Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ECONOMETRÍA
B Á S I C A
+ + + + +
ISBN: 978-958-5123-34-2
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
Universidad de Nariño
Facultad de Ciencias Económicas y Administrativas
Departamento de Economía
Del Autor.
Universidad de Nariño
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
INTRODUCCIÓN. 12
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
BIBLIOGRAFÍA. 300
LISTA DE TABLAS
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.
VENCIENDO EL MIEDO:
UNA APROXIMACIÓN
CONCEPTUAL A LA
ECONOMETRÍA
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.
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
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.
MARIO EDUARDO HIDALGO VILLOTA
19
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.
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.
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.
EL USO DE LA ECONOMETRÍA BÁSICA
22
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.
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
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.
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.
EL USO DE LA ECONOMETRÍA BÁSICA
26
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
EL USO DE LA ECONOMETRÍA BÁSICA
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.
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):
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
MARIO EDUARDO HIDALGO VILLOTA
29
Y = Ventas
350
µ
EL USO DE LA ECONOMETRÍA BÁSICA
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
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
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).
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
Elemento 3: Estadística
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).
EL USO DE LA ECONOMETRÍA BÁSICA
34
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.
Y → X o también X → Y
EL USO DE LA ECONOMETRÍA BÁSICA
36
Influye o causa
X = Precio Y = Ventas
Variable explicativa Variable dependiente
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).
MARIO EDUARDO HIDALGO VILLOTA
37
Precio promedio (P) → Ventas de la editorial (V) = Ventas de la editorial (V) → Precio promedio (P)
Precio promedio (P) ↔ Ventas de la editorial (V)
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).
1.9.1 Especificación.
Vt = 𝛽o + 𝛽1PEt + 𝜇t t = 1 , 2, 3, …, T (1.4)
1.9.2 Estimación.
Vt = βo +β1PEt + μt (1.5)
1.9.3 Validación.
ENCARANDO EL MODELO DE
REGRESIÓN LINEAL SIMPLE:
ESPECIFICACIÓN Y ESTIMACIÓN
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
EL USO DE LA ECONOMETRÍA BÁSICA
42
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
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
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
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.
MARIO EDUARDO HIDALGO VILLOTA
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
Yi = β0 + β1 Xi + μi (2.2)
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
̂ ̂
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
…
…
…
…
…
…
+ 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
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
…
…
…
…
…
…
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
X´y = 1 1 1 1 Y2 … Y
∑Yi1
EL USO DE= LA ECONOMETRIA BASICA 4
XX´y X=
X1
Xn 1 … Y1 1 1
… Y2
∑XiYi ∑Yi
…
1 2 3 =
X´y ̂ = ̂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
X´y =
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
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 = y´y - 2 𝛽𝛽̂ ´X´y + 𝛽𝛽̂ ´X´X𝛽𝛽̂
𝜇𝜇̂ ´𝜇𝜇̂ = y´y - 2 𝛽𝛽̂ ´X´y + 𝛽𝛽̂´X´X𝛽𝛽̂
𝜇𝜇̂ ´𝜇𝜇̂ = y´y - 2 𝛽𝛽̂´X´y + 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
MARIO EDUARDO HIDALGO VILLOTA
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.
EL USO DE LA ECONOMETRÍA BÁSICA
48
(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
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
40,00 3.870,70
3.870,700 376.376,230
2x2
Matriz X´X
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
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
EL USO DE LA ECONOMETRÍA BÁSICA
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
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
EL USO DE LA ECONOMETRÍA BÁSICA
54
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
trata de
trata
averiguar
de averiguar
la relación
la relación
de lasde
ventas
las ventas
(𝒱𝒱𝓉𝓉 =(𝒱𝒱𝓉𝓉 con
𝑌𝑌) = 𝑌𝑌)e
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
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
por consiguiente, el modelo de regresión es:
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.
EL USO DE LA ECONOMETRÍA BÁSICA
58
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).
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.
por consiguiente, el modelo de regresión es:
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
se tiene: i 1i 2i ki
∆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
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
EL USO DE LA ECONOMETRIA BASICA
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
variable de tendencia
100 (que
∆𝑋𝑋 puede representar una multitud de
Podemos
62interpretar entonces
momento queen
cuando X varía en una unidad,
EL USO DE LA ECONOMETRÍA BÁSICA
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.
MARIO EDUARDO HIDALGO VILLOTA
63
Figura 2.12
Tabla 2.4
Resultados MCO de ventas contra el logaritmo natural del precio.
Variable Dependiente: V
Método: MCO
Muestra: 20009Q 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
C 1.851,617 590,1382 3,137599 0,0033
LP -329,7501 129,1239 -2,553749 0,0148
R-squared 0,146482 Mean dependent var 344,7425
Adjusted R-squared 0,124021 S.D. dependent var 63,37666
S.E. of regression 59,31658 Akaike info criterion 11,05236
Sum squared resid 133.701,4 Schwarz criterion 11,13681
Log likelihood -219,0472 Hannan-Quinn criterion 11,08289
F-statistic 6,521632 Durbin-Watson stat 1,236215
Prob(F-statistic) 0,014791
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
manera:
Don Pablo enfadado por tanto enredo cometido por Emilio, exclama: Mira hijo, ¿pu
EL USO DE LA ECONOMETRÍA BÁSICA
66
modo: ¡Papá!, considera los datos disponibles en la Tabla 1.1, entre los cuales
(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
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
Tabla 2.5
Resultados MCO del logaritmo natural de ventas contra el precio.
Variable Dependiente: LV
Método: MCO
Muestra: 20009Q 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
C 6,804526 0,412187 16,50834 0,0000
P -0,010118 0,004249 -2,381082 0,0224
R-squared 0,129828 Mean dependent var 5,855448
Adjusted R-squared 0,106929 S.D. dependent var 0,191734
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
F-statistic 5,669550 Durbin-Watson stat 1,249279
Prob(F-statistic) 0,022377
siguiente modo:
Figura 2.21
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
Observaciones incluidas: 40
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
R-squared 0,130801 Mean dependent var 5,825448
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
variable de tendencia
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
Prob(F-statistic) 0,021844
por consiguiente, el modelo de regresión es:
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:
MARIO EDUARDO HIDALGO VILLOTA
71
EL USO DE LA ECONOMETRIA BASICA 73
EL USO DE LA ECONOMETRIA BASICA 73
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
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
EL USO DE LA ECONOMETRIA BASICA 74
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
EL USO DE LA ECONOMETRIA BASICA 50
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
𝑆𝑆𝑆𝑆𝑆𝑆
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)
𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆
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
MARIO EDUARDO HIDALGO VILLOTA modo: ¡Papá!, considera los datos disp
73
ventas de libros de la editorial 2009-20
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) = 𝑌𝑌´Y - T𝑌𝑌̅2
̅ 2 ̂
z de estimados
explicar. EsSuma
la variación explicada por las(SCE)
variables
= ∑exógenas.
