 92,95%
−177,26
PEt =
Ahora bien, la inclusión de=variables
$ 82,5 miles
que acabamos de hacer seguramente
−2,149
es excesiva, ya que el precio de la competencia aparece dos veces con sus va-
lores en t (Prob → 0,8324 > 0,05) y en t-1 (Prob → 0,1755 > 0,05), ninguno
de reducir
un 10%, deberá los cuales resulta
el precio significativo
promedio al 5%,
de los libros mientras
en un 15,6% enque Emilio
el mismo pensaba que uno
periodo.
debería sustituir a otro. El modelo anterior puede simplificarse un poco más,
Ahora, simularemos otra situación: ¿cuál debe ser el gasto en publicidad, si la editorial
eliminando la variable precio de la competencia (PCt); para ello, re-estima-
pretende obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?

268
mos el modelo, como se muestra en la Figura 11.8 y damos Aceptar. La salida

de EViews nos permite estimar el siguiente modelo.
Figura 11.8
̂ = 312,123
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 259,428––2,174PE
2,149PE + 0,098GP
-t 0,493PC + 0,0044LGP
+t 0,097GP t + 0,091V
+ 0,004R + 0,005LGP
t-1 + 0,075Vt-1 (11.5)
t t-1 t t t
447,7 = 259,428 – 2,149PEt

(65,57) (0,49)+ 0,098(3.352)
(0,32) + 0,0044(0)
(0,006) + 0,091(407,0)
(0,003) (0,002) (0,05)
447,7 = 259,428 – R
2,149Pet
2 + 328,5 +
= 94,24%; R20 =+ 37,04
93,16%
447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PEt
Ahora pues, re-estimaremos el modelo eliminando las variables precio de
82,5 = 2,149PEt
la competencia retardado un periodo (PCt-1) y la renta personal (Rt), como se
muestra en la Figura
PEt =11.9. = $ 82,5 miles
−177,26
−2,149
un 10%, deberá reducir el precio promedio de los libros en un 15,6% en el mismo periodo.
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1

447,7 = 259,428 – 2,149(97,7) + 0,098 GPt + 0,0044(0) + 0,091(407,0)

Figura 11.9
447,7 = 259,428 – 210,0 + 0,098GPt + 0 + 37,04
447,7 – 259,428 + 210,0 – 37,04 = 0,098GPt
361,19 = 0,098GPt
269
El resultado anterior, una vez realizados los contrastes de significación

individuales al 5%, muestra que el precio de la competencia (PCt-1 → Prob.
→ 0,1354 > 0,05) no tiene influencia significativa sobre las ventas aunque se
tome la variable con un retardo, tampoco la renta personal (Rt → Prob. →
0,2176 > 0,05), mientras que hay evidencia de que las ventas retardadas
un periodo tienen alguna influencia positiva sobre las ventas actuales Por
lo tanto, la hipótesis de Emilio no se confirma mientas que si lo hace la de
Don Pablo.
De conformidad con la Tabla 11.1, el modelo final adecuado para explicar

las ventas de la editorial, resulta el modelo (11.6).
Tabla 11.1
Estimación modelo final de ventas de la editorial.
Método: MCO
Muestra ajustada: 2009Q2 2018Q4
Observaciones incluidas: 39 after adjustments
C 259,4275 44,64444 5,810969 0,0000
PE -2,148630 0,400038 -5,371061 0,0000
GP 0,097627 0,005799 16,83440 0,0000
LGP 0,004441 0,002208 2,011040 0,0523
V(-1) 0,091115 0,047215 1,929804 0,0620
Como puede observarse, la variable objetivo

EL USO DE LA corresponde
ECONOMETRÍAa BÁSICA
las ventas de la editorial. En el
270
Porcomo
manteniendo tanto, se obtiene:
incógnita el precio promedio, así:
̂ = 259,428 – 2,149PE
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 2,149PEtt ++ 0,098GP
0,098GPt t + 0,0044LGP
0,0044LGPtt ++ 0,091V
0,091Vt-1 (11.6)
t-1
447,7 = 259,428 – 2,149PEt

(44,64) + 0,098(3.352)
(0,40) (0,006) + 0,0044(0)
(0,002) + 0,091(407,0)
(0,047)
447,7 = 259,428 – 2,149Pet + 328,5R
R2 = 93,67%; +20=+92,92%
37,04
447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PEt

Ahora realizaremos el contraste de Breusch y Godfrey. Para ello nos
82,5 = 2,149PEt
situamos en la ventana del objeto ecuación del archivo Tab6 y seleccionamos
View → Residual Diagnostics
PEt = → Serial
−177,26 Correlation
= $ 82,5 miles LM Test como se muestra
−2,149
en la Figura 11.10 y damos clic. En la pestaña del cuadro de diálogo que se
Si Don Pablo pretende
abre, la incrementar
cual solicita las ventas de
se proporcione ellanúmero
editorialdeenretardos
el primera trimestre de 2019
incluir (Lags to en
include),
un 10%, deberá escribimos
reducir 1 y damosdeOK
el precio promedio los (véase
libros enFigura 11.12).
un 15,6% en el mismo periodo.
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1

447,7 = 259,428 – 2,149(97,7) + 0,098 GPt + 0,0044(0) + 0,091(407,0)
447,7 = 259,428 – 210,0 + 0,098GPt + 0 + 37,04
Figura
447,711.10 Figura
– 259,428 + 210,0 – 37,04 = 0,098GPt 11.12
361,19 = 0,098GPt
La Tabla 11.2 muestra que la probabilidad del estadístico F (F-statistic) y
361,19
GPt = a 0,05,
Obs*R-squared es superior = $por
3.685,6 miles
lo tanto, se acepta la hipótesis nula de
0,098
ausencia de autocorrelación en las perturbaciones.
271
Tabla 11.2
Contraste de Breusch-Godfrey Serial Correlation LM Test.
Test Equation:
Dependent Variable: RESID
Sample: 2009Q1: 2018Q4
Presample missing value lagged residuals set to zero
C -2,786338 46,11490 -0,060422 0,9522
PE 0,035280 0,420809 0,083839 0,9337
GP 0,000388 0,006007 0,064617 0,9489
LGP -0,000167 0,002300 -0,072393 0,9427
V(-1) -0,004501 0,049965 -0,090076 0,9288
RESID(-1) 0,060571 0,193395 0,313197 0,7561
R-squared 0,002964 Mean dependent var 1,37E-14

Ahora, obtendremos un correlograma de los residuos. Para ello, nos

situamos en la ventana del objeto ecuación del modelo estimado (11.6) y
seleccionamos View → Residual Diagnostics → Correlogram – Q statistics
y damos clic, como se indica en la Figura 11.10. En el cuadro de diálogo que
aparece a continuación damos OK (véase Figura 11.12).
272
Los resultados del correlograma de residuos (véase Figura 11.13) muestran

que no existe evidencia en contra de la existencia de incorrelación entre
las perturbaciones de este modelo. Así pues, podemos dar por válidos los
resultados de la estimación, puesto que los residuos de autocorrelación y
correlación parcial se encuentran dentro de las bandas respectivas.
Figura 11.13
273
Aunque el contraste de Breusch y Godfrey y el correlograma de los residuos

realizados en este último modelo señalan la ausencia de autocorrelación en
las perturbaciones, antes de decidir adoptar definitivamente el modelo (11.11)
trataremos de cerciorarnos de que no contiene ningún error de especificación
importante. En particular, y debido a la presencia en el mismo de la variable
dependiente ventas retardada un periodo (Vt-1), podríamos confirmar el
resultado obtenido con el contraste de Breusch y Godfrey llevando a cabo un
contraste de Hausman que conforme que este regresor, no está correlacionado
con los residuos.
11.1 Contraste de exogeneidad de Hausman.
El contraste de Hausman sirve para detectar la presencia de regresores

estocásticos en un modelo. Bajo la hipótesis nula se supone que el regresor
no es estocástico, mientras que la hipótesis alternativa establece lo contrario.
El contraste compara los estimadores de los parámetros del modelo obtenido
por los métodos de mínimos cuadrados ordinarios (MCO) y por variables
instrumentales (VI). Bajo el supuesto de que el regresor no es estocástico
(hipótesis nula) los estimadores obtenidos por ambos métodos son
consistentes, mientras que bajo la hipótesis alternativa (regresor estocástico)
solo el estimador de variables instrumentales mantiene esta propiedad. De
este modo, bajo la hipótesis nula plim (β̂ MCO - β̂ VI) = 0, apenas habrá diferencia
entre ambos estimadores.
Contraste:

frente
Ho: El regresor no es estocástico Ha: El regresor es estocástico
Cuanto mayor sea la diferencia entre las estimaciones de los parámetros

por ambos métodos (MCO y VI), mayor evidencia existirá en contra de la
hipótesis nula.
Si recordamos el modelo final (11.6), el vector de coeficientes β* se

limita en este caso a β4, coeficiente que acompaña a la variable Vt-1. Los dos
estimadores a considerar serán, por una parte, el estimador MCO que acabamos
274
de obtener en (11.6) y, por otra, un estimador de variables instrumentales que

sustituya al regresor potencialmente problemático (Vt-1) en el modelo 11.7 por
una predicción del mismo derivada de una regresión de esta variable sobre el
conjunto de potenciales instrumentos.
Considerando el conjunto de instrumentos a nuestra disposición, en este

caso, aparecen de inmediato seis variables PCt, PCt-1, Rt, Rt-1, PEt-1 y GPt-1 que
no aparecen en el modelo y pueden considerarse fijas; podríamos por lo tanto,
utilizarlas como instrumentos de Vt-1. Sin embargo, las variables PCt, PCt-1, Rt
y Rt-1 presentan el inconveniente de estar poco correlacionadas con la variable
dependiente Vt, que es la razón por la que se han eliminado del modelo; por lo
que es de esperar que su correlación con Vt-1 sea asimismo reducida. Por otro
lado, es claro que la eficiencia asintótica de este estimador aumenta cuando
los instrumentos están muy correlacionados con la varianza a instrumentar.
Nos conviene, por tanto, buscar instrumentos lo más correlacionados posible
con las ventas retardadas. Dado que al incluir un retardo en la ecuación se
pierde la primera observación, resulta posible utilizar el precio de la editorial
y el gasto en publicidad retardados un periodo como variables instrumentales.
Por todo ello, finalmente se ha decidido utilizar las variables PCt, PCt-1, Rt,
Rt-1, PEt-1 y GPt-1 como instrumentos.
En la barra de herramientas de la ventana del objeto ecuación del modelo

final (11.6) seleccionamos Estimate y damos clic. Posteriormente, en la
pestaña Method del el cuadro de diálogo de especificación (Specification)
del modelo, más específicamente, en Estimation Setting, en la pestaña de
método (Method) elegimos el método de mínimo cuadrados en dos etapas
(TSLS – Two Stage Least Squares – TNSLS and ARMA) y en el cuadro de
variables instrumentales (Instrument list) editamos separadas por un espacio
las siguientes variables: PCt PCt-1 Rt Rt-1 PEt-1 y GPt-1 y damos Aceptar, como
se indica en la Figura 11.14.
275
Figura 11.14
Los resultados de la regresión realizada por EVIews se muestran en la

Tabla 11.3, información que proporciona la siguiente ecuación:
Tabla 11.3
Estimación del modelo por el método de mínimos cuadrados en dos etapas.
Método: Two-Stage Least Squares
Muestra ajustada: 2009Q2 2018Q4
Observaciones incluidas: 39 after adjustments
Constant added to instrument list
C 122,1993 253,5420 0,481969 0,6329
PE -1,350207 1,968580 -0,685879 0,4974
GP 0,144080 0,052275 2,756225 0,0093
LGP -0,000148 0,020423 -0,007252 0,9943
V(-1) -0,085129 0,218629 -0,389376 0,6994
S.E. of regression 28,84132 Sum squared resid 28281,94
Prob(F-statistic) 0,000000 Second-Stage SSR 82.889,56
J-statistic 0,033301 Instrument rank 6
Prob(J-statistic) 0,855202
anto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
Como puede EL USO DE LA ECONOMETRÍA BÁSICA

276observarse, la variable objetivo corresponde a las ventas de la editorial. En el
Por consiguiente, el modelo obtenido es:
EL USO DE ELLA USO
DE LA -ECONOMETRIA BASICA 290
̂ VI
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 == 122,199
259,428 – 1,350PE
– 2,149PE + 0,144GP
t +t 0,098GP - 0,00015LGP
t +t 0,0044LGP t +EL 0,085V
0,091V
t USO t-1
DEt-1 (11.7)
LA ECONOMETRIA BAS
447,7 = 259,428 – 2,149PEt

