Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Guía didáctica
MAD-UTPL
Facultad de Ciencias Económicas y Empresariales
Departamento de Economía
Introducción a la Econometría
Guía didáctica
Autor:
MAD-UTPL
Universidad Técnica Particular de Loja
Introducción a la Econometría
Guía didáctica
Ochoa Ordoñez Oswaldo Francisco
Reconocimiento-NoComercial-CompartirIgual
4.0 Internacional (CC BY-NC-SA 4.0)
Usted acepta y acuerda estar obligado por los términos y condiciones de esta Licencia, por lo que, si existe el
incumplimiento de algunas de estas condiciones, no se autoriza el uso de ningún contenido.
Los contenidos de este trabajo están sujetos a una licencia internacional Creative Commons
Reconocimiento-NoComercial-CompartirIgual 4.0 (CC BY-NC-SA 4.0). Usted es libre de Compartir —
copiar y redistribuir el material en cualquier medio o formato. Adaptar — remezclar, transformar y construir
a partir del material citando la fuente, bajo los siguientes términos: Reconocimiento- debe dar crédito de
manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo
en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la
licenciante. No Comercial-no puede hacer uso del material con propósitos comerciales. Compartir igual-Si
remezcla, transforma o crea a partir del material, debe distribuir su contribución bajo la misma licencia del
original. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a
hacer cualquier uso permitido por la licencia. https://creativecommons.org/licenses/by-nc-sa/4.0/
27 de abril, 2020
MAD-UTPL
Índice Índice
1. Datos de información................................................................................ 9
1.1. Presentación de la asignatura.......................................................... 9
1.2. Competencias genéricas de la UTPL............................................... 9
1.3. Competencias específicas de la carrera......................................... 10
1.4. Problemática que aborda la asignatura........................................... 10
2. Metodología de aprendizaje...................................................................... 11
3. Orientaciones didácticas por resultados de aprendizaje............................ 12
Primer bimestre............................................................................................ 12
Resultado de aprendizaje 1.................................................................................... 12
Contenidos, recursos y actividades de aprendizaje............................................. 12
Semana 1 ..................................................................................................... 12
Semana 2 ..................................................................................................... 19
4 MAD-UTPL
Semana 3 ..................................................................................................... 27
Índice
Semana 4 ..................................................................................................... 32
Semana 5 ..................................................................................................... 41
Semana 6 ..................................................................................................... 48
5 MAD-UTPL
5.4. Intervalo de confianza para la varianza.............................................. 48
5.5. Pruebas de hipótesis: comentarios generales................................... 48 Índice
Semana 7 ..................................................................................................... 55
Semana 8 ..................................................................................................... 60
Segundo bimestre......................................................................................... 62
Resultado de aprendizaje 2.................................................................................... 62
Contenidos, recursos y actividades de aprendizaje............................................. 62
Semana 9 ..................................................................................................... 62
Semana 10 ................................................................................................... 78
6 MAD-UTPL
Unidad 7. Análisis de regresión múltiple: el problema de estimación........... 78
Índice
7.1. Modelo con tres variables: notación y supuestos.............................. 78
7.2. Interpretación de la ecuación de regresión múltiple.......................... 78
7.3. Significado de los coeficientes de regresión parcial......................... 78
7.4. Estimación de MCO y MV de los coeficientes de regresión parcial. 78
7.5. R2 y R2 ajustada................................................................................... 78
Actividades de aprendizaje recomendadas.......................................................... 81
Semana 11 ................................................................................................... 82
Semana 12 ................................................................................................... 89
Semana 13 ................................................................................................... 91
7 MAD-UTPL
Actividades de aprendizaje recomendadas.......................................................... 95
Índice
Semana 14 ................................................................................................... 95
8 MAD-UTPL
1. Datos de información
9 MAD-UTPL
Capacidad para identificar, plantear y resolver problemas.
Capacidad para tomar decisiones.
Habilidades interpersonales.