𝑇𝑇 ̂ - 𝑌𝑌̅)2 = 𝑌𝑌̂´Y - 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 𝑌𝑌̂´Y - 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 Y´Y = 𝑌𝑌̂exógenas.
exógenas.
las variables ´Y + 𝜇𝜇̂ ´𝜇𝜇, y si a
EL USO DE LA ECONOMETRÍA BÁSICA
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
- 𝑌𝑌̅´Y
, se ) escribir
= 𝑌𝑌´Y -laT𝑌𝑌
obtiene: igualdad
̅2 Y´Y = 𝑌𝑌̂´Y +
𝑖𝑖=1
EL USO DE LA ECONOMETRIA BASICA 76
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 (Y´Y - T𝑌𝑌 ̅ 2(SCR)
igualdad) = (𝑌𝑌̂le o´Y 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 Y´Y del = 𝑌𝑌̂´Y 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
(Y´Y
cuadrados puede - T𝑌𝑌 ̅
escribir
total 2) = (𝑌𝑌 la
(SCT) ̂ igualdad
´Y = - T𝑌𝑌
suma ̅ Y´Y
2) + =
de 𝜇𝜇̂ ´Yo+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)2´ECONOMETRIA
USO 𝜇𝜇=DE Y´Y LA = 𝑌𝑌̂´Y 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 Y´Y =
DE𝑌𝑌LA
̂ ´Y + le 𝜇𝜇̂ ´𝜇𝜇, y si asuma los dosde mc
𝑌𝑌̂´Y - 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 ´𝜇𝜇Y´Y
2 = (Y ==-𝑌𝑌̂(Y
X𝐵𝐵
´Y )´(Y
+̅X𝐵𝐵 - X𝐵𝐵
𝜇𝜇̂2=´̂𝜇𝜇, ŷsi ) = Y´Y
+-a𝜇𝜇̂Y´Y
- 𝐵𝐵miembros
´X´Y =̂Y´Yde- esta 𝑌𝑌´Y
SCR
Luego =se∑𝑖𝑖=1 𝑖𝑖=1(𝑌𝑌
puede Luego
-𝑌𝑌̂)2se=puede
escribir
igualdad la+leigualdad´(Y´Y
𝜇𝜇̂restamos
𝜇𝜇escribir -Y´Y
T𝑌𝑌 -la
T𝑌𝑌 ), =
̅2igualdad 𝑌𝑌̂)´(Y
se ´Y(𝑌𝑌 ´Y
obtiene: -´los
X𝐵𝐵 ̂ )̅ydos
T𝑌𝑌
𝜇𝜇, =
2= si Y´Y
a 𝜇𝜇̂los
)𝑌𝑌̂+´Y +´𝜇𝜇,𝜇𝜇̂-dos
´o𝜇𝜇,´X´Y
𝐵𝐵 miembros
sea,
y si SCT
a
=losY´Y deSCE
=dos esta𝑌𝑌̂´Y
-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
𝑆𝑆𝑆𝑆𝑆𝑆
, se
donde: le llama
igualdad igualdad Luego
Luegosese
le restamos puede
T𝑌𝑌 2
, se escribir
̅puede escribir(Y´Y
obtiene: lalaigualdad - T𝑌𝑌̅2) Y´Y
igualdad = (𝑌𝑌̂=´Y𝑌𝑌̂-´YT𝑌𝑌+̅ 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 (Y´Y
lederestamos- T𝑌𝑌 ) T𝑌𝑌
restamos
cuadrados 2 =̅(SC).
(𝑌𝑌
2
, se ´YEl - 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
(Y´Y - T𝑌𝑌 ̅ 2) = (𝑌𝑌̂𝑆𝑆𝑆𝑆𝑆𝑆
´Y̅ - T𝑌𝑌 ̅̂2) + 𝜇𝜇̂ ´𝜇𝜇,
̅ o sea, SCT = SCE + SCR 𝑆𝑆𝑆𝑆𝑆𝑆 de
e ha definido como: R2 =(Y´Y - T𝑌𝑌 2) = (𝑌𝑌 ´Y
(Y´Y Suma
, donde: - T𝑌𝑌 )
2de
- T𝑌𝑌̅2)de=cuadrados+ residuos
𝜇𝜇̂ ´ 𝜇𝜇,
(𝑌𝑌̂´Y - 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
(Y´Y - T𝑌𝑌̅2) = (𝑌𝑌̂´Yvariable
𝑆𝑆𝑆𝑆𝑆𝑆
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
𝑆𝑆𝑆𝑆𝑆𝑆
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
𝑆𝑆𝑆𝑆𝑆𝑆
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
𝑆𝑆𝑆𝑆𝑆𝑆
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
variable explicativa
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:
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
explicar cómo
̂ –=(3,53)(98,6)
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
= 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
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 ̂
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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).
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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
EL USO DE LA ECONOMETRÍA BÁSICA
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
Y´Y se laLuego
= 𝑌𝑌̂puede
´Y 𝜇𝜇,la
+ 𝜇𝜇̂el
igualdad coeficiente
´escribir
se Y´Y
y sipuede la dos
a los ´Y +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
(Y´Y
(Y´Y - T𝑌𝑌̅2) = (𝑌𝑌
̂ ´Y - T𝑌𝑌 ̅ 2)̅+
- T𝑌𝑌 ) 𝜇𝜇̂=´(Y´Y ̂o´Y
𝜇𝜇,(𝑌𝑌 sea, T𝑌𝑌
SCT ̅2(Y´Y
)2)=
=+SCE -´Y +̅-SCR
´𝜇𝜇,
T𝑌𝑌 o ̅ 2(𝑌𝑌
) sea,
2T𝑌𝑌
= ) ̂+
SCT -=
´Y𝜇𝜇̂ ´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
𝑆𝑆𝑆𝑆𝑆𝑆 𝑆𝑆𝑆𝑆𝑆𝑆
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
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
MARIO EDUARDO HIDALGO VILLOTA
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
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
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
MARIO EDUARDO HIDALGO VILLOTA
79
̅ i = 344,7
1. Hallamos la medias aritméticas: 𝑋𝑋̅i = 96,8 y 𝑌𝑌
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
MARIO EDUARDO HIDALGO VILLOTA
81
as ventas de la editorial.
RETO 1:
ENCARANDO EL MODELO DE
REGRESIÓN LINEAL GENERAL:
ESPECIFICACIÓN Y ESTIMACIÓN
……
……
…
……
…
=
…
…
= 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:
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.
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)
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
MARIO EDUARDO HIDALGO VILLOTA
91
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
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
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.
EL USO DE LA ECONOMETRÍA BÁSICA
92
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
variable explicativa
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.
EL USO DE LA ECONOMETRÍA BÁSICA
94
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)
MARIO EDUARDO HIDALGO VILLOTA
95
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 3.9 Figura 3.10
Figura 3.9Figura 3.9 Figura 3.10 Figura 3.10
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
Figura 3.11 Figura 3.12
Figura 3.13
Figura 3.13 Figura 3.14 Figura 3.14
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.
EL USO DE LA ECONOMETRÍA BÁSICA
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
Figura 3.15
Figura 3.15
MARIO EDUARDO HIDALGO VILLOTA
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
Fuente: Elaboración propia.
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.
1515
También llamado término independiente, ordenada en el origen, intercepto o constante.
15 También llamado término independiente, ordenada en el origen, intercepto o constante.
EL USO DE LA ECONOMETRÍA BÁSICA
102
Tabla3.6
Tabla 3.6
Estimación del modelo por MCO.
Variable Dependiente: V
Método: MCO
Muestra: 20009Q 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,926726 Mean dependent var 344,7425
Adjusted R-squared 0,918351 S.D. dependent var 63,37666
S.E. of regression 18,10938 Akaike info criterion 8,747205
Sum squared resid 11478,23 Schwarz criterion 8,958315
Log likelihood -169,9441 Hannan-Quinn criterion 8,823536
F-statistic 110,6643 Durbin-Watson stat 1,670121
Prob(F-statistic) 0,000000
MARIO EDUARDO HIDALGO VILLOTA
103
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.