(253,54) + 0,098(3.352)
(1,97) (0,052) + 0,0044(0) + 0,091(407,0)
(0,020) (0,22)de variables
alcular 𝑞𝑞̂ procedemos
Para calcularPara a restar
𝑞𝑞̂ procedemos del acoeficiente de la variable V(-1) del modelo
calcular 𝑞𝑞̂ procedemos a restar del coeficiente deV(-1)
restar del coeficiente de la variable del modelo
la variable V(-1) de
delvariables
modelo de
447,7 = 259,428 – 2,149Pet + 328,5EL+USO
0 + DE
37,04
LA ECONOMETRIA BASICA 290
ntales
SO DE LA(11.7)
instrumentaleselPara
valor
ECONOMETRIA delelcoeficiente
BASICA
calcular
(11.7) q̂ 290
valor procedemosde la variable
a restar
del elcoeficiente de V(-1)
ladel del modelo
coeficiente
variable de modelo
dedel
la MCO (11.6),
variable V(-1)
instrumentales
447,7 – (11.7)
259,428 – valor
328,5 del
– 0 coeficiente
– 37,04 = de V(-1)
-2,149PEla tvariable de
V(-1) del MCO
modelo(11.6),
de MC
del modelo de variables instrumentales (11.7)
Para calcular 𝑞𝑞̂ procedemos a restar del coeficienteELdeUSO el valor
la variable del coeficiente
V(-1) del modelo de la
do: DE LA ECONOMETRIA BASICAde variables
290
obteniendo:
variable V(-1)variable
del modelo
obteniendo:
de variables
V(-1) del modelo82,5 de =MCO (11.6),
2,149PE t obteniendo:
instrumentales (11.7) el valor del coeficiente de la variable V(-1) del modelo de MCO (11.6),
ble V(-1) del modelo
𝑞𝑞̂ = −decalcular
𝛽𝛽̂4𝑉𝑉𝑉𝑉Para ̂MCO
𝑀𝑀𝐶𝐶𝐶𝐶 ̂(11.6),
=procedemos a restar−del0,091115
coeficiente de=la −0,070438
variable V(-1) del modelo de variables
𝑞𝑞̂𝛽𝛽4= 𝛽𝛽̂4𝑞𝑞𝑉𝑉𝑉𝑉 −0,085129
− ̂4𝑀𝑀𝐶𝐶𝐶𝐶
𝛽𝛽
PE =𝑉𝑉𝑉𝑉−0,085129
−177,26
𝑞𝑞̂ t== 𝛽𝛽̂−2,149 = $ 82,5
̂ 𝑀𝑀𝐶𝐶𝐶𝐶 − 0,091115
= miles −=0,091115
−0,070438
obteniendo: 4 − 𝛽𝛽4 −0,085129 = −0,070438
instrumentales (11.7) el valor del coeficiente de la variable V(-1) del modelo de MCO (11.6),
u varianzasusevarianza
Si DonyPablo deduce
pretendede
se deduce de
suincrementar
y su yvarianza
obteniendo: varianza
se
𝑞𝑞̂ = 𝛽𝛽 𝛽𝛽̂las
̂4𝑉𝑉𝑉𝑉deduce
−se ventas
4deduce
𝑀𝑀𝐶𝐶𝐶𝐶
de de la editorial
de
= −0,085129 en el primer
− 0,091115 trimestre de 2019 en
= −0,070438
1115 = −0,070438
un 10%, deberá reducir elVar(𝑞𝑞
precio
y su varianza sê) promedio
==𝛽𝛽̂𝑉𝑉𝑉𝑉Var(𝛽𝛽
𝑞𝑞̂deduce Var(𝑞𝑞 4de=
̂)
−de𝛽𝛽̂𝑀𝑀𝐶𝐶𝐶𝐶 Var(𝛽𝛽4𝑀𝑀𝑀𝑀𝑀𝑀
𝑉𝑉𝑉𝑉 )los libros𝑉𝑉𝑉𝑉en
−Var(𝛽𝛽
=−0,085129 )−un)Var(𝛽𝛽
15,6%=𝑀𝑀𝑀𝑀𝑀𝑀
en
4 ̂) = Var(𝛽𝛽4 ) − Var(𝛽𝛽𝑉𝑉𝑉𝑉
el
) mismo periodo.
4 Var(𝑞𝑞 Var(𝑞𝑞̂) = Var(𝛽𝛽 4 ) −) Var(𝛽𝛽𝑀𝑀𝑀𝑀𝑀𝑀 )
− 0,091115 −0,070438
4 4
Ahora, simularemos y suotra situación:
varianza se ̂)
deduce ¿cuál debe ser el𝑉𝑉𝑉𝑉
de2 ((𝑋𝑋´𝑍𝑍(𝑍𝑍´𝑍𝑍) gasto en−1publicidad, si la editorial−1
−1−1 )
Var(𝑞𝑞 = Var(𝑞𝑞
𝜎𝜎Var(𝑞𝑞̂)̂)==Var(𝛽𝛽 2 4−1 ) 𝑍𝑍´𝑋𝑋)
− Var(𝛽𝛽 𝑀𝑀𝑀𝑀𝑀𝑀 )
42−1 (𝑋𝑋´𝑋𝑋)
−𝑍𝑍´𝑋𝑋)
𝜎𝜎Var(𝑞𝑞
((𝑋𝑋´𝑍𝑍(𝑍𝑍´𝑍𝑍) −1(𝑋𝑋´𝑋𝑋)−1
̂) = 𝜎𝜎𝑀𝑀𝑀𝑀𝑀𝑀((𝑋𝑋´𝑍𝑍(𝑍𝑍´𝑍𝑍)− ) (𝑋𝑋´𝑋𝑋)−1 )
(𝛽𝛽4𝑀𝑀𝑀𝑀𝑀𝑀 ) [6,6] [6,6]
[6,6] 𝑍𝑍´𝑋𝑋)[6,6]
[6,6]−
[6,6]
pretende obtener ventas por valor de $ 447,7 Var(𝑞𝑞millones
̂) = Var(𝛽𝛽en)el𝑉𝑉𝑉𝑉
− primer
Var(𝛽𝛽 trimestre
) de 2019?
Var(𝑞𝑞̂) = 𝜎𝜎 24((𝑋𝑋´𝑍𝑍(𝑍𝑍´𝑍𝑍)4−1 𝑍𝑍´𝑋𝑋)−1 2 − (𝑋𝑋´𝑋𝑋)−1 )
reciso
−1
) 𝑍𝑍´𝑋𝑋)Seráestimar
−1
𝜎𝜎 :estimar
− (𝑋𝑋´𝑋𝑋)
[6,6]preciso
2 −1
de)la estimación
[6,6] 𝜎𝜎 2 :estimar realizada
de la estimación por2VI obtenemos
2Var(𝑞𝑞̂) =realizada por−1 VI obtenemos
[6,6]
𝜎𝜎̂𝑉𝑉𝑉𝑉 = 28,84132 −1 𝜎𝜎
[6,6]
2
= que
̂obtenemos es 2 que es
28,84132
La incógnita Será
Será elpreciso
es preciso
gasto en estimar
publicidad 𝜎𝜎 : de
de
(GP la
tla
), estimación
𝜎𝜎estimación
por lo tanto:
((𝑋𝑋´𝑍𝑍(𝑍𝑍´𝑍𝑍) realizada
realizada
𝑍𝑍´𝑋𝑋)−1[6,6] −por por
(𝑋𝑋´𝑋𝑋) VI
2
VI
[6,6] )𝑉𝑉𝑉𝑉obtenemos 𝜎𝜎̂𝑉𝑉𝑉𝑉 = 28,841
Será 2 preciso estimar 𝜎𝜎 : de la estimación realizada por VI obtenemos 𝜎𝜎
2
̂𝑉𝑉𝑉𝑉 = 28,84132 que es
VI laobtenemos
a diferente
obtenida 𝜎𝜎̂en la28,84132
𝑉𝑉𝑉𝑉 =
a 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
ladiferenteestimación
obtenida en que
laquees 2es (16,81107).
MCO
estimación diferente
MCO arealizada
la lo
Por
(16,81107). obtenida
tanto,
VI Por
en
para lo la𝜎𝜎̂ 2estimación
este
tanto, caso. MCO
̂ Será preciso
= 259,428 estimar : de la estimación
– 𝜎𝜎2,149PE por obtenemos 𝑉𝑉𝑉𝑉 =para
28,84132 estequecaso.
es
(16,81107).
diferente a la
Por lo
a la obtenida obtenida
en tanto, en t +estimación
la
para este
la estimación
0,098GP
MCO caso.
t + MCO
0,0044LGP t + 0,091V
(16,81107).
(16,81107). Por lo tanto, para este caso. Por t-1lo tanto, para este caso.
Por lo tanto, paradiferente
este caso.
Var(𝑞𝑞
447,7̂) =a(0,218629)
= 259,428
la obtenida en la2estimación
Var(𝑞𝑞 –̂)2,149(97,7)− (0,047215)
=̂)(0,218629)
MCO
+ 0,0982 GP (16,81107).
2
2− (0,047215)
t +
Por lo2tanto, para este caso.
=0,0044(0)
0,04556938
−==
+ 0,091(407,0)
2 2 (0,047215) 0,04556938
Var(𝑞𝑞 =Var(𝑞𝑞 ̂)
(0,218629) = (0,218629)
− (0,047215) 0,045569382 = 0,04556938
)2 = 0,04556938 Var(𝑞𝑞̂) = (0,218629)2 − (0,047215)2 = 0,04556938
donde eldeestadístico
donde el de447,7
contraste
estadístico = 259,428toma –el210,0
valor:+ 0,098GPt + 0 + 37,04
dedonde
de donde
dede
el el
donde
donde elde
elestadístico
estadístico contraste
estadístico
dedecontraste
estadístico toma
de contraste
de
contraste
toma el valor:
el toma
el valor:
contraste
toma
valor: el valor:
toma el valor:
447,7 – 259,428 + 210,0 – 37,04 = 0,098GP
2 t
(−0,070438) (−0,070438)
(−0,070438)
(−0,070438) 2 22
2 2 (1) 2 2 (1)
𝑚𝑚 = 𝑚𝑚 = 𝑚𝑚 =
𝑚𝑚 = = 0,1088782
(−0,070438)
=
= < 𝑋𝑋
0,1088782
0,1088782 << =
𝑋𝑋𝑋𝑋 3,84146
2 (1)
=
𝑋𝑋0,05 (1)= 3,84146
3,84146
361,19 = 0,1088782 <0,05 =
< 3,84146
2 (1) 0,05 0,05
𝑋𝑋0,05 = 3,841460,04556938 0,04556938
0,04556938
𝑚𝑚 = = 0,098GP t = 0,1088782
2 (1)
𝑋𝑋0,05 = 3,84146
0,04556938 0,04556938
El valor
El valor del estadístico
del estadístico obtenido,
obtenido, esesdecir,
361,19 decir, 0,1088782
0,1088782 sesecompara
compara concon
el valor de lade
el valor distribución
la distribución
or delElestadístico
compara Elestadístico
con el del
valor valor valor
obtenido,del estadístico
esobtenido,
decir,
de la distribución obtenido,
GPt =0,1088782
es es decir,
se
= $ 3.685,6
decir, compara
0,1088782 0,1088782
miles se con se compara
el valor
compara de el
con con
la valor el
devalor
distribución la distribución
El valorcon
chi-cuadrado delunestadístico
grado de obtenido,
0,098
libertad y una es decir,en0,1088782
probabilidad la cola sede
derecha compara
0,05, cuyo con
valorel valor de la di
de la distribución
chi-cuadrado con un grado chi-cuadrado
de libertad y unaconprobabilidad
un grado de en libertad y unadeprobabilidad
la cola derecha 0,05, cuyo valor
en la con
rado cola un
derecha
grado de de
0,05, cuyo valor
libertad y una probabilidad en la cola derecha de 0,05, cuyo valor
chi-cuadrado con un derecha
enchi-cuadrado
esla cola
3,84146, grado
como se de
con delibertad
muestra
un 0,05, ydeuna
en las cuyo
grado Figuras probabilidad
valor
11.15
libertad yes 3,84146,
11.16 en lacomo
del buscador cola derecha
seenmuestra
de GRETL. de 0,05,
en lascuyode valor
es 3,84146, como se muestra en las Figuras 11.15 y y11.16
una probabilidad
del buscador de GRETL. la cola derecha 0,05, c
del buscador deFiguras
GRETL.11.15 y 11.16 del buscador de GRETL.
46,escomo se muestra
3,84146, como enmuestra
se las Figuras 11.15 y 11.16 delybuscador deldebuscador
GRETL.de GRETL.
es 3,84146, comoen se las Figuras
muestra en 11.15
las Figuras 11.16 11.15 y 11.16 del buscador de GRETL.

277
Como 0,1088782 ˂ 3,84146, por consiguiente, rechazamos la hipótesis

nula de que el regresor no es estocástico. El resultado del contraste señala
que no hay evidencia de que exista correlación entre la variable dependiente
retardada que se utiliza como explicativa y las perturbaciones de la ecuación,
por lo que la estimación MCO realizada en (11.6) resulta satisfactoria.
Y llegamos al final de la historia de la Editorial, que nos ha permitido ilustrar

la interpretación que puede darse a los resultados así como la utilidad que un
modelo puede tener como instrumento para ayudar en la toma de decisiones.
Los pasos sucesivos, cuidadosamente estudiados, nos han permitido llegar a
formular un modelo en el que tanto Don Pablo como Emilio han tenido que
ponerse de acuerdo. Don Pablo ha cedido en su opinión inicial, reconociendo
que era excesivamente simplista, y Emilio no ha encontrado evidencia que
sustente su idea inicial de que el precio de la competencia y la renta personal
tienen mucha importancia en las ventas de la editorial. Lo que han aprendido
ambos en este proceso les permitirá encarar la marcha de la editorial con
evidencia empírica.
RETO 10:

Capítulo 12
USO DEL MODELO ECONOMÉTRICO

PARA ANÁLISIS DE POLÍTICA
Don Pablo y su hijo Emilio se sienten satisfechos por el trabajo realizado

hasta el momento. Aunque sus discusiones han sido bastante acaloradas (cada
quien defendiendo su postura respecto a los determinantes de las ventas de
la editorial), aún queda por resolver un interrogante: El trabajo econométrico
realizado nos ha conducido a la obtención de un modelo final que explica
las ventas de la editorial, pero ambos se preguntan: ¿Qué haremos con este
modelo? Don Pablo como hombre de negocios excesivamente pragmático,
sabe que tanto esfuerzo no debe desperdiciarse, por ello, decide romper el
silencio y preguntar a su hijo:
Don Pablo: Emilio, tú has sido testigo de los airados debates que hemos
sostenido ambos en torno a la determinación de las variables que explican las
ventas de la editorial. Al final, el uso de la econometría que tú tanto defiendes,
nos ha generado respuestas sorprendentes. ¡Hijo!, sin titubear, dime ¿qué
vamos a hacer con este modelito?
Emilio: ¡Padre!, tu pregunta es apenas lógica. Desde el momento que

estimamos el modelo econométrico final de las ventas de la editorial, yo
también me pregunté sobre el uso que le íbamos a dar. Para no enredar más la
respuesta, con mucha seguridad te diré que el último paso de la metodología
econométrica tradicional es la utilización del modelo con fines de control o
de política empresarial; en nuestro caso, este modelito como tú lo llamas, nos
permitirá diseñar una política de ventas y una política de precios.
obtener ventas por valor de $ 447,7MARIO EDUARDO

millones en el HIDALGO VILLOTA de 2019?
primer trimestre 279

Don Pablo: Entonces adelante, explícame cómo utilizar este modelo en la
toma de decisiones
modelo econométrico empresariales.
final procederemos a reemplazar los valores en las variables de control
manteniendo como incógnita