Compromiso ético.
ECONOMÍA
10 MAD-UTPL
2. Metodología de aprendizaje
11 MAD-UTPL
3. Orientaciones didácticas por resultados de aprendizaje 1 Bimestre
Primer bimestre
Semana 1
12 MAD-UTPL
1.2. Metodología de la econometría
“La econometría puede ser definida como la ciencia social en la cual las
herramientas de la teoría económica, las matemáticas y la inferencia
estadística son aplicadas al análisis de los fenómenos económicos”
(Golberger, 1964).
13 MAD-UTPL
Figura 1.
Estructura de un modelo de regresión simple
Coeficientes de regresión
1 Bimestre
Y = β 1 + β2 X + u Perturbación estocástica
Variable dependiente
Pendiente
Metodología econométrica
14 MAD-UTPL
Los temas conceptuales sobre regresión, causalidad y correlación revíselos
en el texto básico a partir de la página 19 del capítulo 1.
Recursos de aprendizaje
1 Bimestre
Los recursos que va a utilizar para este resultado de aprendizaje son:
Lecturas
Actividad 1
15 MAD-UTPL
tema. Utilice las técnicas que de acuerdo a su estilo de aprendizaje le
sean de mayor utilidad.
Actividad 2
¡Vamos a trabajar!
16 MAD-UTPL
Autoevaluación 1
1 Bimestre
Considerando el siguiente enunciado, seleccione la alternativa correcta.
a. Funcional.
b. Determinista.
c. Estadística.
a. Variables aleatorias.
b. Errores estándar.
c. Formas funcionales.
a. Fuerza de asociación.
b. Normalidad.
c. Errores estándar.
a. Respuesta.
b. Estímulo.
c. Covariante.
a. Explicada.
b. Controlada.
c. Predictora.
17 MAD-UTPL
7. Información de corte transversal es:
18 MAD-UTPL
Semana 2
C = f (Y)
19 MAD-UTPL
La regresión lineal permite obtener los valores esperados o la media
poblacional del consumo ante una variación en los ingresos.
E (y/Xi)= f (Xi)
1 Bimestre
Para que un modelo sea considerado como lineal en sus variables, estas
no pueden estar elevadas a un exponente mayor a uno, ni multiplicada o
dividida para otra variable. Para que el modelo sea lineal este debe darse en
todas las variables.
Ejemplos de linealidad:
Ejemplos de no linealidad:
20 MAD-UTPL
Aquí se aplica el mismo concepto de linealidad solo que ahora es para los
parámetros.
1 Bimestre
Ejemplo 1
Lineal.
Logarítmica.
Inversa.
Cuadrático.
Cúbico.
Potencia.
Compuesto.
Curva-S.
Crecimiento.
Exponencial.
21 MAD-UTPL
Para obtener resultados confiables ( ) en la regresión, se debe suponer
que no existe ninguna relación entre variable X y el valor esperado de la
variable u.
1 Bimestre
Ejemplo 2
22 MAD-UTPL
Para conocer cuáles son las razones por las que no se desarrolla un modelo
con todas estas variables que agrupa el error estocástico, revise el tema 2.5
de su texto básico.
Recursos de aprendizaje
Lecturas
23 MAD-UTPL
Actividades de aprendizaje recomendadas
Actividad 1 1 Bimestre
Actividad 2
¡Vamos a trabajar!
24 MAD-UTPL
Autoevaluación 2
1 Bimestre
Considerando el siguiente enunciado, seleccione la alternativa correcta.
a. Función lineal de Y.
b. Función lineal de u.
c. Función lineal de X.
a. LnY=B1+LnB2X+u.
b. LnY=B1+B2X+u.
c. Y=LnB1+B2+u.
a. Una función de X.
b. Una función de Y.
c. Una función de X y Y.
a. Coeficiente de correlación.
b. El intervalo de confianza.
c. El intercepto.
a. A la falta de datos.
b. A que u agrupe variables faltantes u omitidas.
c. Modelo mal especificado.
a. Representantes.
b. Logarítmicas.
c. Recíprocas.