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).
EL USO DE LA ECONOMETRÍA BÁSICA
106
3.3 Estadísticos
3.3 Estadísticosde
dela
laestimación.
estimación
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 Se´e/T
2 S2 =–e´e/T
= e´e/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
cuestión no es individualmente significativa para explicar el comportamiento
es igual a de
cero (H0: 𝛽𝛽endógena.
la variable i = 0 frente a H1: 𝛽𝛽i ≠0) y que, por tanto, la variable en
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
Esto supone que las demás variables explicativas toman el valor de cero (0), que al ser
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 Esto supone que las demás variables explicativas toman el valor de cero (0), que al ser
17
Esto supone que las demás variables explicativas toman el valor de cero (0), que al ser
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
variable explicativa
explicativa
sobre la variable
sobre dependiente.
dependiente.
la variable
EL USO DE LA ECONOMETRÍA BÁSICA
108
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
Esto supone que las demás variables explicativas toman el valor de cero (0), que al ser
𝑆𝑆𝑆𝑆𝑆𝑆
𝑇𝑇−1
𝑅𝑅̅2 = 1 - 𝑇𝑇−𝐾𝐾−1
𝑆𝑆𝑆𝑆𝑆𝑆 = 1 – R2 (3.7)
𝑇𝑇−𝐾𝐾−1
𝑇𝑇−1
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).
promedio de la editorial aumenta en una unidad monetaria, permaneciendo el
resto de las variables constantes o fijas (manteniendo constantes el precio de
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
promedio de la editorial aumenta en una unidad monetaria, permaneciendo el
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
dependiente su vuelve prácticamente imposible.
muestra disponible).
análisis de la contribución de cada variable explicativa sobre la variable
dependiente su vuelve prácticamente imposible.
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
insesgados–, la precisión con la que son estimados los parámetros. 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
e´e/T– –e )2
(K+1)/∑ = 𝑇𝑇𝑇𝑇𝑇𝑇 𝑒𝑒t222 / T – K – 1 es un
∑ 𝑒𝑒
S𝛽𝛽𝛽𝛽 = S (X´X) , donde S =𝑡𝑡=2 e´e/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
cuestión no es individualmente significativa para explicar el comportamiento
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
Esto supone que las demás variables explicativas toman el valor de cero (0), que al ser
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
que permite analizar por separado el efecto o cambio que ejerce cada variable explicativa
sobre la variable dependiente.
Esto supone que las demás variables explicativas toman el valor de cero (0), que al ser
17
Donde L es el logaritmo de la verosimilitud calculado en los valores
multiplicado por el coeficiente específico de cada variable, el producto es igual a 0, condición
obtenidos para
que permitelos estimadores
analizar por separadoyelcuya
efecto expresión
o cambio que viene dado
ejerce cada por:explicativa
variable
sobre la variable dependiente.
𝑆𝑆𝑆𝑆𝑆𝑆 𝑅𝑅2
R2
ℱ= 𝐾𝐾
𝑆𝑆𝑆𝑆𝑆𝑆 = 𝐾𝐾
R2
1−𝑅𝑅2 → FK T-K-1
𝑇𝑇−𝑘𝑘−1 𝑇𝑇−𝐾𝐾−1
MARIO EDUARDO HIDALGO VILLOTA
111
Figura 3.19
EL USO DE LA ECONOMETRÍA BÁSICA
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
Fuente: Elaboración propia.
RETO 2:
ENCARANDO EL MODELO DE
REGRESIÓN LINEAL GENERAL:
RESTRICCIONES Y CONTRASTES
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.
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
Región Región
de rechazo No se rechaza H o de rechazo
.025 .025
.95
-1.96 0 -1.96
Valor crìtico Valor crìtico
𝛽𝛽̂𝑘𝑘
| 𝑡𝑡 | = | | > 𝑡𝑡∝/2 (𝑇𝑇 − 𝑘𝑘 − 1) = 𝑅𝑅𝑅𝑅𝑐𝑐ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 ℋ0
𝑠𝑠𝛽𝛽𝛽𝛽
̂
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.
EL USO DE LA ECONOMETRIA BASICA 123
MARIO EDUARDO HIDALGO VILLOTA
117
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.
Modelo estimado:
̂ = 686,57 – 3,53P
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
(135,07) (1,39)
R2 = 14,48% 𝑅𝑅̅2 = 12,23%
EL USO DE LA ECONOMETRIA BASICA 124
EL USO DE LA ECONOMETRÍA BÁSICA
118
EL USO DE LA ECONOMETRIA BASICA 124
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)
𝑠𝑠𝛽𝛽𝛽𝛽
̂ ≤ 𝑡𝑡0,025 (38) ⇒ 𝑁𝑁𝑁𝑁 𝑟𝑟𝑟𝑟𝑟𝑟ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐻𝐻0
̂
𝛽𝛽 > 𝑡𝑡0,025 (38) ⇒ 𝑅𝑅𝑅𝑅𝑅𝑅ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐻𝐻0
|𝑡𝑡𝑖𝑖 | = | 𝑖𝑖 | { (4.1)
Ahora, tomamos
𝑠𝑠𝛽𝛽𝛽𝛽
̂ ≤ 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.
EL USO DE LA ECONOMETRIA BASICA 125
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
Tabla 4.3
Modelo 2 - VentasTabla
de la editorial.
4.3
Variable Coeficiente Error estándar t-Estadístico Probabilidad
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
̂𝑖𝑖
𝛽𝛽 > 𝑡𝑡0,025 (35) ⇒ 𝑅𝑅𝑅𝑅𝑅𝑅ℎ𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐻𝐻0
|𝑡𝑡𝑖𝑖 | = | |{ (4.2)
𝑠𝑠𝛽𝛽𝛽𝛽
̂ ≤ 𝑡𝑡0,025 (35) ⇒ 𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴𝐴 𝐻𝐻0
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
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 LA ECONOMETRIA BASICA
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
EL USO DE LA ECONOMETRIA BASICA 130
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).
EL USO DE LA ECONOMETRIA BASICA 132
EL USO DE LA ECONOMETRÍA BÁSICA
126
EL USO DE LA ECONOMETRIA BASICA 132
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
El resultado obtenido en la Tabla 4.5 arroja una probabilidad con el t
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 DE LA ECONOMETRIA BASICA 133
EL USO
EL USO
MARIO EDUARDO DE DE
LA LA
ECONOMETRIA
HIDALGO ECONOMETRIA
VILLOTA BASICA
BASICA133 133
127
Figura 4.9
Figura 4.9
Figura 4.9
El resultado obtenido en la Tabla 4.6 arroja una probabilidad con el t
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 Summary:
Null Hypothesis:
Hypothesis Summary:
C(3) = 0
Normalized Restriction (=0) Value Std. Error
Null Hypothesis
Normalized Summary:
Restriction (=0) Value Std. Error
C(3)→ GP 0,100304 0,006031
Normalized Restriction (=0) Value Std. Error
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:
EL USO DE LA ECONOMETRIA BASICA 135
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,
seleccionamos View → Coefificient Diagnostics → Wald Test – Coefficient
Para la restricción del parámetro asociado a la variable R con Eviews,
Restrictions y en el cuadro de diálogo Wald Test digitamos la restricción
seleccionamos View → Coefificient Diagnostics → Wald Test – Coefficient
respectiva como se muestra en la Figura 4.10 y damos OK.
Restrictions y en el cuadro de diálogo Wald Test digitamos la restricción
respectiva como se muestra en la Figura 4.10 y damos OK.