Partiremos delelmodelo
precio final
promedio, así:
obtenido:
̂ == 259,428
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 2,149PEt +t +0,098GP
259,428 –– 2,149PE 0,098GP + 0,0044LGP
+t 0,0044LGP t + 0,091Vt-1(12.1)
+ 0,091V
t t t-1
(44,64)
447,7 = 259,428 (0,40)+ 0,098(3.352)
– 2,149PEt (0,006) +(0,002)
0,0044(0) (0,047)
+ 0,091(407,0)
R = 93,67% R = 92,92%
2 2
447,7 = 259,428 – 2,149Pet + 328,5 + 0 + 37,04
En la terminología y notación
447,7 – 259,428 – 328,5 utilizada en la=literatura
– 0 – 37,04 -2,149PEespecializada
t en
econometría a la variable dependiente (Yi) también se le suele llamar “variable
82,5 = 2,149PE
controlada” y a las variables explicativas (Xi),tse les denomina alternativamente,
“variables de control”. Por ende, mediante una mezcla apropiada de políticas
−177,26
PE t=
comerciales, las directivas de = $ 82,5pueden
la editorial miles manejar las variables de
−2,149
control Xi para producir el nivel deseado de la variable objetivo Yi. Para ser
Si Don Pablo
más pretende
exactos, incrementar lascapaz
la editorial es ventasdedemanipular
la editoriallas
en variables
el primer precio
trimestrede de
los2019 en
libros y el gasto en publicidad para elevar las ventas en un monto determinado.
También debe recordarse que la introducción de variables ficticias en el
modelo permitió
Ahora, simularemos comprender
otra situación: ¿cuálquedebe
la campaña publicitaria
ser el gasto de la editorial
en publicidad, debe
si la editorial
intensificarse en periodo vacacional (tercer trimestre del año) y focalizarse,
pretende obtener ventas por
en particular, valor de con
a mujeres $ 447,7 millones
estudios en el primer
universitarios, portrimestre de 2019?que
ser las personas
más leen.
Don Pablo: Para ser honesto, puede comprender qué es una variable de
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1
control y una variable controlada u objetivo, pero Emilio, te sugiero ser más
aplicado. Con esto
447,7 = 259,428 me refiero a+ que
– 2,149(97,7) trates
0,098 GPt +de0,0044(0)
trasladar +este concepto a un
0,091(407,0)
ejemplo práctico para que lo pueda comprender mejor.
447,7 = 259,428 – 210,0 + 0,098GPt + 0 + 37,04
Emilio: ¡Papá, cálmate! Eso es precisamente, lo que trato de hacer.
Entonces, ¡manos 447,7a la
– 259,428
obra! + 210,0 – 37,04 = 0,098GPt
El lector recordará que 361,19 = 0,098GP

la información det la editorial correspondiente al
cuarto trimestre de 2018 es 361,19
la siguiente:
GPt = = $ 3.685,6 miles
0,098
Ventas (Vt-1) = $407,0 millones; Precio promedio (PEt) = $97,7 miles y
Gasto en publicidad (GPt) = $3.352,0 miles..
280
Si la editorial se fija como meta para el primer trimestre de 2019,

incrementar sus ventas (Vt+1)EL enUSO
10%,DEpor
LA lo tanto, $407,0BASICA
ECONOMETRIA x 1,10 = $447,7,
274
manteniendo constante el gasto en publicidad, LGP = 0 (correspondiente al
primer trimestre de 2019) y Vt-1 = $407,0 (ventas retardadas un periodo, es
gunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
decir, las ventas correspondientes al cuarto trimestre de 2018). Por lo tanto, la
nto,por
as la valor
pregunta
de $a 447,7
resolver
pregunta es la siguiente:
a resolver
millones ¿Cuál
esenlaelsiguiente:
primer debe ser
¿Cuál
trimestre de el
debe precio
ser el promedio
2019? de los libros
precio promedio de para
los libros para obtener ventas por valor de $447,7 millones en el primer
btener ventas porlavalor
ede observarse, de $objetivo
variable 447,7 millones en elaprimer
corresponde trimestre
las ventas de 2019? En el
de la editorial.
trimestre de 2019?
Como puede
nométrico finalobservarse,
procederemosla variable objetivo
a reemplazar los corresponde
valores en lasa corresponde
las ventasde
variables decontrol
la editorial. En el
Como puede observarse, la variable objetivo a las ventas de
modelo la editorial.
finalEnprocederemos
el modelo econométrico final procederemos a reemplazar los
o comoeconométrico
incógnita el precio promedio, así:a reemplazar los valores en las variables de control
valores en las variables de control manteniendo como incógnita el precio
manteniendo
̂ = como
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 incógnita
promedio,
259,428 así: el precio
– 2,149PE promedio, así:
t + 0,098GPt + 0,0044LGPt + 0,091Vt-1
̂– 2,149PEt
447,7 = 259,428 = 259,428
259,428 2,149PEt +t +0,098GP
–2,149PE
+ –0,098(3.352) +0,098GP + +0,0044LGP
+t 0,0044LGP
0,0044(0) + 0,091V
+ t0,091V
0,091(407,0) t-1
t t t-1

447,7 447,7 = 259,428 – 2,149PEt + 0,098(3.352) + 0,0044(0) + 0,091(407,0)
447,7==259,428
259,428––2,149PEt
2,149Pet++0,098(3.352) + 0,0044(0)
328,5 + 0 + 37,04 + 0,091(407,0)
447,7 = 259,428 – 2,149Pet + 328,5 + 0 + 37,04
447,7 –= 328,5
447,7 – 259,428 259,428
– 0––2,149Pet + 328,5 +t 0 + 37,04
37,04 = -2,149PE
447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PEt
447,7=82,5
82,5 –2,149PE
259,428 – 328,5
= 2,149PE t – 0 – 37,04 = -2,149PEt
t
−177,26 82,5 = 2,149PEt

PEt = = $ 82,5 miles
−2,149
−177,26
ablo pretende incrementar las pretende
Si Don Pablo ventas deincrementar
la editorial en
−2,149
las elventas
primer
detrimestre de 2019
la editorial en el en
primer
Si reducir
erá trimestre
Don Pablo
el precio de incrementar
pretende 2019 en
promedio deun
los10%,
las deberá
ventas
libros dereducir
en un el
enprecio
la editorial
15,6% elen elpromedio
mismo primer de los libros
trimestre
periodo. de 2019 en
en un 15,6% en el mismo periodo.
nmularemos
10%, deberáotrareducir el precio
situación: ¿cuálpromedio
debe ser eldegasto
los libros en un 15,6%
en publicidad, si laeneditorial
el mismo periodo.
Ahora, simularemos otra situación: ¿cuál debe ser el gasto en publicidad, si
Ahora, simularemos
ener ventas por
la editorial otra
valor de situación:
$ 447,7
pretende ¿cuál
millones
obtener debe
en ser valor
el primer
ventas por el gasto en publicidad,
trimestre de 2019?
de $447,7 millones si en
la editorial
el primer
trimestre de 2019?
retende obtener
ncógnita ventas
es el gasto por valor de
en publicidad (GP$ 447,7
t), por millones
lo tanto: en el primer trimestre de 2019?
̂ La incógnita
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 es –el2,149PE
= 259,428 gasto ent +publicidad
0,098GPt (GP t), por lo tanto:
+ 0,0044LGP t + 0,091Vt-1
̂– 2,149(97,7)
447,7 = 259,428 = 259,428 –+ 2,149PE
0,098 GPt +
t +0,098GP t ++
0,0044(0) 0,0044LGP t + 0,091Vt-1
0,091(407,0)
447,7
447,7==259,428
259,428 ––2,149(97,7) + 0,098
210,0 + 0,098GP t + GP + 0,0044(0) + 0,091(407,0)
0 +t 37,04
447,7 = +
447,7 – 259,428 259,428
210,0 –– 37,04
210,0 =+ 0,098GP
0,098GPt t + 0 + 37,04
447,7 – 259,428 + 210,0 – 37,04 = 0,098GPt

btener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
simularemos otra situación: ¿cuál debe ser el gasto en publicidad, si la editorial
btener ventas por valor de $ 447,7 millones en el primer
MARIO EDUARDO HIDALGO trimestre
VILLOTA de 2019?
281
incógnita es el gasto en publicidad (GPt), por lo tanto:
manteniendo como La incógnita eles precio promedio,
el gasto así: (GPt), por lo tanto:
en publicidad
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGP
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 t + 0,091Vt-1
̂ == 259,428
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 259,428 –– 2,149PE 0,098GPt t+ +0,0044LGP
2,149PEt + 0,098GP 0,0044LGP + 0,091V
+t 0,091V t-1
447,7 = 259,428 – 2,149(97,7) + 0,098 tGPt + 0,0044(0) + 0,091(407,0)
t t-1

447,7 447,7–=2,149PEt
= 259,428 259,428 –+2,149(97,7) + 0,098
0,098(3.352) GPt + 0,0044(0)
+ 0,0044(0) + 0,091(407,0)
+ 0,091(407,0)
447,7 = 259,428 – 210,0 + 0,098GPt + 0 + 37,04
447,7 == 259,428
447,7 259,428 –– 210,0 + 0,098GP
2,149Pet + 328,5t ++00++37,04
37,04
447,7 – 259,428 + 210,0 – 37,04 = 0,098GPt
447,7 – 259,428 + 210,0 – 37,04 = 0,098GPt
447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PE t
361,19 = 0,098GPt
361,19 = 0,098GPt
82,5 = 2,149PEt
361,19
GPt = = $ 3.685,6 miles
0,098 −177,26
−2,149
En fin, podemos simular diferentes situaciones, por ejemplo, determinar

el valor del gasto en publicidad en el tercer trimestre de 2019, conociendo
de reducir
n 10%, deberá antemano, que en
el precio periodo de
promedio vacacional
los libroslas
en ventas se elevan
un 15,6% por efecto
en el mismo del
periodo.
incremento de las horas de lectura de los clientes de la editorial, en especial,
Ahora, simularemos
en el grupootra
de situación:
mujeres con¿cuál debe ser
estudios el gasto en publicidad, si la editorial
universitarios.
retende obtenerSi
ventas por valor
Don Pablo de $ 447,7
se propone millones las
incrementar en el primer
ventas de trimestre deen
la editorial 2019?
el primer
trimestre de 2019 en un 10%, deberá también aumentar el gasto en publicidad
en un 10% en el mismo periodo.
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1
Don Pablo: Emilio, en verdad, me ha sorprendido la versatilidad de tu
modelito.
447,7 En realidad,
= 259,428 nunca pensé
– 2,149(97,7) en la
+ 0,098 GPpotencialidad
t + 0,0044(0) de este modelo como
+ 0,091(407,0)
simulador para la toma de decisiones. Honestamente, veo que ahora tenemos
en las manos 447,7
una=herramienta
259,428 – 210,0 + 0,098GP
poderosa t + 0 +nuestras
para planear 37,04 metas de ventas
en función del precio de los libros y el gasto en publicidad como variables que
447,7 – 259,428 + 210,0 – 37,04 = 0,098GPt
juntos podemos controlar.
361,19 = 0,098GPt
Emilio: ¡Papá!, celebro mucho que al final, hayas podido comprender la
importancia de un buen modelo
361,19 econométrico. Desde hoy, no tomaremos
GPt = = $ 3.685,6 miles
decisiones empresariales a0,098
ciegas; en cambio, lo haremos apoyados en una
herramienta versátil como ésta.
Don Pablo: ¿Pero que sigue en adelante?