25 MAD-UTPL
7. El principio de parsimonia manifiesta que:
26 MAD-UTPL
Semana 3
27 MAD-UTPL
Para entender este tema lo haremos a través de algunos ejercicios.
Ejemplo 3
Tabla 1.
Información del gasto de personal y el PIB (miles de millones de dólares
1992)
28 MAD-UTPL
Debemos iniciar calculando las sumatorias de (Y, X, XY, X^2) descritos en la
tabla 1. Una vez obtenidos procedemos al cálculo de los coeficientes de la
regresión. Para esto utilizamos las siguientes fórmulas:
1 Bimestre
29 MAD-UTPL
Los residuos se generan por cada uno de los datos de la variable
dependiente, pero antes de poder calcularlos debemos generar los valores
de la Y estimada (Ŷ), para esto utilizamos la ecuación de regresión y
reemplazamos el valor de X de la siguiente manera:
1 Bimestre
De igual manera se procede con los demás datos de X, lo que al final nos
permite es obtener los valores de las Y estimadas y posteriormente la Σ Ŷ.
Luego de haber obtenido las Y estimadas, procedemos al cálculo de los
residuos:
De igual manera se procede con los demás datos de Y, lo que al final nos
permite es obtener los valores de las u estimadas y posteriormente la Σ û.
30 MAD-UTPL
Figura 2.
Línea de regresión
4,800
1 Bimestre
4.400
4,000
Y
3,600
3,200
2,800
4,500 5,000 5,500 6,000 6,500 7,000
X
Hemos realizado la gráfica para determinar a simple vista como los datos
se ajustan a la línea de regresión. En este ejemplo podemos determinar
que el PIB explica en gran medida las variaciones que se dan en el gasto de
consumo de personal.
Recursos de aprendizaje
Lecturas
31 MAD-UTPL
Wooldridge (2010). Introducción a la econometría. México:
Thomson – Learning.
el capítulo 2.
Video
Actividad 1
Semana 4
32 MAD-UTPL
3.7. Ejemplos ilustrativos
Gujarati y Porter (2010) manifiestan que el error estándar del valor estimado
o el error estándar de la regresión (ee), es simplemente la desviación
estándar de los valores y alrededor de la recta de regresión estimada, la cual
es utilizada frecuentemente como una medida resumen de la “bondad de
ajuste” de dicha recta.
Para entender este tema de mejor manera continuemos con la revisión del
ejercicio planteado en la unidad anterior.
33 MAD-UTPL
1 Bimestre
34 MAD-UTPL
Figura 3.
Resultados 1, el software STATA
1 Bimestre
35 MAD-UTPL
Los mismos resultados calculados anteriormente se reflejan en el software
STATA, tanto los valores de los coeficientes como sus errores estándar se
reflejan en el recuadro color rojo.
Hasta aquí no tenemos forma de medir qué tan bien explica la variable
independiente (X), a la variable dependiente (Y). Por lo tanto, es beneficioso
calcular un número que indique el grado en que la línea de regresión MCO
coincide con los datos de las variables. Si los puntos asociados a los datos
están en la misma línea, los MCO proporcionan un ajuste perfecto. Esta
medida de bondad de ajuste se mide a través del coeficiente determinación
( R 2 ). Este indicador mide el porcentaje en que la variable dependiente está
siendo explicada por la variable independiente. Su valor fluctúa entre 0 y 1.
2
Si R = 1, el ajuste es perfecto.
2
Si R = 0, no hay relación entre la variable dependiente y la variable
explicativa.
36 MAD-UTPL
Figura 4.
1 Bimestre
37 MAD-UTPL
Su interpretación sería que el 99% de las variaciones en el GCP se explica
por el cambio en el PIB. El ajuste es casi del 100% por lo que la variable PIB
es adecuada para explicar al GCP.