EL
EL USO
USO DE
DE LA
LA ECONOMETRIA
ECONOMETRIA BASICA
BASICA 136
136
EL USO DE LA ECONOMETRÍA BÁSICA
130
Figura 4.10
Figura 4.10
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
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)
𝑅𝑅𝑅𝑅𝑅𝑅/𝐾𝐾
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 LA ECONOMETRIA BASICA 138
EL USO DE LAEL USO DE LA ECONOMETRIA
ECONOMETRÍA BÁSICA BASICA 138
132
EL USO DE LA ECONOMETRIA BASICA 138
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)
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).
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:
Hipótesis nula Hipótesis alternativa
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
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?
EL USO DE LA ECONOMETRIA BASICA 144
EL USO DE LA ECONOMETRÍA BÁSICA
138
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.
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.
RETO 3:
Capítulo 5
ENCARANDO EL MODELO DE
REGRESIÓN LINEAL GENERAL:
DIAGNÓSTICO ESTRUCTURAL
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.
EL USO DE LA ECONOMETRIA BASICA 147
MARIO EDUARDO HIDALGO VILLOTA
141
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.
EL USO DE LA ECONOMETRIA BASICA 148
EL USO DE LA ECONOMETRÍA BÁSICA
142
Selecciónde
5.1 Selección devariables
variablesexplicativas:
explicativas:error
errordede especificación.
especificación
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.
EL USO DE LA ECONOMETRIA BASICA 149
MARIO EDUARDO HIDALGO VILLOTA
143
̂ = 686,57 – 3,53Precio
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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.
5.2
5.2 Errores
Errores de
de especificación
especificación en
enlas
lasvariables
variablesexplicativas
explicativas.
Tabla 5.1
Prueba de variables omitidas.
Null hypothesis: GP are jointly significant
Specification: V C PE
Omitted variables: GP
Test Statistic Value df Probability
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
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,923091 Mean dependent var 344,7425
Adjusted R-squared 0,918934 S.D. dependent var 63,37666
S.E. of regression 18,04469 Akaike info criterion 8,695619
Sum squared resid 12.047,61 Schwarz criterion 8,822285
Log likelihood -170,9124 Hannan-Quinn criterion 8,741417
F-statistic 222,0439 Durbin-Watson stat 1,696297
Prob(F-statistic) 0,000000
EL USO DE LA ECONOMETRIA BASICA 153
MARIO EDUARDO HIDALGO VILLOTA
147
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:
Contraste de hipótesis:
Contraste de hipótesis:
Hipótesis nula Hipótesis alternativa
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
Figura 5.3 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
EL USO DE LA ECONOMETRIA BASICA 155
MARIO EDUARDO HIDALGO VILLOTA
149
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
F-statistic 0,868081
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:
Sum of Sq. df Mean Squares
Sum of Sq. df Mean Squares
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
Method: Least Squares
Included observations: 40
Sample: 2009Q1: 2018Q4
Variable Coefficient Std. Error t-Statistic Prob.
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
Prob(F-statistic) 0,000000
Log likelihood -170,9124 Hannan-Quinn criterion 8,741417
F-statistic 222,0439 Durbin-Watson stat 1,696297
Prob(F-statistic) 0,000000
EL USO DE LA ECONOMETRIA BASICA 156
EL USO DE LA ECONOMETRÍA BÁSICA
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.
5.3 Análisis
Análisisde
delalaestabilidad
estabilidadestructural
estructural.
5.3.1 Contraste
5.3.1 Contraste de
de Chow.
Chow
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 nula Hipótesis alternativa
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
EL USO DE LA ECONOMETRIA BASICA
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
F-statistic 2,349641
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
MARIO EDUARDO HIDALGO VILLOTA
153
Figura 5.8
Figura 5.7
Tabla 5.4
Prueba de pronóstico de Chow.
Specification: V C PE GP
Test predictiones for observationes from 2013Q1 to 2018Q4
Test Statistic Value df Probability
F-statistic 0,735816 (24, 13) 0,7512
Likelihood ratio 34,31985 24 0,0791
F-test summary:
Sum of Sq. df Mean Squares
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
Restricted LogL -170,9124
Unrestricted LogL -153,7525
Unrestricted log likelihood adjusts test equation results to account for
observations in forecast sample.
Restricted Test Equation
Dependent Variable: V
Method: Least Squares
Sample: 2009Q1: 2012Q4
Included observations: 16
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,815971 Mean dependent var 309,5438
Adjusted R-squared 0,787659 S.D. dependent var 43,01798
S.E. of regression 19,82290 Akaike info criterion 8,978913
Sum squared resid 5.108,316 Schwarz criterion 9,123774
Log likelihood -68,83131 Hannan-Quinn criterion 8,986331
F-statistic 0,000017 Durbin-Watson stat 1,949101
Prob(F-statistic)
EL USO DE LA ECONOMETRIA BASICA 161
MARIO EDUARDO HIDALGO VILLOTA
155
Figura 5.10
10
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 5.12
Figura 5.12
Figura 5.12
600
400
200
-200
-400
09 10 11 12 13 14 15 16 17 18
-20
-4
09 10 11 12 13 14 15 16 17 18
.14
.12
.10
.08
.06
.04
09 10 11 12 13 14 15 16 17 18
Figura 5.13
EL USO DE LA ECONOMETRIA BASICA 165
MARIO EDUARDO HIDALGO VILLOTA
159
5.3.5 El
5.3.5 El contraste de
de CUSUM de mala especificación.
CUSUM de especificación
Figura 5.15
Figura 5.14
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
Figura 5.16 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
Figura 5.17
Figura 5.17 Figura 5.17
EL USO EL USO DE LA ECONOMETRIA BASICA
DE LAVILLOTA
ECONOMETRIA BASICA 167
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
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
EL USO DE LA ECONOMETRIA BASICA 168
EL USO DE LA ECONOMETRÍA BÁSICA
162 EL USO DE LA ECONOMETRIA BASICA 168
EL USO DE LA ECONOMETRIA BASICA 168
Figura 5.20
Tabla 5.5
Contraste de RESET de Ramsey.
Specification: V C PE PC GP R
Omitted Variables: Squares of fitted values
Test Statistic Value df Probability
t - statistic 34 0,2554
F-statistic (1, 34) 0,2554
Likelihood ratio 1 0,2140
F-test summary:
Sum of Sq. df Mean Squares
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
Restricted LogL -169,9441
Unrestricted LogL -169,172
Unrestricted Test Equation
Dependent Variable: V
Method: Least Squares
Sample: 2009Q1: 2018Q4
Included observations: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,929501 Mean dependent var 344,7425
Adjusted R-squared 0,919133 S.D. dependent var 63,37666
S.E. of regression 18,02249 Akaike info criterion 8,758599
Sum squared resid 11.043,540 Schwarz criterion 9,011931
Log likelihood -169,172 Hannan-Quinn criterion 8,850196
F-statistic 89,65479 Durbin-Watson stat 1,840823
Prob(F-statistic) 0,000000
EL USO DE LA ECONOMETRIA BASICA 170
EL USO DE LA ECONOMETRÍA BÁSICA
164
5.3.7 Normalidad de
de las
las perturbaciones
perturbaciones.
12,5
10,0
7,5
5,0
2,5
0,0
- 40.0000000 - 20,0000000 , 0000000 20,0000000 40,0000000 60,0000000
Hipótesis a contrastar:
Hipótesis nula Hipótesis alternativa
Hipótesis nula Hipótesis alternativa
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.