282
Emilio: El modelo econométrico que hemos construido debe ser objeto de

constante verificación, calibración y actualización para conservar su poder
explicativo, de simulación y de predicción. Como los fenómenos económicos
cambian constantemente, también nuestro modelo debe ser capaz de adaptarse
a los nuevos cambios para responder a los nuevos retos comerciales en un
mundo altamente competitivo.
Don Pablo: Estoy seguro que vamos un paso más adelante que la
competencia. Probablemente, nuestros competidores continúen tomando
decisiones basadas en la intuición, desconociendo el poderío de la econometría.
Ahora entiendo, cómo el conocimiento puede marcar la diferencia.
Emilio: Comparto contigo los alcances de la econometría, pero también

soy consciente, de sus limitaciones y frecuentes críticas. Por cierto, esto lo
discutiremos en el siguiente capítulo.
Don Pablo: ¡Hijo!, delego en ti, el diseño y la implementación de la campaña

publicitaria de la editorial. No subestimes el conocimiento adquirido, que
tanto esfuerzo, dedicación y discusión ha requerido. Hoy, comprendo mejor
que la publicidad es un medio de producir información a bajo costo, puesto
que la recopilación de información tiene un costo en términos del tiempo
que hay que dedicar y que el tiempo tiene un valor implícito. De la forma
más sencilla, la publicidad ahorra tiempo a nuestros clientes, en su esfuerzo
por adquirir información sobre los precios o calidades de nuestros productos.
En el caso de la editorial, estoy más que seguro, que la campaña publicitaria
que emprendamos debe apoyarse en el uso de la red de internet y de otras
herramientas virtuales.
Emilio: ¡Sabes!, siento gran satisfacción por haber comprendido, después

de todo, que la existencia de publicidad reduce la cantidad de tiempo que
nuestros clientes invierten en la búsqueda de precios más bajos. Si ellos invierten
menos tiempo buscando precios más baratos, les queda necesariamente más
tiempo para dedicar a otras actividades más deseables, como trabajar un poco
más, compartir en familia o disfrutar del ocio.
Capítulo 13
UNA SÍNTESIS DE LA
HISTORIA DE LA EDITORIAL
Para visualizar las etapas que ha atravesado el modelo econométrico de

ventas de la editorial a lo largo de los capítulos abordados, se incluye un
resumen muy sintético del desarrollo de nuestro modelo en el contexto de la
aplicación de la metodología econométrica habitual según Gujarati (2010).
13.1 Planteamiento de la teoría o hipótesis relacionada con las

Don Pablo considera que las ventas de la editorial están determinadas por
el precio de los libros (a mayor precio menor volumen de ventas y viceversa),
los demás factores son irrelevantes. Emilio, en cambio, percibe que el precio
es un factor que explica las ventas de la editorial, en alguna medida; pero
también cree que existen otras variables con igual o mayor poder explicativo,
tales como: el precio de la competencia, el gasto en publicidad y la renta
personal de los clientes actuales y potenciales de la editorial.
La hipótesis anterior está contextualizada en el siguiente razonamiento

lógico: “la ciencia económica considera que en un mercado ideal, de libre
competencia de bienes y servicios como de factores productivos, llegarán los
demandantes tratando de obtener la mayor cantidad de bienes al precio más
bajo posible. Aunque el precio es un factor preponderante en la configuración
de la demanda, no es el único. Los oferentes intentarán identificar los factores
que determinan la demanda para sacar mayor provecho de su actividad
económica”.
284
13.2 Especificación del modelo matemático de ventas de la editorial.
La ley de la demanda de amplia aceptación en la economía de mercado

establece que existe una relación negativa o inversa entre el precio de un
bien, servicio o factor productivo y la demanda de un bien, servicio o factor
productivo. Aunque existen ciertas excepciones -como los bienes Giffen y
Veblen-, las dos variables en cuestión se comportarán de esta manera.
Por simplicidad, un matemático podría proponer la siguiente relación

funcional del modelo (ecuación matemática) de ventas en relación con el
precio de la editorial (PEt), el precio de la competencia (PCt), el gasto en
publicidad (GPt) y la renta personal (Rt).
Ventast = 𝛽0 - 𝛽1PEt + 𝛽2PCt + 𝛽3GPt + 𝛽4Rt t = 1, 2,…, T (13.1)
Se supone que en este modelo existen relaciones deterministas o exactas entre

la variable dependiente y las variables explicativas.
13.3 Especificación del modelo econométrico de ventas de la editorial
Emilio consiente de la imposibilidad de establecer relaciones exactas

entre las variables económicas (sin opción al error), especifica el modelo en
función de las variables que lo determinan, teniendo en cuenta que los datos
tienen errores de medición, por lo tanto, las relaciones entre las variables son
inexactas, es decir, existen residuos.
Ventast = 𝛽0 - 𝛽1PEt + 𝛽2PCt + 𝛽3GPt + 𝛽4Rt + 𝜇t t = 1, 2,…, T (13.2)
Emilio, sabiamente ha incluido en el modelo el término de perturbación o

de error estocástico 𝜇t, el cual recoge los errores o residuos en la medición de
la relación entre las variables en estudio.
Los signos (±) que preceden a cada coeficiente indican a priori la dirección
existente entre cada par de variables (dependiente y explicativa), por ejemplo,
el signo menos indica que se sospecha que existe una relación inversa
(negativa) entre las ventas y el precio promedio de la editorial (PEt) y una
relación directa (positiva) de las ventas con el precio de la competencia (PCt),
el gasto en publicidad (GPt) y la renta personal de los clientes (Rt).
285 279
13.4 Estimación
13.4 Estimación de los
de los parámetros
13.4 Estimación parámetros del modelo
del modelo econométrico
de los parámetros econométrico
del modelo de de las
las ventas
ventas de
econométrico dedela editorial
la editorial
las
Para medir
Para medir el
el efecto
efecto marginal
marginal que
que ejerce
ejerce el
el precio
precio sobre
sobre las
las ventas
ventas de
de la
la editorial,
editorial, Emilio
Emilio aa
Para medir el efecto marginal que ejerce el precio sobre las ventas de la
partir de
partir de la
la combinación
combinación de de teoría
teoría económica,
económica, métodos
métodos estadísticos
estadísticos yy datos
datos estimará
estimará el
el siguiente
siguiente
editorial, Emilio a partir de la combinación de teoría económica, métodos
modelo, el
modelo, elestadísticos
cual y datos
cual permitirá
permitirá la estimaráyyelel
la dirección
dirección elsiguiente modelo,que
efecto marginal
efecto marginal el cual
que permitirá
ejerce
ejerce la dirección
cada variable
cada variable explicativa
explicativa
y el efecto marginal que ejerce cada variable explicativa sobre la variable
sobre la
sobre la variable
variable dependiente,
dependiente, así: así:
dependiente, así: EL USO DE LA ECONOMETRIA BASICA 274
̂̂ == 𝛽𝛽𝛽𝛽
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 ̂̂00 -- 𝛽𝛽𝛽𝛽
̂̂11PE ̂̂22PC
PEtt ++ 𝛽𝛽𝛽𝛽 PCtt ++ 𝛽𝛽𝛽𝛽 ̂̂33GP
GPtt ++ 𝛽𝛽𝛽𝛽̂̂44RRtt++ 𝜇𝜇̂𝜇𝜇̂tt tt == 1,2,…,
1,2,…, TT (13.3)
(13.3)
(13.3)
Donde: VVtt representa
Donde: representa
Donde: las ventas
las
V representa ventas de de libros,
las libros,
ventasPE PE el precio
el precio
de ttlibros, promedio
PEtpromedio al que
al
el precio promedio que los losalvende
vende
que los la editorial,
la editorial,
obtener ventas por valort de $ 447,7 millones en el primer trimestre de 2019?
vende la editorial, PCt el precio promedio de la competencia (precio al que
el precio
PCtt el
PC precio promedio
promedio de de la la competencia
competencia (precio (precio al al que
que vendenvenden otras otras editoriales),
editoriales), GP GPtt elel gasto
gasto
Como puede venden otras editoriales),
observarse, la variableGP el gasto
objetivo
t
realizado en
corresponde a las publicidad
ventas de por la la editorial
editorial. En el
realizado en
realizado y publicidad
en t
la renta opor
Rpublicidad poringreso
la promedio
la editorial
editorial yy RRttde los
la renta
la renta clientes
oo ingreso
ingreso de la editorial.de
promedio
promedio de loslos clientes
clientes de de la
la
editorial.
editorial. La estimación del modelo de ventas de la editorial proporciona el siguiente
manteniendoresultado:
como incógnita el precio promedio, así:
La estimación
La estimación del del modelo
modelo de de ventas
ventas de de la la editorial
editorial proporciona
proporciona el el siguiente
siguiente resultado:
resultado:
̂ == 259,428
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 243,20 – 1,91PE 2,149PE +t+ 0,098GP
0,127PC + + 0,0044LGP
t 0,100GP + t + 0,091V(13.4)
0,003R t-1
t t t t
̂̂ ==243,20
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 243,20 –– 1,91PE 1,91PEtt ++ 0,127PC0,127PCtt++ 0,100GP 0,100GPtt ++ 0,003R 0,003Rtt (13.4)
(13.4)
447,7 = 259,428 (59,8) – (0,49) + 0,098(3.352)
2,149PEt (0,33) (0,006)
+ 0,0044(0) (0,003)
+ 0,091(407,0)
(59,8) (0,49)
(59,8) (0,49) (0,33)
(0,33) (0,006) (0,003)
(0,006) (0,003)
RR22 == 92,67%;
92,67%; 𝑅𝑅𝑅𝑅 ̅̅ 22 == 91,84%
91,84%
447,7 = 259,428 – 2,149Pet + 328,5 + 0 + 37,04
En este
En este modelo,
modelo, el el coeficiente
coeficiente de de determinación
determinación indica indica que que el el 92,6%
92,6% de de la la variabilidad
variabilidad de de la
la
En este modelo, 447,7 – el 259,428
coeficiente – 328,5 de –determinación
0 – 37,04 = -2,149PE indica que t el 92,6% de
media de
media la ventas
de las
las variabilidad
ventas de la
de de la media
la editorial
editorial son de las ventas
son explicadas
explicadas porde
por la editorial
el precio
el precio de la
de son explicadas
la editorial
editorial por
(PEtt),), el
(PE el precio de
precio de
82,5 = 2,149PE
el precio de la editorial (PEt), el precio de la competencia (PCt), el gasto en t
la competencia
la competencia (PCtt),), el
(PC
publicidad el gasto
(GP gasto
) y en en publicidad
la publicidad
renta personal (GPtt)) yy la
(GP la renta
renta personal
personal (R (Rtt);); pero
pero aúnaún queda
queda un un
t −177,26 (Rt); pero aún queda un remanente de
7,3% (100% - 92,7% = 7,3%) de las ventas sin explicación, lo que supone
−2,149
remanente de
remanente de 7,3%
7,3% (100%
(100% -- 92,7% 92,7% == 7,3%) 7,3%) de de laslas ventas
ventas sin sin explicación,
explicación, lo lo queque supone
supone que que
que existen otros factores determinantes de las ventas, así como errores en la
existen otros
existen medición
otros factores determinantes
factores determinantes de de las
las ventas,
ventas, así así como
como erroreserrores en en lala medición
medición
13.5 Prueba
13.5 Prueba de de hipótesis
hipótesis del
del modelo
modelo econométrico
econométrico de de ventas
ventas de
de la
la editorial
editorial
A través
A través de
de la
la prueba
prueba de
de hipótesis
hipótesis Emilio
Emilio intentará
intentará demostrará
demostrará aa su
su padre
padre que
que el
el valor
valor dede los
los
coeficientes que
coeficientes que acompañan
acompañan aa laslas variables
variables incorporadas
incorporadas enen el
el modelo
modelo pueden
pueden oo no
no ser
ser relevantes
relevantes
al momento
al momento de de explicar
explicar las
las ventas.
ventas. La
La significación
significación estadística
estadística de
de cada
cada variable
variable se
se demostrará
demostrará
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1
mediante la
mediante la ejecución
ejecución de de contrates
contrates individuales
individuales yy conjuntos.
conjuntos.
286
13.5 Prueba de hipótesis del modelo econométrico de ventas de

la editorial.
A través de la prueba de hipótesis Emilio intentará demostrará a su padre

que el valor de los coeficientes que acompañan a las variables incorporadas
en el modelo pueden o no ser relevantes al momento de explicar las ventas. La
significación estadística de cada variable se demostrará mediante la ejecución
de contrates individuales y conjuntos.
Don Pablo sostiene que el precio de los libros es determinante en la

explicación de las ventas de la editorial, los demás factores son poco
significativos. De otro lado, Emilio sospecha, que si bien, el precio es una
variable con poder explicativo en las ventas de la editorial, también hay otros
factores explicativos como el precio de la competencia, el gasto en publicidad
(con el cual se identifica mucho) y la renta personal.
Se tratará de resolver esta discusión aplicando algunos contrastes

individuales y conjuntos. Mediante la distribución t de Student se concluye
que el precio de la editorial y el gasto en publicidad tienen significancia
estadística al 5%, mientras que el precio de la competencia y la renta personal
de los clientes, han demostrado no ser significativos a este mismo nivel de
significancia. Parece que Don Pablo ha ganado parcialmente esta discusión al
sostener que el precio de la editorial es la variable que explica las ventas de la
editorial, pero también Emilio resulta vencedor al comprobar que el gasto en
publicidad tiene poder explicativo.
Emilio no se siente derrotado por la postura de su padre. Admite que si bien el

precio de la competencia y la renta personal han demostrado individualmente
no ser estadísticamente significativas, considera que conjuntamente que sí
lo son. Para demostrar esto, Emilio efectúa un contraste conjunto apoyado
en la tabla de distribución de Snedecor; los resultados confirman que
globalmente las cuatro variables tienen capacidad explicativa sobre las ventas
de la editorial. Padre e hijo, pese a sus diferencias, deciden conservar en el
modelo estimado (13.4), las variables en discusión y continuar con la revisión
minuciosa de este modelo.
287
A continuación, Emilio ante la mirada intrigante de su padre, efectúa un