/
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
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
MARIO EDUARDO HIDALGO VILLOTA
167
RETO 4:
Contrastes de hipótesis y
validación
Fuente: Elaboración
Fuente: Elaboración propia propia
a partir deaAlonso
partiret.deal.,Alonso et. al., (2005:135).
(2005:135)
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
Con un intervalo
Con de:
un intervalo de:
= [348,48 428,58]
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.
vives preocupado por el comportamiento de los gastos de publicidad, debes tener presente que
EL USO DE LA ECONOMETRÍA BÁSICA
172
Figura 6.3
Figura 6.7
24 Este valor se extrae de la tabla estadística t de Student con gl = 35 y una probabilidad en la cola
derecha = 0,025.
MARIO EDUARDO HIDALGO VILLOTA
177
Figura 6.12
EL USO DE LA ECONOMETRÍA BÁSICA
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
Tabla 6.2
Estimación del modelo de ventas de la editorial.
Variable Dependiente: V EL USO DE LA ECONOMETRIA
BASICA
Método: MCO
Muestra: 20009Q 2018Q3
Tabla 9.9
Observaciones incluidas: 39
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
Observaciones incluidas: 40
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
R-squared 0,935529 Mean dependent var 344,7425
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
Log likelihood -167,3843 Hannan-Quinn criterion 8,760811
Prob(F-statistic)
F-statistic 0,00000098,67342
Durbin-Watson stat 1,677145
Prob(F-statistic) 0,00000
̂ == 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
MARIO EDUARDO HIDALGO VILLOTA
181
Figura 6.18
Figura 6.17
Figura 6.21
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.
trimestre de 2019 serán de $ 391,89 millones, algo inferiores a las observadas en el cuarto
EL USO DE LA ECONOMETRÍA BÁSICA
184
RETO 5:
FACTORES EXPLICATIVOS
CUALITATIVOS Y
VARIABLE FICTICIAS
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.
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
MARIO EDUARDO HIDALGO VILLOTA
187
Tabla 7.1
Horas de lectura semanales.
Vt = 𝛽0 + 𝛽1Lt + 𝜇t (7.1)
Tabla 7.2
Estimación del modelo de ventas contra el efecto estacional.
Variable Dependiente: V
Método: MCO
Muestra: 20009Q 2018Q4
Tabla 7.2
Observaciones incluidas: 40
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
Observaciones incluidas: 40
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
Adjusted R-squared 0,083141 S.D. dependent var 63,37666
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
F-statistic 4,536517 Durbin-Watson stat 0,887397
Prob(F-statistic) 0,039715
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
Hipótesis nula Hipótesis alternativa
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:
MARIO EDUARDO HIDALGO VILLOTA
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-
Hipótesis alternativa
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:
Sexo:
EL USO DE LA ECONOMETRÍA BÁSICA
190 1 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝑖𝑖 𝑒𝑒𝑒𝑒 ℎ𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜
Si = {
0 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑑𝑑𝑑𝑑 𝑖𝑖 𝑒𝑒𝑒𝑒 𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚𝑚
Educación:
Educación:
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
MARIO EDUARDO HIDALGO VILLOTA
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
Variable Coefficient Std. Error t-Statistic Prob.
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: L
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
F-statistic 0,000000
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
EL USO DE LA ECONOMETRÍA BÁSICA
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
Hipótesis alternativa
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
Hipótesis alternativa
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
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
hipótesis hipótesis
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 hipótesis
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
MARIO EDUARDO HIDALGO VILLOTA
193
Tabla 7.4
Estimación modelo de ventas con variables cuantitativas y cualitativas.
Variable Dependiente: V
Método: MCO
Muestra: 20009Q 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,934222 Mean dependent var 344,7425
Adjusted R-squared 0,924548 S.D. dependent var 63,37666
S.E. of regression 17,40859 Akaike info criterion 8,689286
Sum squared resid 10.304,00 Schwarz criterion 8,942617
Log likelihood -167,7857 Hannan-Quinn criterion 8,780882
F-statistic 96,57753 Durbin-Watson stat 1,682572
Prob(F-statistic) 0,000000
R-squared 0,106650 Mean dependent var 344,7425
Adjusted R-squared 0,083141 S.D. dependent var 63,37666
S.E. of regression 60,68491 Akaike info criterion 11,09797
Sum squared resid 139.941,0 Schwarz criterion 11,18242
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
Prob(F-statistic) 0,039715
̂ = 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
MARIO EDUARDO HIDALGO VILLOTA
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).
EL USO DE LA ECONOMETRÍA BÁSICA
196
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.
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.
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
Muestra: 20009Q 2018Q4
Tabla 7.7 Tabla 7.7
Observaciones incluidas: 40
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
-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
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 = 249,54
+ 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:
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
|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
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.
Hipótesis nula Hipótesis alternativa
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.
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.
Muestra: 20009Q 2018Q4
ariable de nivel L t, no resulta significativa
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
Muestra: 20009Q 2018Q4
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
R-squared 0,106650 Mean dependent var 344,7425
0,006051 Log likelihood 0,0000
15,89433 -167,3843 Hannan-Quinn criterion 8,760811
Adjusted R-squared 0,083141 S.D. dependent var 63,37666
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
Log likelihood -219,9595 Hannan-Quinn criterion 11,12851
S.D. dependent var 63,37666
F-statistic 4,536517 Durbin-Watson stat 0,887397
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
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
R-squared 0,182394 Mean dependent var 11,20812
Adjusted R-squared 0,169685 S.D. dependent var 5,509948
Los resultados de la estimación
S.E. of regression delinfo
5,020755 Akaike modelo
criterion(7.8) se muestran en la Tabla
6,085133
Sum squared resid 4.865,140 Schwarz criterion 6,151797
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:
F-statistic 14,35163 Durbin-Watson stat 2,082362
Prob(F-statistic) 0,000000
̂ = 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
En cuanto al sexo:
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
Variable Dependiente: L
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
Observaciones incluidas: 197
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
R-squared 0,240678 Mean dependent var 11,20812
Adjustedenen
muestran
muestran R-squared
lalaTabla
Tabla7.11. 7.11. 0,220801 S.D. dependent var 5,509948
S.E. of regression 4,863756 Akaike info criterion 6,031483
AlAlestimar
estimarelelmodelo
modeloseseobtiene:
obtiene:
Sum squared resid 4.518,320 Schwarz criterion 6,161479
Log likelihood -588,1010 Hannan-Quinn criterion 6,071962
̂ ̂
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
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
Variable Dependiente: L
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
Variable Dependiente: L
C MCO
Método: 10,17098 2,062923 4,930374 0,0000
ED 1 197
Muestra: 0,078900 0,039872 1,978827 0,0493
Observaciones incluidas: 197
AP -0,680419 0,237494 -2,864992 0,0046
Variable Coefficient Std. Error t-Statistic Prob.
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
S.E. of regression 5,020755 Akaike info criterion 6,085133
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
F-statistic 14,35163 Durbin-Watson stat 2,082362
Prob(F-statistic) 0,000000
̂ ==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
Sum squared resid 4.466,015 Schwarz criterion 6,259563
Log likelihood -608,6421 Hannan-Quinn criterion 6,229804
F-statistic 6,699923 Durbin-Watson stat 2,084109
Prob(F-statistic) 0,001536
MARIO EDUARDO HIDALGO VILLOTA
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.
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.
Tabla 7.11
Estimación modelo utilizando distintas variables cualitativas.
Variable Dependiente: L
Método: MCO
Muestra: 1 197
Observaciones incluidas: 197
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,294067 Mean dependent var 11,20812
Adjusted R-squared 0,267921 S.D. dependent var 5,509948
S.E. of regression 4,714399 Akaike info criterion 5,978882
Sum squared resid 4.200,631 Schwarz criterion 6,112210
Log likelihood -580,9198 Hannan-Quinn criterion 6,032854
F-statistic 11,24726 Durbin-Watson stat 2,014014
Prob(F-statistic) 0,000000
EL USO DE LA ECONOMETRÍA BÁSICA
208
Tabla 7.12
Estimación modelo lectura contra variables cualitativas relevantes.
EL USO DEEL
LAUSO
EL
ECONOMETRIA
USO
DE LA
DE ECONOMETRIA
LA ECONOME
BASICA
Variable Dependiente: L
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
Variable Coefficient Std. Error t-Statistic Prob.
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 incluidas:
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) 0,000000
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
MARIO EDUARDO HIDALGO VILLOTA
209
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
EL USO DE LA ECONOMETRÍA BÁSICA
210
estimamos Li =estimamos
estimamos α0siguiente
el siguiente
el +modelo
α4MB + α5MUrestringido:
el modelo +modelo
restringido:
siguiente 𝜇𝜇i (7.15)
restringido:
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)
̂ = 11,256 – 0,325MU
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 (7.18)
̂ ̂ = =11,256
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 11,256– –0,325MU
0,325MU ̂ = 11,256 – 0,325MU
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 (7.18)
(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
(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
EL USO DE LA ECONOMETRÍA BÁSICA
212
Tabla 7.15
Estimación modelo final de lectura.
Variable Dependiente: L
Método: MCO
Muestra: 1 197
Observaciones incluidas: 197
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,253613 Mean dependent var 11,20812
Adjusted R-squared 0,234074 S.D. dependent var 5,509948
S.E. of regression 4,822151 Akaike info criterion 6,014301
Sum squared resid 4.441,350 Schwarz criterion 6,114297
Log likelihood -586,4086 Hannan-Quinn criterion 6,054780
F-statistic 12,97989 Durbin-Watson stat 2,044171
Prob(F-statistic) 0,000000
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)
F-statistic 0,000000
12,97989 Durbin-Watson stat 2,044171
MARIO EDUARDO HIDALGO VILLOTA
Prob(F-statistic) 0,000000 213
Al estimar el modelo, se obtiene:
Al estimar el modelo, se obtiene:
Al estimar el modelo, se obtiene:
̂ = 10,086 – 0,138M – 0,773S + 7,091U + 0,412MS – 6,107MU
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 (7.20)
̂ = 10,086 – 0,138M – 0,773S + 7,091U + 0,412MS – 6,107MU
𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 (7.20)
(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
|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
|tU| = 6,11 > 1,97246 → Se rechaza la hipótesis nula
|tMS| = 0,25 ˂ 1,97246 → No se rechaza la hipótesis nula
|tMU| = 3,67 > 1,97246 → Se rechaza la hipótesis nula
(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:
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 8
MULTICOLINEALIDAD
siguiente orden de intervención: pe, pc, gp y r (Figura 8.5), y posteriormente, abrimos como
MARIO EDUARDO HIDALGO VILLOTA
219
En las Tablas 8.2, 8.3, 8.4 y 8.5 se muestran los resultados de las regresiones
auxiliares.
EL USO DE LA ECONOMETRÍA BÁSICA
220
Tabla 8.2
Regresiones auxiliares: Precio medio de la editorial.
Variable Dependiente: PE
Método: MCO
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,255661 Mean dependent var 96,76750
Adjusted R-squared 0,193633 S.D. dependent var 6,828049
S.E. of regression 6,131447 Akaike info criterion 6,559378
Sum squared resid 1.353,407 Schwarz criterion 6,728266
Log likelihood -127,1876 Hannan-Quinn criterion 6,620443
F-statistic 4,121690 Durbin-Watson stat 1,619692
Prob(F-statistic) 0,013027
Tabla 8.3
Regresiones auxiliares: Precio medio de la competencia.
Variable Dependiente: PC
Método: MCO
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,311035 Mean dependent var 108,5175
Adjusted R-squared 0,253621 S.D. dependent var 10,65847
S.E. of regression 9,208198 Akaike info criterion 7,372706
Sum squared resid 3.052,473 Schwarz criterion 7,541593
Log likelihood -143,4541 Hannan-Quinn criterion 7,433769
F-statistic 5,417426 Durbin-Watson stat 2,486258
Prob(F-statistic) 0,003519
MARIO EDUARDO HIDALGO VILLOTA
221
Tabla 8.4
Regresiones auxiliares: gasto en publicidad.
Variable Dependiente: GP
Método: MCO
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,223398 Mean dependent var 2646,825
Adjusted R-squared 0,158681 S.D. dependent var 545,6214
S.E. of regression 500,4627 Akaike info criterion 15,36358
Sum squared resid 9.016.666 Schwarz criterion 15,53247
Log likelihood -303,2717 Hannan-Quinn criterion 15,42465
F-statistic 3,451928 Durbin-Watson stat 1,478912
Prob(F-statistic) 0,026455
Tabla 8.5
Regresiones auxiliares: Renta personal.
Variable Dependiente: R
Método: MCO
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,526328 Mean dependent var 2779,105
Adjusted R-squared 0,486856 S.D. dependent var 1487,668
S.E. of regression 1.065,677 Akaike info criterion 16,87525
Sum squared resid 40.884.057 Schwarz criterion 17,04414
Log likelihood -333,5050 Hannan-Quinn criterion 16,93631
F-statistic 13,33400 Durbin-Watson stat 0,788488
Prob(F-statistic) 0,000005
GP 0,816447 0,327774 2,490885 0,0175
R-squared 0,526328 Mean dependent var 2779,105
Adjusted R-squared 0,486856 S.D. dependent var 1487,668
S.E. of regression 1.065,677 Akaike info criterion 16,87525
Sum squared resid EL USO DE LA40.884.057
ECONOMETRÍASchwarz criterion
BÁSICA 17,04414
222 Log likelihood -333,5050 Hannan-Quinn criterion 16,93631
F-statistic 13,33400 Durbin-Watson stat 0,788488
Prob(F-statistic) 0,000005
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.
MARIO EDUARDO HIDALGO VILLOTA
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.
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.
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.
RETO 7:
HETEROSCEDASTICIDAD
Figura 9.21
Figura 9.20
Tabla 9.1
Contraste de Glesjer.
Variable Dependiente: ABS(RESID)
Método: MCO
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
C -15,75959 24,69627 -0,638136 0,5272
PE 0,283754 0,254595 1,114529 0,2721
R-squared 0,031654 Mean dependent var 11,69856
Adjusted R-squared 0,006171 S.D. dependent var 10,88989
S.E. of regression 10,85624 Akaike info criterion 7,656063
Sum squared resid 4.478,598 Schwarz criterion 7,740507
Log likelihood -151,1213 Hannan-Quinn criterion 7,686595
F-statistic 1,242175 Durbin-Watson stat 2,182983
Prob(F-statistic) 0,272052
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.