análisis de residuos gráfico y numérico, EL prueba la LA
USO DE inclusión de variables
irrelevantes y la omisión de variables relevantes en el modelo, realiza
las pruebas de estabilidad estructural pertinentes, así como la prueba de
estimado hasta ahora, no adolece de ningún problema importante de especificación. Hasta aquí,
especificación de la forma funcional del mismo. Al final de cuentas, el
modelo
todo parece estimado hasta ahora, no adolece de ningún problema importante de
ir bien.
especificación. Hasta aquí, todo parece ir bien.
estimado hasta
13.6 Pronóstico ahora, no adolece de ningún problema importante de especificación. Hasta aquí,
o predicción
todo13.6 Predicción.
parece ir bien.siente satisfacción al saber de qué el modelo (13.4) superó
Don Pablo, aunque
13.6 Pronóstico o predicción
Don Pablo, aunquedesiente satisfacción
satisfactoriamente las pruebas diagnóstico a las quealfue
saber de qué
sometido porelEmilio,
modelo no(13.4)
deja de
superó satisfactoriamente
Don Pablo, las pruebas
aunque siente satisfacción al saberde
de diagnóstico
qué el modelo a(13.4)
las que fue sometido
superó
pensar en
porcuál será lano
Emilio, utilidad
deja deque tendráeneste
pensar cuálmodelo.
será laSin vacilación
utilidad alguna,este
que tendrá le pregunta
modelo.a su
satisfactoriamente las pruebas de diagnóstico a las que fue sometido por Emilio, no deja de
Sin vacilación alguna, le pregunta a su hijo: ¡Hola hijo!, dime ¿qué harás con
hijo: ¡Hola hijo!, dime ¿qué harás con este modelito que tanta discusión ha provocado?
esteen
pensar modelito
cuál será que tantaque
la utilidad discusión hamodelo.
tendrá este provocado?
Sin vacilación alguna, le pregunta a su
De inmediato, Emilio responde: ¡Papá!, usaremos este modelo para predecir el valor que se
hijo: ¡Hola hijo!, dime Emilio
De inmediato, ¿qué harás con este modelito
responde: ¡Papá!, que tanta discusión
usaremos ha provocado?
este modelo para predecir
espera alcancen
el
Devalor las
queventas
inmediato, se deresponde:
espera
Emilio laalcancen
editorial en usaremos
las
¡Papá!, el supuesto
ventas de lade
este que las
editorial
modelo variables
enpredecir
para explicativas
el supuesto
el valorde setomen
queque
las variables explicativas tomen ciertos valores que nosotros podamos fijar y
ciertosespera
valores que nosotros
alcancen las ventaspodamos fijaren
de la editorial y el
controlar.
supuesto de que las variables explicativas tomen
controlar.
Como Don
ciertos Pabloque
valores está muy interesado
nosotros enyreducir
podamos fijar el gasto en publicidad, en al menos, el 10%,
controlar.
Como Don Pablo está muy interesado en reducir el gasto en publicidad, en
Como
le pide aal Don
Emilio Pablo
que
menos, el estálemuy
pronostique
10%, interesado
pide enen
lasa ventas
Emilio reducir el gasto en
unpronostique
que escenario enpublicidad,
queventas
las en
enalun
la editorialmenos, el un
realice 10%,
escenario gasto en
le en
pideque la editorial
a Emilio realicelasunventas
que pronostique gastoenen publicidad
un escenario de la
en que $ editorial
3.016,8realice
en elun
primer
gasto en
publicidad de $ 3.016,8 en el primer semestre de 2019, manteniendo los demás factores
semestre de 2019, manteniendo los demás factores constantes. Don Pablo
publicidad de $ 3.016,8 en el primer semestre de 2019, manteniendo los demás factores
quiere
constantes. Donconocer el valor
Pablo quiere de laselventas
conocer valor en
de el
lasprimer
ventas trimestre de 2019,
en el primer a partir
trimestre de a
de 2019,
los valores
constantes. Don de lasquiere
Pablo variables explicativas
conocer el valor de lascorrespondientes
ventas en el primer al cuartodetrimestre
trimestre 2019, a
partir dede
los2018.
valores de las variables explicativas correspondientes al cuarto trimestre de 2018.
partir de los valores de las variables explicativas correspondientes al cuarto trimestre de 2018.
𝑋𝑋′𝑝𝑝 = [97,7 113,5 3.016,8 5.712,1]
𝑋𝑋′𝑝𝑝 = [97,7 113,5 3.016,8 5.712,1]
Emilio procede a reemplazar estos valores en el modelo obtenido, por lo tanto, la predicción
Emilio
Emilio procede
procede a reemplazar
a reemplazar estos
estos valores valores
en el modeloen el modelo
obtenido, por loobtenido, por lo
tanto, la predicción
tanto,
resultaresulta
ser: la predicción resulta ser:
ser:
𝑌𝑌̂𝑝𝑝 = 𝑌𝑌243,20
̂𝑝𝑝 = 243,20
− 1,91𝑥𝑥97,7 ++
− 1,91𝑥𝑥97,7 0,127𝑥𝑥113,5
0,127𝑥𝑥113,5 +
+ 0,100𝑥𝑥3.016,8
0,100𝑥𝑥3.016,8 + + 0,003𝑥𝑥5.712,1
0,003𝑥𝑥5.712,1 = 388,53
= 388,53
con
con un un intervalo
intervalo de: de:
̂
𝐼𝐼𝐼𝐼(𝑌𝑌 𝑃𝑃 )(1−∝) = [𝑌𝑌𝑃𝑃 ± 𝜎𝜎 ̂𝑒𝑒 𝑡𝑡∝/2 ]
𝐼𝐼𝐼𝐼(𝑌𝑌𝑃𝑃 )0,95 = [388,53 ± (19,73)(2,030)]
𝐼𝐼𝐼𝐼(𝑌𝑌𝑃𝑃 )0,95 = [388,53 ± (19,73)(2,030)]
Emilio procede a reemplazar estos valores en el modelo obtenido, por lo tanto, la predicción
sulta ser:
288
𝑌𝑌̂𝑝𝑝 = 243,20 − 1,91𝑥𝑥97,7 + 0,127𝑥𝑥113,5 + 0,100𝑥𝑥3.016,8 + 0,003𝑥𝑥5.712,1 = 388,53
con un intervalo de:un intervalo de:

con
𝐼𝐼𝐼𝐼(𝑌𝑌𝑃𝑃 )0,95 = [388,53 ± (19,73)(2,030)]
= [348,48 428,58]
Los valores [348,48 428,58] establecen los límites entre los que se espera
que esté el volumen de ventas de la editorial, en el evento de que las variables
explicativas tomen los siguientes valores: PE=97,7; PC=113,5; GP =3.016,8 y
R=5.712,1, al tiempo que el valor central 388,53 (348,48 + 428,58/2 =388,53),
constituye la mejor aproximación puntual al valor que se espera obtener.
Emilio le comenta a su padre, que el valor pronosticado de las ventas de la

editorial en el primer semestre de 2019 será de $ 388,53, con un disminución
de los gastos en publicidad del 10% con respecto al cuarto trimestre de 2018
($ 407,0), manteniendo las demás variables constantes. Emilio, además
agrega: Como tú solo vives preocupado por el comportamiento de los gastos
de publicidad, debes tener presente que una reducción del 10% en este tipo
de gastos traerá consigo una disminución en las ventas de libros de 4,54%.
¡Papá!, ¿acaso, esto es lo que tú quieres?
Don Pablo responde: Pero si disminuimos el 10% en el gasto en publicidad

nos ahorraremos un montón de dinero, así caigan las ventas en 4,54%. ¡Creo
que esta podría ser una buena decisión!
Emilio replica: Otra vez, veo que cometes ligerezas en tu análisis financiero.
El 10% de ahorro en publicidad equivale a $ 0,34 millones, mientras que una
caída de 4,54% en las ventas generará una disminución de $ 18,5 millones
en nuestros beneficios brutos. Ahora, ¿si entiendes la importancia de un buen
modelo econométrico para la toma de decisiones empresariales?
Don Pablo y Emilio caen en cuenta que en el modelo de ventas de la editorial

se les ha pasado por alto el fenómeno del incremento que experimentan las
ventas en el periodo vacacional (julio a septiembre). Dicho fenómeno puede
asociarse a que en la época veraniega los clientes disponen de más tiempo
libre para la lectura.
289
EL USO DE LA ECONOMETRIA B
Para comprobar esta hipótesis Emilio especifica el siguiente modelo:

tanto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los
Vt = 𝛽de0 +
obtener ventas por valor 𝛽1Lt +millones
$ 447,7 𝜇tEL USOen
EL
DE USO
LAprimer
el (13.5)
ECONOMETRIA
DE LA ECONOMETRIA
BASICA
trimestre BASICA
283
de 2019? 283
ParaComo
Para comprobar estapuede
comprobar estaobservarse,
hipótesis
hipótesis la variable
Emilio especifica
Emilio objetivo
especifica
el siguiente corresponde
el siguiente
modelo: modelo: a las ventas de la editori
Donde: Vt = Ventas de la editorial y Lt = Número de horas semanales de lectura
modelo econométrico + t𝛽𝛽=1Lfinal
Vt = 𝛽𝛽0 V 𝛽𝛽t0++𝜇𝜇𝛽𝛽tprocederemos
1Lt + 𝜇𝜇t
a reemplazar los valores
(13.5) (13.5) en las variables de
Emilio mediante MCO estima este nuevo modelo, obteniendo los siguientes
manteniendo
resultados:
Donde: Donde:
Vt = Ventas como
Vt = de
Ventas incógnita
la editorial
de la editorial
y Lt = elNúmero
precio promedio,
y Lt = Número así: semanales
de horasdesemanales
horas de lectura
de lectura
Emilio mediante ̂
Emilio mediante
MCO estima
MCOeste
estima
nuevo –+2,149PE
estemodelo,
332,943 nuevo modelo,t +obteniendo
0,098GP
obteniendo
47,197Lt +(13.6)
0,0044LGP
los siguientes
tlos siguientes
resultados:t + 0,091Vt-1
resultados:
̂ 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
447,7
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 =̂
332,943
= 332,943
+ –47,197Lt
(11,08)
259,428 + 47,197Lt
(22,16)
2,149PEt + 0,098(3.352)(13.6)+ 0,0044(0)
(13.6) + 0,091(407,0)
(11,08) (11,08)
(22,16) (22,16)
R2 =447,7
10,67%; 𝑅𝑅̅2 = 8,31%
R2R=2 =10,67%;
=10,67%;
259,428 R𝑅𝑅̅–22 =2,149Pet
= 8,31%
8,31% + 328,5 + 0 + 37,04
Con la prueba
Con la de
prueba
hipótesis
de hipótesis
a un nivel
a un
447,7denivel
significación
de significación
– 259,428 –estadística
328,5estadística
– 0de–5%, se
de concluye
37,04 5%, se concluye
que
= -2,149PE que
t
Con la prueba de hipótesis a un nivel de significación estadística de 5%,
existe unexiste
diferencial
un diferencial
se concluye quesignificativo
existesignificativo
en las ventas
un diferencialen lasdeventas
la editorial
de la editorial
significativo cuando cuando
82,5 =en2,149PE
es verano
las ventast
es con
de verano
respecto
con respecto
la editorial al al
restocuandoaño.es
delresto delverano
año. con respecto al resto del año. −177,26
−2,149
En elEn el elmodelo
modelo
En modelo se
se incluye incluye
se incluye elefecto
efecto
el efectoelestacional aestacional
estacional laavariable
travésadetravés través det, la
de la variable
LG variable LGtasí
LGt, evitando
evitando , las
así sesgar sesgar las
evitando así sesgar
Si Don las estimaciones
Pablo pretende incrementar y obteniendo
las ventas de al lamismo
editorial tiempo una trimestre
en el primer
estimaciones
estimaciones
y obteniendo
y obteniendo
al mismo al tiempo
mismo unatiempoestimación
una estimación
precisa precisa
de los coeficientes,
de los coeficientes,
por lo por lo
estimación precisa de los coeficientes, por lo tanto, el resultado obtenido es:
un 10%,
tanto, eltanto,
resultado deberáobtenido
el resultado
obtenido reducir
es: el precio promedio de los libros en un 15,6% en el mismo per
es:
̂ Ahora,
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 =̂ 233,204
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 simularemos
= 233,204
– 1,821PE otra situación:
– 1,821PE
t + 0,194PC
t + 0,194PC
¿cuál
t + 0,096GP
debe tser
t + 0,096GP
t + 0,003R +el0,0049LGP
gasto
+ t0,003R en publicidad,
t + 0,0049LGP
t (13.7)
t
si la edit
(13.7)
pretende obtener
(57,11) ventas(0,47)
(57,11)
(0,47) por(0,31)
valor(0,31)
de(0,006)
$ 447,7 millones
(0,006) en
(0,003) (0,003)el primer
(0,002) (0,002)trimestre de 2019?
RLa
2 incógnita es
𝑅𝑅̅2 el
R2 = 93,55%;
= 93,55%; gasto
𝑅𝑅̅2 = en
= 92,60%; publicidad
92,60%;
Σ𝜇𝜇̂ 2
Σ𝜇𝜇̂ 2 =(GP
= 10.099,25 t), por lo tanto:
10.099,25
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1