MARIO EDUARDO HIDALGO VILLOTA
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
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
S.E. of regression 3.513,103 Akaike info criterion 19,21509
Sum squared resid 4,69E+08 Schwarz criterion 19,29954
Log likelihood -382,3019 Hannan-Quinn criterion 19,24563
F-statistic 0,079524 Durbin-Watson stat 1,557103
Prob(F-statistic) 0,779474
Figura 9.34
EL USO DE LA ECONOMETRÍA BÁSICA
238
F- statistic → Prob F(2, 37) = 0,4059 > 0,05 → Por lo tanto, 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
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
Sum squared resid 2,15E+16 Schwarz criterion 37,03424
Log likelihood -735,1515 Hannan-Quinn criterion 36,95337
F-statistic 0,924004 Durbin-Watson stat 1,494602
Prob(F-statistic) 0,405891
MARIO EDUARDO HIDALGO VILLOTA
239
F- statistic → Prob F(2, 37) = 0,9555 > 0,05 → Por ende, se acepta la
hipótesis de homoscedasticidad.
Tabla 9.4
Prueba de heteroscedasticidad de White.
Heteroskedasticity Test White
F- statistic 0,045541 Prob. F(2, 37) 0,9555
Obs*R-squared 0,098226 Prob. Chi-Square(2) 0,9521
Scaled explained SS 0,148573 Prob. Chi-Square(2) 0,9284
Test Equation:
Variable Dependiente: RESID^2
Método: MCO
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,002456 Mean dependent var 1.511.776
Adjusted R-squared -0,051466 S.D. dependent var 28.019.643
S.E. of regression 28.731.622 Akaike info criterion 37,25693
Sum squared resid 3,05E+16 Schwarz criterion 37,37360
Log likelihood -742,1387 Hannan-Quinn criterion 37,30273
F-statistic 0,045541 Durbin-Watson stat 1,186276
Prob(F-statistic) 0,955534
EL USO DE LA ECONOMETRÍA BÁSICA
240
Tabla 9.5
Prueba de heteroscedasticidad de White
Heteroskedasticity Test White
F- statistic 0,160834 Prob. F(2, 37) 0,852
Obs*R-squared 0,344751 Prob. Chi-Square(2) 0,8417
Scaled explained SS 0,300948 Prob. Chi-Square(2) 0,8603
Test Equation:
Variable Dependiente: RESID^2
Método: MCO
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
S.E. of regression 417.497,3 Akaike info criterion 28,79398
Sum squared resid 6,45E+12 Schwarz criterion 28,92065
Log likelihood -572,8796 Hannan-Quinn criterion 28,83978
F-statistic 0,160834 Durbin-Watson stat 1,986516
Prob(F-statistic) 0,852026
MARIO EDUARDO HIDALGO VILLOTA
241
F- statistic → Prob F(2, 37) = 0,3660 > 0,05 → Por consiguiente, se acepta
la hipótesis de homoscedasticidad.
Tabla 9.6
Prueba de heteroscedasticidad de White
Heteroskedasticity Test White
F- statistic 1,032999 Prob. F(2, 37) 0,366
Obs*R-squared 2,115393 Prob. Chi-Square(2) 0,3473
Scaled explained SS 3,966036 Prob. Chi-Square(2) 0,1377
Test Equation:
Variable Dependiente: RESID^2
Método: MCO
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,052885 Mean dependent var 11.700.073
Adjusted R-squared 0,001689 S.D. dependent var 24.152.409
S.E. of regression 24.131.999 Akaike info criterion 36,90801
Sum squared resid 2,10E+16 Schwarz criterion 37,03468
Log likelihood -735,1603 Hannan-Quinn criterion 36,95381
F-statistic 1,032999 Durbin-Watson stat 1,330793
Prob(F-statistic) 0,365975
EL USO DE LA ECONOMETRÍA BÁSICA
242
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
MARIO EDUARDO HIDALGO VILLOTA
243
Tabla 9.7
Prueba de heteroscedasticidad de Breusch-Pagan-Godfrey.
Heteroskedasticity Test Breusch-Pagan-Godfrey
F- statistic 1,172470 Prob. F(2, 37) 0,3397
Obs*R-squared 4,726525 Prob. Chi-Square(2) 0,3165
Scaled explained SS 4,610258 Prob. Chi-Square(2) 0,3297
Test Equation:
Variable Dependiente: RESID^2
Método: MCO
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,118163 Mean dependent var 286,9558
Adjusted R-squared 0,017382 S.D. dependent var 463,8860
S.E. of regression 459,8367 Akaike info criterion 15,21609
Sum squared resid 7.400.744 Schwarz criterion 15,42720
Log likelihood -299,3218 Hannan-Quinn criterion 15,29242
F-statistic 1,172470 Durbin-Watson stat 2,399420
Prob(F-statistic) 0,339726
Figura 9.37
EL USO DE LA ECONOMETRÍA BÁSICA
246
Tabla 9.8
Estimador robusto de White.
Variable Dependiente: V
Método: MCO
Muestra: 2009Q1 2018Q4
Observaciones incluidas: 40
White-Hinkley (HC1) heteroskedasticity consistent standard errors and covariance
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,935529 Mean dependent var 344,7425
Adjusted R-squared 0,926048 S.D. dependent var 63,37666
S.E. of regression 7,23476 Akaike info criterion 8,669215
Sum squared resid 10.099,25 Schwarz criterion 8,922546
Log likelihood -167,3843 Hannan-Quinn criterion 8,760811
F-statistic 98,67342 Durbin-Watson stat 1,677145
Prob(F-statistic) 0,00000 Wald F-statistic 81,29737
Prob(Wald F-statistic) 0,00000
Tabla 9.9
Estimador robusto de White-Hinkley.
Variable Dependiente: V
EL USO DE LA ECONOMETRIA BASICA 243
Método: MCO EL USO DE LA ECONOMETRIA BASICA 24
Muestra: 2009Q1 2018Q4
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
Muestra: 2009Q1 2018Q4
PC
Observaciones incluidas: 40 0,194089
Observaciones incluidas: 40
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
S.E. of regression 17,23476 Akaike info criterion 8,669214
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
Sum squared resid 10.099,25 Schwarz criterion 8,922546
F-statistic Log likelihood
Log likelihood 98,67342 -167,3843
-167,3843Durbin-Watson
Hannan-Quinn stat
criterion
Hannan-Quinn criterion
1,677145
8,760811
8,760811
F-statistic 98,67342 Durbin-Watson stat 1,677145
Prob(F-statistic)
F-statistic 0,00000 98,67342 Durbin-Watson
stat 1,677145
Prob(F-statistic) 0,00000
Prob(F-statistic) 0,00000
RETO 8:
AUTOCORRELACIÓN
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).
̂ ̂ ̂
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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.
EL USO DE LA ECONOMETRÍA BÁSICA
250
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.
Figura 10.11
Figura 10.12
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
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?
EL USO DE LA ECONOMETRÍA BÁSICA
Como puede254
EL USO DE LA ECONOMETRIA BASICA 274
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
EL USO DE LA ECONOMETRIA BASICA 274
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?
EL USO DE LA ECONOMETRIA BASICA 274
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
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
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,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
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
Figura 10.16
Figura 10.15
Tabla 10.1
Breusch-Godfrey Serial Correlation LM Test.
F- statistic 0,70986 Prob. F(1, 33) 0,4056
Obs*R-squared 0,842318 Prob. Chi-Square(1) 0,3587
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Sample: 2009Q1: 2018Q4
Included observations: 40
Presample missing value lagged residuals set to zero
Variable Coefficient Std. Error t-Statistic Prob.