ParaPara evitar
evitar
Para más más
evitar
dudas dudas
másde
dudas
su padre,
dedesusu padre,
Emilio
padre, Emilio
aplica
Emilio aplica
alaplica
modelo al modelo
al modelo
obtenido, obtenido,
obtenido,
las pruebas
las pruebaslasdisponibles
disponibles
pruebas disponibles para
447,7 la detección
= 259,428 de problemas
– 2,149(97,7) de heteroscedasticidad
+ 0,098 y
GPt + 0,0044(0) + 0,091(407,0)
para la detección
para la detección
de problemas
de problemas
de heteroscedasticidad
de heteroscedasticidad
y autocorrelación.
y autocorrelación.
Dichas pruebas
Dichas pruebas
autocorrelación. Dichas pruebas confirman que el modelo no adolece de tales
problemas 447,7 tela=de259,428 –la210,0 + 0,098GP t + 0 + 37,04
confirman que elque
confirman quepueden
modelo
el modeloponer
no adolece entales
no adolece
de de juicio
problemas
tales queeficiencia
problemaspueden de los
que pueden
poner estimadores,
enponer
tela de
en juicio
tela delajuicio la
y por ende, su capacidad explicativa y predictiva.
eficiencia
eficiencia
de los estimadores,
de los estimadores, y447,7
y por ende, – 259,428
porsuende,
capacidad + 210,0
su capacidad
explicativa y–predictiva.
37,04
explicativa = 0,098GPt
y predictiva.
AunqueAunque
Don Pablo
Donreconoce
Pablo reconoce
que el modelo
que el modelo361,19
estimado = por
estimado 0,098GP
por Emilio cada
Emilio
vez
t cada
ha adquirido
vez ha adquirido
más más
361,19
solidez solidez
y capacidad
y capacidad
explicativa,
explicativa,
aún le preocupa
aún le preocupa
algo.
GP t = Recuerda
algo. =Recuerda
$las3.685,6
palabras
las palabras
de su padre,
miles de suquien
padre, quien
0,098
290
EL USO DE LA
EL ECONOMETRIA BASICA 284
USO DE LA ECONOMETRIA BASI
Aunque Don Pablo reconoce que el modelo estimado por Emilio cada
vez ha
efecto, peroadquirido
aseguraba
efecto, pero más
que solidez
aseguraba ytrimestre
si en unque capacidad explicativa,
setrimestre
si en un vendía mucho, aún le preocupa
al trimestre
se vendía mucho, algo.las
siguiente,
al trimestre ventas las
siguiente,
Recuerda las palabras de su padre, quien solía decir que “las ventas de la
se editorial
incrementaban elensiguiente
algo másen
seenincrementaban y viceversa.
algo mástenían
trimestre y viceversa.
mucho que ver con lo que hubiera
pasado en el trimestre anterior”; aunque nunca supo a qué podría atribuirse
Emilio paraEmilio
comprobarpara que tan cierto
comprobar quepuede ser este
tan cierto efecto,
puede en elefecto,
ser este modeloendeelventas
modelodedelaventas de
ese efecto, pero aseguraba que si en un trimestre se vendía mucho, al trimestre
siguiente,
editorial las ventas
introduce
editorialcomo se incrementaban
variable
introduce como variable en
explicativa, lasalgo más
ventas
explicativa, y viceversa.
retardadas
las ventasun periodo (V
retardadas ), obteniendo
unt-1periodo (Vt-1), obt
así, elEmilio
modelo final.
así,para
el modelo final. que tan cierto puede ser este efecto, en el modelo
comprobar
de ventas de la editorial introduce como variable explicativa, las ventas
Don Pablo expresa su alegría
Don Pablo expresapor
su el logropor
alegría obtenido.
el logroSeobtenido.
resiste a Se
creer que al
resiste final que
a creer de cuentas,
al final de c
retardadas un periodo (Vt-1), obteniendo así, el modelo final.
el modelito el
como lo llama
modelito él, lo
como haya dado
llama él,respuesta
haya dadoa respuesta
cada uno de los interrogantes
a cada expresados expres
uno de los interrogantes en
Don Pablo expresa su alegría por el logro obtenido. Se resiste a creer
su que
debido
al momento
final por
su debido cada uno
momento
de cuentas, decada
el por los dos.
modelito uno Ahora
de losloél
como entiende
dos. él, que
Ahora
llama él lasdado
sucesivas
entiende
haya que lasdiscusiones, el
sucesivas discusi
respuesta
a cada uno de los interrogantes expresados en su debido momento por cada
tiempo y el tiempo
esfuerzoy invertidos
el esfuerzovalieron la pena.
invertidos La editorial
valieron cuenta
la pena. La con un
editorial modelo
cuenta con robusto querobu
un modelo
uno de los dos. Ahora él entiende que las sucesivas discusiones, el tiempo y
el esfuerzo
explica invertidos
y predice predicevalieron
lasy ventas
explica ylas laytomar
permitirá
ventas pena. La tomar
editorial
mejores
permitirá cuenta
decisiones
mejores con uncomerciales.
comerciales.
decisiones modelo
robusto que explica y predice las ventas y permitirá tomar mejores decisiones
comerciales.
̂ = 259,428
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 ̂ –=2,149PE
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 259,428t +– 0,098GP
2,149PEtt ++0,098GP
0,0044LGP (13.8)
+ 0,091Vt-1t + 0,091V
t + t0,0044LGP (13.8)
t-1 (13.
(44,64) (0,40)
(44,64) (0,006)
(0,40) (0,002)
(0,006) (0,047)
(0,002) (0,047)
R2 =𝑅𝑅̅93,67%;
R2 = 93,67%; 2
= 92,92%𝑅𝑅̅2 = 92,92%
13.7 Uso del modelo para fines de control o de política.

13.7 Uso del13.7
modelo para
Uso del fines de
modelo control
para fines odedecontrol
políticao de política
Como exigencia final, Don Pablo le pide a Emilio que simule un aspecto
que
Comosiempre
exigenciale ha
Como inquietado:
final, final,Sile
Don Pablo
exigencia la editorial
pide
Don a Emilio
Pablo fijará como un
quea simule
le pide Emilio meta para que
queaspecto
simule el
un primer
siempreque
aspecto le ha
siempre
trimestre de 2019, incrementar sus ventas (Vt+1) en 10% ($407,0 x 1,10 =
inquietado: inquietado:
$447,7), Si la editorial
manteniendo Si fijará como fijará
laconstante
editorial meta para elmeta
comoen
el gasto primer trimestre
para el primer
publicidad, detrimestre
2019, incrementar
considerando de
que2019, sus
el incrementar
primer
ventas trimestre
(Vt+1 ) en 10%
ventas (Vde($)2019
t+1 407,0
en 10% no periodo
x 1,10
($ xvacacional,
= $ 447,7),
407,0 por consiguiente,
1,10 manteniendo
= $ 447,7), LGP
gasto =en0publicidad,
constante elconstante
manteniendo elygasto en publ
Vt-1 = $407,0 (ventas retardadas un periodo, es decir, las ventas
considerando que el primer
considerando
correspondientes al que trimestre
cuartoel primer detrimestre
trimestre2019de no de
periodo
2019 vacacional,
2018). no periodo
¿Cuál debe porser
consiguiente,
vacacional, LGP = 0 L
por consiguiente,
el precio
promedio de los libros para obtener ventas por valor de $447,7 en el primer
y Vt-1 = $ 407,0
y Vt-1(ventas retardadas
= $ 407,0 (ventasun periodo, un
retardadas es decir, lases
periodo, ventas
decir,correspondientes al cuarto al c
las ventas correspondientes
trimestre de 2019?
trimestre detrimestre
2018). ¿Cuál debe ¿Cuál
de 2018). ser el precio promedio
debe ser el preciodepromedio
los librosdepara
los obtener ventas
libros para por valor
obtener ventas p
de $ 447,7 en
deel$ 447,7
primeren
trimestre detrimestre
el primer 2019? de 2019?
EL
ELUSO
USODEDE
LALA
ECONOMETRIA
ECONOMETRIA
BASICA
BASICA
285 285
Como
milio
o procede puede
procede observarse,
a despejar
a despejar la variable
lalaincógnita
incógnita de objetivo
de interés
interésde
desu
EL corresponde
supadre,
USOpadre,
DE LAasí:así: a las ventas BASICA
ECONOMETRIA de la editorial.
285 En el
291
modelo ̂ econométrico
̂ = =259,428
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 259,428 final procederemos
––2,149PE
2,149PE tt +
+ 0,098GP
0,098GP a reemplazar
t+t+ 0,0044LGP
0,0044LGP los tvalores
+ t0,091V ent-1last-1variables de control
+ 0,091V
rocede a despejar la incógnita de interés de su padre, así:
manteniendo
447,7
447,7 como
= =259,428
259,428 incógnita
Emilio procede
––2,149PEt
2,149PEt el precio
a+ despejar promedio,
0,098(3.352)
0,098(3.352) la incógnita así:
+ +0,0044(0)
0,0044(0) de +interés de su padre, así:
0,091(407,0)
+ 0,091(407,0)
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1
̂ 447,7===259,428
447,7 259,428
259,428 –– 2,149Pet
2,149PE+tt ++328,5
2,149Pet 0,098GP
328,5 ++ ++37,04
0 +0tt37,04 0,0044LGPt t++0,091V
0,0044LGP 0,091Vt-1t-1
447,7 = 259,428 – 2,149PEt + 0,098(3.352) + 0,0044(0) + 0,091(407,0)
447,7447,7= 259,428
447,7 447,7
––259,428
259,428 =–259,428
328,5––2,149PEt
2,149PEt
– 328,5 –37,04 + 0,098(3.352)
–0+0–0,098(3.352)
37,04 == -2,149PE
-2,149PE + 0,0044(0)
+ 0,0044(0)
t t
+ 0,091(407,0)
+ 0,091(407,0)
447,7 = 259,428 – 2,149Pet + 328,5 + 0 + 37,04
447,7
447,7==82,5259,428
259,428 ––2,149Pet
2,149Pet ++328,5
328,5++00++37,04 37,04
82,5 ==2,149PE
2,149PE t t
447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PEt
447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PEt
447,7 – −177,26
259,428 – 328,5 – 0 – 37,04 = -2,149PEt
−177,26
PEtt =
PE ==$$82,5 82,5miles miles
82,5 =82,5 = 2,149PEt
−2,149
−2,149
2,149PE t
82,5 = 2,149PEt
milio
o responde
responde a sua supadre:
padre:¡Mira¡Mira
PEt = papá!,
papá!,
−177,26 si
si tu
tu intención
intención
= $ 82,5 miles esesincrementar
incrementar las las
ventas
ventasde lade la
−2,149 −177,26
en
ial enel primer
el primertrimestre
trimestrede de2019
2019 en un un 10%, 10%,−2,149
deberás
deberásreducir reducir el precio
el precio
EL USO DElas
promedio
promedio
LAventas
de los
ECONOMETRIA
de losBASICA 274
esponde a su padre: ¡Mira papá!, si tu intención es incrementar de la
Emilio responde a su padre: ¡Mira papá!, si tu intención es incrementar
en Si
un un Don
15,6%15,6% Pablo
enenlas pretende
elelmismo
mismoperiodo,
ventas
incrementar
periodo,
de manteniendo
manteniendo
laeneditorial
las ventas las de
lasdemás
demásla variables
editorial
variables en constantes.
el primer trimestre de 2019 en
deconstantes.
el primer trimestre de 2019 un 10%,endeberás el primer reducirtrimestreel precio 2019
promedioen unde 10%,los deberás
tanto, la pregunta a resolver
reducir el el es la
precio promedio siguiente: ¿Cuál
dedelos debe ser el precio promedio deperiodo,
los libros para
ountambién
milio 10%,
tambiéndeberáinvitareducir
invita padreprecio
a asusupadre promedio
aa simular
simular otra
otrasituación
situación loslibros
libros
que que
enenun
le le
pareceun15,6%
parece 15,6% en
en el
interesante:
interesante:
mismo
el¿cuál
mismo debeperiodo.
¿cuál debe
n 15,6% en el manteniendo mismo periodo, las manteniendo
demás variables las demás
constantes. variables constantes.
to Ahora,
gasto en en simularemos
publicidad,
publicidad, otra situación:
sisilalaeditorial
editorial pretende¿cuál
pretende obtener
obtener debe ser el
ventas
ventas gasto
porporvalor en
valordepublicidad,
$de447,7
$ 447,7 si
millones la en
milloneseditorial
en
ambién invita a su padretambién
Emilio a simularinvita otra situación
a su padre que a le pareceotra
simular interesante:
situación ¿cuál
que debe
le parece
pretende
mer trimestre obtener
trimestre ventas por
interesante:
dede2019? 2019? valordebe
¿cuál de $ser 447,7 millones
el gasto en en el primer si
publicidad, trimestre de 2019?
la editorial pretende
en publicidad, si la editorial pretende obtener ventas por valor de $ 447,7 millones en
modelo econométrico obtener ventas por valor de $a447,7
final procederemos reemplazarmillones losen el primer
valores en las trimestre
variables de de
2019?
control
ógnita
incógnita Laes
es elincógnita
gastoenenes
elgasto el gasto en
publicidad
publicidad (GP
(GPpublicidad
),
tt ), por
por lo
lo (GP
tanto:
tanto: t ), por lo tanto:
imestre de 2019?
manteniendo como incógnita es
La incógnita el el
precio
gastopromedio,
en publicidad así: (GPt), por lo tanto:
̂ ̂ ̂
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉= =259,428 = 259,428
259,428––2,149PE – 2,149PE
2,149PEtt ++ 0,098GP 0,098GP + 0,098GP t + 0,0044LGP + 0,091Vt-1
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 t t+t+ 0,0044LGP
0,0044LGP t + t0,091V
+ 0,091V t-1t t-1
gnita es el gasto ̂ en publicidad (GPt), por lo tanto:
259,428 –– 2,149PE2,149PEtt ++ 0,098GP 0,098GPtt ++ 0,0044LGP0,0044LGPtt ++ 0,091V 0,091Vt-1t-1
447,7
447,7 447,7
= =259,428
259,428 = –259,428
–2,149(97,7)– 2,149(97,7)
2,149(97,7) ++ 0,098
0,098GP GP+t 0,098 GPt ++0,0044(0)
+t +0,0044(0)
0,0044(0) 0,091(407,0)
+ 0,091(407,0)+ 0,091(407,0)
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1
447,7 = 259,428 447,7–=2,149PEt
259,428 – +2,149(97,7) 0,098(3.352) + 0,098 GPt + 0,0044(0)
+ 0,0044(0) + 0,091(407,0)
+ 0,091(407,0)
447,7 447,7
447,7==259,428
259,428 = –259,428
210,0++–0,098GP
210,0 210,0 +t +0,098GP
0,098GP t+
0 +0 37,04
+ 37,04t + 0 + 37,04
447,7 = 259,428 – 2,149(97,7) 447,7 == + 0,098 GP
259,428 t + 0,0044(0) + 0,091(407,0)
447,7 259,428 –– 2,149Pet
210,0 + 0,098GP
+ 328,5 t++00++37,04 37,04
447,7 447,7
447,7––259,428 – 259,428
259,428 ++ 210,0 210,0––37,04 + 210,0 –
37,04= =0,098GP 37,04
0,098GP =
t t
0,098GP t
447,7 – 259,428
447,7 = 259,428 – 210,0 + 0,098GPt + 0 + 37,04 + 210,0 – 37,04 = 0,098GP
447,7 – 259,428 – 328,5 – 0 – 37,04 = -2,149PE t
t
361,19
361,19 == 361,19
0,098GP
0,098GP = 0,098GP
t t t
447,7 – 259,428 361,19+=210,0 0,098GP – 37,04
t = 0,098GPt
82,5 = 2,149PEt
361,19
GPtt == GP=t==($$3.685,6 = miles
$miles
3.685,6 ( miles
361,19
361,19
GP 3.685,6
361,19
0,098= 0,098GP
0,098 0,098
−177,26 t
−2,149
la
ditorial
editorialquiere
quierevendervender
Si $GP
$447,7
447,7
la editorial
t=
millones
millones
361,19
quiere en
= $ vender enelelprimer
3.685,6 primer
$miles
447,7trimestre
trimestre
millonesde de
2019,
2019,
en deberá deberá
el primer gastargastar
en en de
trimestre
0,098
Si Don Pablo 2019, pretende
deberáincrementar
gastar en publicidad las ventas de la editorial
$ 3.685,6 miles en enel primer
el mismo trimestre de 2019 en
trimestre,
didad
$ 3.685,6
$ 3.685,6miles milesenenelelmismo
mismo trimestre,
trimestre, manteniendo
manteniendo fijas
fijas
laslas
demásdemásvariables.
variables.
Si Don Si Don
torial quiere vender manteniendo
$ 447,7fijas las demás
millones en elvariables.
primer trimestre Si Donde Pablo
2019, se deberá
propone incrementar
gastar en
$ 3.685,6 miles en el mismo trimestre, manteniendo fijas las demás variables. Si Don
292
las ventas de la editorial en el primer trimestre de 2019 en un 10%, deberá

también aumentar el gasto en publicidad en un 10% en el mismo periodo.
Emilio complementa su intervención diciendo: ¡Querido papá!, estos

pequeños ejercicios nos permiten concluir que a partir del modelo final de
ventas de la editorial, podríamos simular diferentes situaciones, por ejemplo,
determinar el valor del gasto en publicidad en el tercer trimestre de 2019,
conociendo de antemano, que en el periodo vacacional las ventas se elevan
por efecto del incremento de las horas de lectura de los clientes de la editorial,
en especial, en el grupo de mujeres con estudios universitarios.
Don Pablo cierra esta discusión reconociendo que el modelito final le

sorprende aún más. En verdad, este modelito nos será muy útil para la futura
toma de nuestras decisiones empresariales. Solo nos resta estar atentos a los
cambios que surjan en el desempeño de la editorial para calibrarlo, actualizarlo
y probar su poderío explicativo y predictivo.
Capítulo 14
LIMITACIONES DE LA ECONOMETRÍA
Como ha podido apreciarse a lo largo de este texto, la econometría es la

combinación de teoría económica, métodos estadísticos y datos empíricos
en el análisis económico moderno. Muchos estudiosos de la econometría
concuerdan que esta disciplina se concibió como un intento sistemático y
cuantitativo de otorgar mayor carácter científico a la ciencia económica
con el propósito de acercarla más a las ciencias puras, es decir, a las
ciencias naturales como la física, la química, la biología, la astronomía, la
paleontología y la geología, que se apoyan en el razonamiento lógico y en
el método experimental de las ciencias formales como la matemática y la
lógica. Desde esta perspectiva, parece ser que la ciencia económica es muy
atrevida en pretender parecerse a las ciencias formales; precisamente, esto es
lo que busca al usar el instrumental matemático y estadístico en el estudio de
la conducta humana.
Ekelund y Hébert (2005) afirman que, “el principal argumento para la

continua formalización (es decir, matematización) de la economía es que
la disciplina no puede llegar a ser verdaderamente científica hasta que no
sea lo rigurosa y completa que debe ser una ciencia; en otras palabras, hasta
que sus proposiciones fundamentales hayan sido contrastadas y probadas. La
teoría sin verificación (o potencial verificación) tiene una utilidad limitada.
Los hechos, sin una teoría forjada en la lógica de las matemáticas, carecen
de significado. Por lo tanto, los economistas de la corriente principal
argumentan que un mayor respeto por la economía, como disciplina científica
e independiente, solo se conseguirá por medio de la constante aplicación de
rigurosos instrumentos matemáticos y estadísticos” (p.643).
294
Continuando con estos autores, el moderno campo de la economía empírica,

o econometría, hablando en términos generales, consiste en la aplicación de
métodos matemáticos y estadísticos a los datos económicos, a fin de verificar y
mejorar la teoría económica. Su objeto es explicar y predecir el comportamiento
económico en el contexto de la teoría. Dentro de los límites de la inferencia
estadística, la econometría intenta contrastar la teoría económica utilizando
los datos históricos y prever los acontecimientos económicos utilizando una
combinación de teoría económica y datos económicos.
Los métodos econométricos son fuertemente criticados por la corriente

económica heterodoxa, en particular, la causalidad como soporte básico.
Según Lorente (2018:23), la causalidad afirma que un evento genera o
produce al otro, enunciado que va más allá de una simple asociación o de una
correlación estadística, y que permite integrar la relación funcional dentro
de un esquema más general y de tipo explicativo, es decir, en una teoría que
podría señalar límites de validez para esa relación funcional, o sugerir nuevas
variables y relaciones que enriquezcan la explicación o, en ciertos casos,
descubrir alguna inconsistencia que obligue a revisar todos los supuestos
fundamentales.
A continuación en términos jocosos, citaremos algunas críticas sobre

la econometría de labios de verdaderos expertos en esta disciplina. Para
Cuthberston et al, (1992), la econometría aplicada no puede concebirse de
manera mecánica: necesita comprensión, intuición y habilidades. Para Hendry
(1995:68) (…) por lo general atravesamos puentes sin preocuparnos por la
solidez de su construcción, pues tenemos la certeza razonable de que alguien
verificó con rigor los principios y prácticas de la ingeniería. Los economistas
deben hacer esta verificación con los modelos, o al menos anexar la siguiente
advertencia a su modelo: “no nos hacemos responsables si al emplearse se
provoca un colapso”; y finalmente, Kennedy (1992:82), considera que la
búsqueda de la “verdad” por parte de los economistas a lo largo de los años ha
dado origen al punto de vista según el cual los economistas son personas que
buscan en un cuarto oscuro un gato negro que no existe; a los econometristas
por lo general se les acusa de haberlo encontrado”.
295
Parafraseando a Ekelund y Hébert (2005), algunos críticos mantienen

serias reservas sobre esta opinión. Argumentan que la naturaleza de la ciencia
social, de la que la economía es una parte, hace imposible la formulación y
verificación exactas. Algunos de los problemas centrales de la econometría
contemporánea se refieren a las formalizaciones inexactas o incompletas de
la teoría económica y a diversas insuficiencias de las muestras de datos y de
los errores aleatorios, inherentes a la medición de las variables. Hablando en
general, las técnicas econométricas modernas son más apropiadas cuando las
muestras de datos son grandes; con todo, en muchos casos, no existen grandes
muestras de datos. Así pues, la cantidad y calidad de los datos económicos son
a menudo insuficientes para la tarea que debe desarrollarse. En contraste con
las condiciones que se dan en las ciencias físicas y naturales, la recogida de
la mayoría de datos económicos no está determinada o diseñada de antemano
para satisfacer contrastaciones de la teoría económica.
La economía es una ciencia social que estudia el comportamiento o conducta

de los agentes económicos (hogares, empresas y gobierno). La escuela
neoclásica considera que estos agentes son racionales y optimizadores, que
toman decisiones económicas ancladas en la maximización de sus intereses
y objetivos, esto no siempre resulta ser cierto. Los agentes económicos
interactúan en ambientes de alta incertidumbre guiados por expectativas
cambiantes y por pasiones, muchas veces. Para Ariely (2008), la irracionalidad
también puede ser una fuente importante de aprendizaje en la toma de
decisiones. Este autor no defiende que seamos esencialmente racionales
sino que somos previsiblemente irracionales, es decir, somos constantes en
nuestra irracionalidad o sistemáticamente irracionales. Sus experimentos le
han permitido concluir que vivimos en dos mundos: uno regido por normas
sociales y otro por normas mercantiles. Cuando nos comportamos con
normas sociales solemos ser generosos y solidarios; cuando lo hacemos por
las mercantiles, nos volvemos autónomos y egoístas.
La conducta económica no se comporta de manera lineal y de forma

predecible. La irracionalidad económica es lo que mejor caracteriza a los
agentes económicos. Si la conducta económica es más irracional que racional,
los datos que se recojan del comportamiento humano no son experimentales,
por ende, están sujetos a error y se constituyen en aproximaciones de los
fenómenos económicos.
296
La econometría, si bien establece relaciones estadísticas entre variables

a través de contrastes de significancia estadística como los estudiados en
el capítulo 4 para rechazar o no la hipótesis nula, muchas veces es incapaz
de establecer relaciones prácticas entre dichas variables. La significación
estadística no siempre puede interpretarse como significación práctica o
significación absolutamente económica.
Se cuestiona con bastante frecuencia la poca confiabilidad de los datos

económicos. Estos no se derivan de experimentos controlados, sino que
corresponde a datos observacionales aproximados del comportamiento
humano, basados en alguna medida, en percepciones; por consiguiente, si
los datos adolecen de deficiencias en su obtención y la teoría económica no
es totalmente firme, no es justo que los métodos estadísticos (si es que en
verdad, son perfectos) asuman toda la responsabilidad en la explicación de
los fenómenos económicos.
La econometría pretende explicar el presente y pronosticar el futuro a par-

tir de datos del pasado. La econometría da cuenta de su capacidad explicativa
y predictiva en un rango de datos históricos (cuando se trabaja con series
temporales) previamente definido por el investigador. Si este rango se modi-
fica, también se alterarán los coeficientes de la regresión. Esto conduce a que
los pronósticos realizados por la econometría sean de corto plazo y que los
modelos estén en constante verificación, actualización y re-especificación.
En una entrevista publicada en The Economic Journal (mises.org),

en 1939, John Keynes criticó el trabajo econométrico realizado por Jan
Tinbergen - Premio Nobel de Economía 1969, argumentando que: a) la
economía no es homogénea a lo largo del tiempo, lo que equivale a decir que
los factores ignorados (nos referimos a las variables contenidas en el término
de perturbación) en la modelación econométrica tienen que permanecer
constantes, de forma que no alteren los descubrimientos empíricos; b) No todos
los factores relevantes (factores políticos, sociales y psicológicos, incluyendo
cosas como políticas públicas, el progreso de la invención y el estado de
las expectativas) para explicar un fenómeno económico no tienen que ser
cuantificables y medibles estadísticamente; c) las variables explicativas en un
modelo no siempre son independientes (ausencia de multicolinealidad), sino
297
son independientes se corre el riesgo de obtener correlaciones espurias; y d)

no siempre existe linealidad entre las variables, aun cuando la econometría
ha desarrollado técnicas para transformar variables, y de este modo, linealizar
ecuaciones, este procedimiento corre el riesgo de falsar teorías; en otras
palabras, “torturar los datos para ajustar la realidad a una teoría pre-existente,
convirtiendo a la econometría en una técnica de abuso y manipulación”.
Las anteriores consideradas no suponen en ningún momento que la

econometría carezca de validez teórica y aplicada, sino más bien, que los
modelos econométricos son limitados por la misma naturaleza social de la
economía. Ahora, escuchemos las opiniones de los protagonistas de ésta
didáctica y divertida historieta.
Don Pablo: Si en el proceso de construcción del modelo econométrico de

las ventas de la editorial se pudo constatar, el poderío de la econometría para
explicar y predecir fenómenos económicos cotidianos; no entiendo, ¿dónde
estriban las debilidades de esta disciplina?
Emilio: ¡Papá!, tú recuerdas que cuando estimamos el modelo de ventas

de la editorial, hablamos de los parámetros o coeficientes de la pendiente que
acompañan las variables explicativas, ¿si lo recuerdas? Así pues, viene la
primera limitación. Dichos coeficientes son solo una estimación de la relación
causa-efecto que se teoriza. Dicho de otra forma, el investigador que emplee
esta técnica no puede estar nunca enteramente seguro de que los coeficientes
reflejen la relación verdadera. Solo puede confiar en que la estimación sea
correcta dentro de determinados intervalos probabilísticos, es decir, un
intervalo de confianza de un 5% significa que la técnica proporcionará la
respuesta correcta el 95% de las veces. Las técnicas de regresión son incapaces
de proporcionar una prueba concluyente de las hipótesis seleccionadas; no
podemos estar nunca completamente seguros de que un estimador capta las
auténticas relaciones. No obstante, la econometría puede desarrollar técnicas
estadísticas que aumentan la confianza en las estimaciones.
Don Pablo: Estos argumentos esbozados por críticos de las imperfecciones

y limitaciones de la econometría, ¿estarían señalando que no se debe utilizar
esta disciplina en el análisis económico?
298
Emilio: Nunca pretendí decir esto. El desarrollo de la econometría le

ha permitido a la ciencia económica explicar fenómenos que hubiese sido
imposible comprenderlo sin la existencia de las técnicas econométricas hoy
disponibles. Por ejemplo, hoy las autoridades económicas y los bancos centrales
de los países pueden tomar mejores decisiones de política económica gracias a
los modelos macroeconométricos disponibles; igualmente, nosotros podemos
programar metas más ambiciosas de ventas de la editorial, manipulando
variables clave como el precio de los libros y el gasto en publicidad.
Don Pablo: Pero al fin, ¿es recomendable o no utilizar las técnicas

econométricas disponibles?
Emilio: Por supuesto que sí. El uso de la econometría en los estudios

empíricos permite explicar fenómenos económicos y generar conocimiento
valioso. Solo considero oportuno, que en su uso, se tengan en cuenta sus
limitaciones y la naturaleza misma de la economía como ciencia social.
Don Pablo: He escuchado que la econometría ha tenido un desarrollo

vertiginoso desde comienzos del siglo XX. ¿Este desarrollo aumenta el
poderío de las técnicas econométricas?
Emilio: Ekelund y Hébert (2005), sostienen que aunque una teoría

inadecuada y unos datos incompletos no son razones suficientes en sí mismas
para rechazar los métodos cuantitativos, algunos críticos argumentan que los
costos de diseño y recogida necesarios para asegurar una calidad elevada de
los datos son prohibitivos. El trabajo incesante de expertos en esta disciplina
está conduciendo a mejorar los métodos de estimación y de contrastación de
hipótesis, y las agencias gubernamentales y organizaciones privadas están
preocupadas por producir bases de datos confiables y actualizados para el
ejercicio empírico. En este orden de ideas, es recomendable que el economista
y el profesional de las ciencias sociales disponga de un arsenal de técnicas
y métodos cuantitativos y cualitativos que bajo una combinación sabía, le
permitan encontrar respuestas a problemas existentes. Debe recordarse que la
economía incorpora proposiciones normativas y positivas.
Don Pablo: ¡Ya logré captar el mensaje! El uso de la econometría es

valioso para el trabajo empírico y la investigación económica, pero hay que
299
comprender sus limitaciones y deficiencias en el campo científico, por lo

tanto, hay que actuar con cautela y buen juicio. Si estuviésemos trabajando
en física, en química o en astronomía, ¡créeme papá!, que las cosas serían
completamente diferentes.
Emilio: ¡Papá!, veo que asimilaste magistralmente el mensaje. Pese a

sus críticas y limitaciones, la economía para muchos, es la ciencia más dura
entre las blandas. Precisamente, la econometría, les ha dado el carácter de
cientificidad, y que años tras año, la Real Academia de las Ciencias de Suecia
galardone con el Premio del Banco de Suecia en Ciencias Económicas en
memoria de Alfred Nobel a destacados científicos sociales.
Don Pablo: De este modo, damos por terminada nuestra discusión. Sin
pretenderlo, a lo largo de este interesante ejercicio hemos puesto a prueba
nuestras hipótesis y a través de instrumentos econométricos de fácil
apropiación, especialmente con el uso de software, se han generado respuestas
y conclusiones para mejorar el proceso de toma de decisiones comerciales.
Si no hubiésemos emprendido esta tarea, de seguro, continuaríamos tomando
decisiones a ciegas basadas en la intuición. ¿No te parece?
Emilio: Como la economía es cambiante, sólo nos resta mantener en alerta

nuestro modelo. Este aprendizaje nos servirá para construir otros modelos de
interés para la editorial, en procura de que este negocio pueda sostenerse en
un mercado turbulento.
Don Pablo y Emilio: Ahora, comprendemos la importancia de los métodos

cuantitativos en la gestión de negocios. En adelante, nos comprometemos
a utilizarlos de manera responsable. Enseguida, estos dos pintorescos
personajes se felicitan y abrazan por este aporte realizado a la disciplina de la
econometría y por el gran legado que dejan a los estudiosos y usuarios de esta
disciplina. ¡Colorín colorado…!
BIBLIOGRAFÍA
Alonso Antón A.; Fernández Macho, J. y Gallastegui Zulaica, I. (2005). Econometría.