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
Adjusted R-squared -0,156932 S.D. dependent var 16,09208
S.E. of regression 17,30877 Akaike info criterion 8,697931
Sum squared resid 9.886,582 Schwarz criterion 8,993485
Log likelihood -166,9586 Hannan-Quinn criterion 8,804794
F-statistic 0,118310 Durbin-Watson stat 1,987721
Prob(F-statistic) 0,993492
MARIO EDUARDO HIDALGO VILLOTA
257
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
EL USO DE LA ECONOMETRÍA BÁSICA
258
Figura 10.18
Figura 10.17
Figura 10.19
MARIO EDUARDO HIDALGO VILLOTA
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:
RETO 9:
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: 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.
EL USO DE LA ECONOMETRÍA BÁSICA
262
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!
anto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
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)
tanto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
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:
manteniendo como incógnita el precio promedio, así:
̂ == 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)
Figura 11.6
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
MARIO EDUARDO HIDALGO VILLOTA
267
tanto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
Figura 11.7
Como puede observarse, la variable objetivo corresponde a las ventas de la editorial. En el
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-
Si Don Pablo pretende incrementar las ventas de la editorial en el primer trimestre de 2019 en
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?
tanto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
modelo econométrico final procederemos a reemplazar los valores en las variables de control
Figura 11.8
manteniendo como incógnita el precio promedio, así:
̂ = 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
Si Don Pablo pretende incrementar las ventas de la editorial en el primer trimestre de 2019 en
un 10%, deberá reducir el precio promedio de los libros en un 15,6% en el mismo periodo.
Ahora, simularemos otra situación: ¿cuál debe ser el gasto en publicidad, si la editorial
pretende obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
361,19 = 0,098GPt
MARIO EDUARDO HIDALGO VILLOTA
269
Tabla 11.1
Estimación modelo final de ventas de la editorial.
Variable Dependiente: V
Método: MCO
Muestra ajustada: 2009Q2 2018Q4
Observaciones incluidas: 39 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,936672 Mean dependent var 346,5179
Adjusted R-squared 0,929221 S.D. dependent var 63,18935
S.E. of regression 16,81107 Akaike info criterion 8,601161
Sum squared resid 9.608,806 Schwarz criterion 8,814438
Log likelihood -162,7226 Hannan-Quinn criterion 8,677683
F-statistic 125,7211 Durbin-Watson stat 1,899826
Prob(F-statistic) 0,000000
tanto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
̂ = 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
Ahora, simularemos otra situación: ¿cuál debe ser el gasto en publicidad, si la editorial
pretende obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
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.
MARIO EDUARDO HIDALGO VILLOTA
271
Tabla 11.2
Contraste de Breusch-Godfrey Serial Correlation LM Test.
F- statistic 0,098093 Prob. F(1, 33) 0,7561
Obs*R-squared 0,115584 Prob. Chi-Square(1) 0,7339
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Sample: 2009Q1: 2018Q4
Included observations: 39
Presample missing value lagged residuals set to zero
Variable Coefficient Std. Error t-Statistic Prob.
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
Adjusted R-squared -0,148102 S.D. dependent var 15,90168
S.E. of regression 17,03857 Akaike info criterion 8,649475
Figura 11.13
MARIO EDUARDO HIDALGO VILLOTA
273
Contraste:
Figura 11.14
Tabla 11.3
Estimación del modelo por el método de mínimos cuadrados en dos etapas.
Variable Dependiente: V
Método: Two-Stage Least Squares
Muestra ajustada: 2009Q2 2018Q4
Observaciones incluidas: 39 after adjustments
Constant added to instrument list
Variable Coefficient Std. Error t-Statistic Prob.
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
R-squared 0,813603 Mean dependent var 346,5179
Adjusted R-squared 0,791674 S.D. dependent var 63,18935
S.E. of regression 28,84132 Sum squared resid 28281,94
F-statistic 20,68965 Durbin-Watson stat 1,617791
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
RETO 10:
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?
̂ == 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
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.
un 10%, deberá reducir el precio promedio de los libros en un 15,6% en el mismo periodo.
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.
La incógnita es el gasto en publicidad (GPt), por lo tanto:
Don Pablo: Para ser honesto, puede comprender qué es una variable de
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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
̂– 2,149PEt
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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
̂ 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)
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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
447,7 447,7–=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
PEt = = $ 82,5 miles
−2,149
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
La incógnita es el gasto en publicidad (GPt), por lo tanto:
en un 10% en el mismo periodo.
̂ = 259,428 – 2,149PEt + 0,098GPt + 0,0044LGPt + 0,091Vt-1
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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: 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.
UNA SÍNTESIS DE LA
HISTORIA DE LA EDITORIAL
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.
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).
MARIO EDUARDO HIDALGO VILLOTA
EL USO DE LA ECONOMETRIA BASICA 279
EL USO DE LA ECONOMETRIA BASICA
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
ventas de la editorial.
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
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)
tanto, la pregunta a resolver es la siguiente: ¿Cuál debe ser el precio promedio de los libros para
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
modelo econométrico final procederemos a reemplazar los valores en las variables de control
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
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
PEt = = $ 82,5 miles
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
Si Don Pablo pretende incrementar las ventas de la editorial en el primer trimestre de 2019 en
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
un 10%, deberá reducir el precio promedio de los libros en un 15,6% en el mismo periodo.
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
Ahora, simularemos otra situación: ¿cuál debe ser el gasto en publicidad, si la 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
pretende obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
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
La incógnita es el gasto en publicidad (GPt), por lo tanto:
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
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
mediante la
mediante la ejecución
ejecución de de contrates
contrates individuales
individuales yy conjuntos.
conjuntos.
EL USO DE LA ECONOMETRÍA BÁSICA
286
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(𝑌𝑌𝑃𝑃 )(1−∝) = [𝑌𝑌̂𝑃𝑃 ± 𝜎𝜎̂𝑒𝑒 𝑡𝑡∝/2 ]
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:
EL USO DE LA ECONOMETRÍA BÁSICA
288
𝑌𝑌̂𝑝𝑝 = 243,20 − 1,91𝑥𝑥97,7 + 0,127𝑥𝑥113,5 + 0,100𝑥𝑥3.016,8 + 0,003𝑥𝑥5.712,1 = 388,53
= [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 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?
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
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 == 259,428
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
PEt = = $ 82,5 miles
−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
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
EL USO DE LA ECONOMETRÍA BÁSICA
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%
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
obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
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
MARIO EDUARDO HIDALGO VILLOTA
291
modelo ̂ econométrico
̂ = =259,428
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
̂ 447,7===259,428
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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
PEt = = $ 82,5 miles
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.
obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
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
Como puede observarse, la variable objetivo corresponde a las ventas de la editorial. En el
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
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:
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 == 259,428
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
𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉
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
PEt = = $ 82,5 miles
−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
un 10%, deberá reducir el precio promedio de los libros en un 15,6% en el mismo periodo.
$ 3.685,6 miles en el mismo trimestre, manteniendo fijas las demás variables. Si Don
Ahora, simularemos otra situación: ¿cuál debe ser el gasto en publicidad, si la editorial
pretende obtener ventas por valor de $ 447,7 millones en el primer trimestre de 2019?
EL USO DE LA ECONOMETRÍA BÁSICA
292
LIMITACIONES DE LA ECONOMETRÍA
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?
Facea DEC
Departamento de Economía Centro de Publicaciones
Universidad
Universidad de Nariño
de Nariño Academia, Ciencia y Desarrollo Universidad de Nariño Universidad de Nariño
- UNIVERSIDAD DE NARIÑO -
FACULTAD DE CIENCIAS ECONÓMICAS Y ADMINISTRATIVAS
DEPARTAMENTO DE ECONOMIA