Madrid, España: Pearson Prentice Hall Educación S.A.
Angrist, J. D. y Pischke, J.S. (2016). Dominar la econometría. El camino entre el
efecto y la causa. Barcelona, España: Antoni Bosch Editor.
Ariely, Dan (2008). Las trampas del deseo: cómo controlar los impulsos irracionales
que nos llevan al error. Madrid, España: Editorial Ariel.
Carrascal Arranz, U.; González González, Y. y Rodríguez Prado, B. (2004). Análisis
econométrico con EVIews. México, D.F, México: Alfaomega Grupo Editor S.A.
de C.V, primera edición.
Cuthberston, K.; Hall, S. G. & Taylor, M. P. (1992), Applied Econometrics Techniques.
Michigan, USA: Michigan University Press.
Dresdner Cid, J. y Vásquez Lavin, F. (2007). Nociones de econometría intermedia.
Concepción, Chile: Universidad de Concepción, segunda edición.
Ekelund R. B. y Hébert, R. F. (2005). Historia de la teoría económica y su método.
México, D.F., México: McGraw-Hill/Interamericana Editores S.A. de C.V.
Esteban González, M. V.; Moral Zuazo, M. P.; Orbe Mandaluniz, S.; Regúlez Castillo,
M.; Zarraga Alonso, A. y Zubia Zubiaurre, M. (2009). Econometría básica
Aplicada con Gretl. Bilbao, España: Departamento de Economía Aplicada III.
Econometría y Estadística, Facultad de Ciencias Económicas y Empresariales.
Universidad del País Vasco/Euskal Herriko Unibertsitatea. Recuperado de https://
addi.ehu.es/bitstream/handle/10810/12496/08-09est.pdf?sequence=1&isAllowed=y
Freedman, D., Pisani, R., Purves, R. y Adhikari, A. (1993). Estadística. Barcelona,

España: Antoni Bosch editor.
Greene, W. H. (1998). Análisis econométrico. Madrid, España: Prentice Hall, tercera

edición.
Gujarati, D. N. y Porter, D. C. (2010). Econometría. México, D.F., México: McGraw-
Hill/Interamericana Editores S.A. de C.V, quinta edición.
301
Hans Franses, P. (2004). A concise introduction to econometrics. An intuitive guide.

Rotterdam. Institute Erasmus University, Cambridge University Press.
Hendry, D. F. (1995). Dynamic Econometrics, Londres, Inglaterra. Oxford:University
Press.
Judge, G.G.; Hill, R.C.; Griffiths, W.E.; Lütkepohl, H. & Lee, T.C. (1988).
Introduction to the Theory and Practice of Econometrics. USA. John Wiley &
Sons, second edition.
Kennedy, P. (1992). A Guide to Econometrics. The MIT Press, Cambridge
Massachusetts,
Lorente, L. (2018). La explicación causal en economía. Revista de Economía
Institucional. 20(39). 9-51. DOI: https://doi.org/10.18601/01245996.v20n39.02.
Maddala, G.S. (1992). Introduction to econometrics. New York, USA: MacMillan
Publishing Company.
Mendoza Bellido, W. (2014). Cómo investigan los economistas. Guía para elaborar
y desarrollar un proyecto de investigación. Lima, Perú: Fondo Editorial Pontificia
Universidad Católica del Perú, primera edición.
Karl, F. I. (2016). Keynes’s Critique of Econometrics Is Surprisingly Good. Mises
Institute. Recuperado de: https://mises.org/wire/keynes%E2%80%99s-critique-
econometrics-surprisingly-good.
Pena Trapero, J. B.; Estavillo Dorado, J. A.; Galindo Frutos, M. E.; Leceta Rey, M.
J. y Zamora Sanz, M. (1999). Cien ejercicios de econometría. Madrid, España:
Ediciones Pirámide, primera edición.
Pérez López, C. (2012). Econometría básica. Aplicaciones con EVIEWS, STATA,
SAS y SPSS. Madrid, España: Editorial Garceta, Grupo Editorial.
Pérez López, C. (2006). Problemas resueltos de econometría. Madrid, España:
Ediciones Thomson Paraninfo S.A.
Pérez López, C. (2016). Técnicas avanzadas de predicción. Madrid, España: Garceta
Grupo Empresarial.
Pindyck, R. S. y Rubinfeld, D. L. (2001). Econometría: Modelos y pronósticos.
México, D.F., México: Mc-Graw-Hill/Interamericana Editores, S.A. de C.V.
Portillo, F. (2006). Concepto, método y evolución de la econometría. La Rioja,
España: Universidad de La Rioja, Departamento de Economía y Empresa.
Recuperado de: https://www.unirioja.es/cu/faporti/ieTEMA01.pdf.
302
Pulido San Román, A. y Pérez García, J. (2001). Modelos econométricos.

Madrid, España. Ediciones Pirámide.
Sampieri Hernández, R.; Fernández Collado, C. y Baptista Lucio, M. P. (2010).

Metodología de la investigación. México, D.F., México: Mc-Graw-Hill/
Interamericana Editores, S.A. de C.V.
Stock, J. H. y Watson, M. M. (2012). Introducción a la econometría. Madrid, España:
Pearson educación, S.A.
Varian, H. R. (2016). Microeconomía intermedia. Un enfoque actual. Bogotá,
Colombia. Antoni Bosch editor – Alfaomega Colombiana S.A. Novena edición.
Wooldridge, J. M. (2015). Introducción a la econometría. México, D.F., México:
Cengage Learning.
ANEXOS
Anexos: Bases de datos en medio magnético (formatos Excel y EViews)

• Tab1. Ventas de la editorial (modelo univariado).
• Tab2. Ventas de la editorial (modelo multivariado).
• Tab3. Efecto estacional en las ventas.
• Tab4. Horas semanales dedicadas a la lectura.
• Tab5. Modelo multivariado con horas dedicadas a la lectura.
• Tab6. Modelo multivariado con gasto en publicidad en época de verano.
• Tab7. Modelo de lectura con variables cualitativas y cuantitativas_1.
Este libro es un complemento a los excelentes manuales de
econometría y de economía aplicada disponibles en las librerías
en el mundo que sirven de soporte para la enseñanza-aprendizaje
de la econometría, la cual forma parte de los planes de estudio
de pregrado y posgrado en economía y en otras ciencias sociales.
El propósito de esta obra es que el estudiante logre vencer
el miedo cuando se enfrenta al estudio de esta disciplina y de
servir de guía para el aprendizaje de algunos de sus aspectos
fundamentales, considerando que la econometría es esencial en
la investigación empírica moderna y en el ejercicio profesional
del economista. Este objetivo académico se pretende lograr
mediante el desarrollo de una historieta divertida que narra un
hecho económico cotidiano en la economía de mercado, cuyos
interrogantes son resueltos por los personajes que participan
en ella, de manera secuencial y didáctica mediante el análisis
econométrico. La pretensión del autor es que los estudiantes y
otras personas interesadas en el estudio de este complejo tema,
puedan comprender de manera fácil y amena, el instrumental
básico de que dispone la econometría para el análisis económico
aplicado.
Facea DEC
Departamento de Economía Centro de Publicaciones
Universidad
de Nariño Academia, Ciencia y Desarrollo Universidad de Nariño Universidad de Nariño
- UNIVERSIDAD DE NARIÑO -
FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS
DEPARTAMENTO DE ECONOMIA
“XI Congreso Regional de Economía: Perspectivas de la Economía

Colombiana en el Nuevo Gobierno”.
Departamento de Economía,
Universidad de Nariño, 15 y 16 de Noviembre de 2018”
CRONOGRAMA DEL EVENTO.
Lugar: Auditorio Luis Santander Benavides. Universidad de Nariño. Sede Torobajo.

Uso de La Econometria Basica 2020

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Uso de La Econometria Basica 2020

Cargado por

Copyright:

Formatos disponibles

EL USO DE LA

Intercepto Variables explicativas Error aleatorio

Mario Eduardo Hidalgo Villota. Profesor

Mario Eduardo Hidalgo Villota

1. Econometría-enseñanza aprendizaje 2. Econometría básica 3. Econometría--ejercicios prácticos

330.015195 H632 -SCDD-Ed 22 Biblioteca Alberto Quijano Guerrero

EL USO DE LA ECONOMETRÍA BÁSICA

© Mario Eduardo Hidalgo Villota

Corrección de Estilo: Mg. Manuel E. Martínez R.

Fecha de Publicación: Octubre de 2020

Prohibida la reproducción total o parcial, por cualquier

Las bases de datos en archivos excel y wf1 (EViews) que acompañan

El autor expresa su profundo agradecimiento académico a Alonso

[El concepto de la Historia de la Editorial, las bases de datos y la Figura

A la memoria de mis padres y hermana. Donde quiera que estén,

A mi esposa e hijos, por su paciencia y su inmenso amor. Gracias

A los estudiantes de Economía y de otras disciplinas, quienes

1. VENCIENDO EL MIEDO: UNA APROXIMACIÓN

2. ENCARANDO EL MODELO DE REGRESIÓN LINEAL

3. ENCARANDO EL MODELO DE REGRESIÓN LINEAL

4. ENCARANDO EL MODELO DE REGRESIÓN LINEAL

5. ENCARANDO EL MODELO DE REGRESIÓN LINEAL

7. FACTORES EXPLICATIVOS CUALITATIVOS

10. AUTOCORRELACIÓN. 248

11. REGRESORES ESTOCÁSTICOS Y MODELOS DINÁMICOS. 261

12. USO DEL MODELO ECONOMÉTRICO PARA FINES DE

13. UNA SÍNTESIS DE LA HISTORIA DE LA EDITORIAL. 283

14. LIMITACIONES DE LA ECONOMETRÍA. 298

Tabla 1.1 Elementos que conforman la econometría. 21

El libro que el lector tiene en sus manos, no es precisamente un manual

Este objetivo académico se pretende lograr mediante una historieta divertida

La pretensión del autor es que los estudiantes y otras personas interesadas

econométrico, y segundo, mediante la automatización con la ayuda del

Este libro además de los beneficios descritos, le permite comprender al

El contenido de este trabajo está inspirado en el modo innovador y

En síntesis, mediante un trabajo detallado y minucioso que se va

No es intención del presente libro, hacer una exposición teórica detallada y

A lo largo de sus catorce capítulos, con el estudio de caso desarrollado

En el apéndice de este documento no se incluyen las tablas estadísticas

El capítulo 1 hace una aproximación conceptual a la econometría desde

el capítulo 7 se ocupa de los factores explicativos cualitativos y variables

Para Portillo (2006), la concepción moderna de la ciencia económica, que

La aproximación al conocimiento y uso de la econometría se hará a partir

Desde su experiencia y conocimiento del mundo editorial, cada uno de

1.1 Así comienza la historia de la editorial ...

La editorial se encuentra administrada por Don Pablo, su fundador, quien

1 La ley de la demanda refleja la relación existente entre la cantidad demandada de un

de la contabilidad junto con el precio promedio2 de los libros. En resumidas

Emilio, en cambio, no considera que el precio sea determinante de las

De este modo, la historieta parte de dos hipótesis fundamentales que el

• Hipótesis 1: Según Don Pablo, el precio es la variable determinante de

• Hipótesis 2: De acuerdo a Emilio, aunque el precio explica en cierto

causales de una o más variables explicativas sobre una variable dependiente

Aunque Emilio encuentra en su colección de libros, varios manuales de

Emilio empieza su exposición diciendo que no hay un concepto o definición

“Pegunte a media docena de económetras qué es la econometría y obtendrá

También le parece interesante la definición de Maddala (1996:1) quien

“la econometría es la aplicación de métodos estadísticos y matemáticos al

Removiendo el baúl de los recuerdos, Emilio encuentra una definición

La econometría, utilizando teoría económica, economía matemática e inferencia

Como puede observarse, Emilio encuentra en los libros de texto diver-

“La econometría se ocupa de formular relaciones entre variables

Adentrándonos un poco más en el tema de discusión, en la hipótesis de Don

Si hay algo que caracteriza a Emilio, es su carácter y su espíritu de