1 Bimestre
Actividad 1
Actividad 2
¡Vamos a trabajar!
38 MAD-UTPL
Autoevaluación 3
1 Bimestre
Considerando el siguiente enunciado, seleccione la alternativa correcta.
a. Igual varianza.
b. Desigual varianza.
c. Linealidad en las variables.
a. -1 y 1
b. 1y3
c. 0y1
a. Homocedasticidad.
b. Heteroscedasticidad.
c. Autocorrelación.
39 MAD-UTPL
7. ¿Cuántos supuestos plantea la teoría econométrica?
a. 5
b. 10
c. 7 1 Bimestre
8. Uno de los supuestos del MCRL, manifiesta que los valores de X deben
ser:
40 MAD-UTPL
Semana 5
Media: E(u) = 0
Varianza:
Covarianza
41 MAD-UTPL
Ahora determinaremos la normalidad de los residuos, que es parte de uno
de los supuestos que debe cumplir la regresión calculada a través de la
metodología de MCO. Lo haremos por medio del STATA y lo primero que
debemos hacer es obtener los residuos de la regresión, estos ya fueron
calculados anteriormente usando el comando: predict RES, residuals. 1 Bimestre
42 MAD-UTPL
Figura 5.
Comando: sktest RES
1 Bimestre
43 MAD-UTPL
De los resultados obtenidos, vemos que utiliza la simetría y la curtosis para
determinar si los residuos de la regresión están normalmente distribuidos.
Par conocer si se cumple con el supuesto de normalidad, debemos hacerlos
a través de hipótesis las mismas que son:
1 Bimestre
Para contrastar la H0, debemos utilizar el p-valor del estadístico Chi2, cuyo
valor es de 0,34 o 34%. Como el valor de 34% es superior al 5% del nivel de
significancia, entonces no podemos rechazar la H0, y aceptaríamos que los
residuos están normalmente distribuidos.
Recursos de aprendizaje
Lectura
Video
44 MAD-UTPL
Actividades de aprendizaje recomendadas
Actividad 1 1 Bimestre
Actividad 2
¡Vamos a trabajar!
45 MAD-UTPL
Autoevaluación 4
1 Bimestre
Considerando el siguiente enunciado, seleccione la alternativa correcta.
a. La media.
b. Hipótesis.
c. Coeficiente de determinación.
a. La media y mediana.
b. t, F y X2
c. Coeficiente de determinación.
a. Insesgamiento.
b. Varianza máxima.
c. Inconsistencia.
a. De cero.
b. Igual a 1.
c. Constante.
46 MAD-UTPL
6. La justificación teórica del supuesto de normalidad es:
a. MCO.
b. Teorema del límite central.
c. Pruebas de hipótesis. 1 Bimestre
a. Intervalos de confianza.
b. Sumatoria de los residuos.
c. Máxima verosimilitud.
47 MAD-UTPL
Comprende la utilidad de un análisis de
regresión lineal simple.
Resultado de
aprendizaje 2 y 3 Conocer como los cambios de una variable 1 Bimestre
afectan a otra es importante a la hora de
establecer un adecuado modelo de regresión.
Semana 6
48 MAD-UTPL
Como lo vimos anteriormente la confiabilidad de un estimador se mide por
su error estándar, por lo tanto, para no depender de un solo indicador, se
puede construir un intervalo que tenga la probabilidad de incluir dentro de
sus límites el verdadero valor del parámetro.
1 Bimestre
Se trata de encontrar que tan cerca está de , para esto buscamos dos
números este último situado entre 0 y 1.
Pr(β2 – δ ≤ β2 ≤ β2 + δ) = 1 – α
Coeficiente de confianza
Para esto vamos a utilizar cuatro métodos prácticos para aceptar o rechazar
hipótesis:
Intervalo de confianza
Nivel de significancia
Prueba t
Prueba F
De los métodos antes mencionados los que vamos a utilizar son los que
utiliza cualquiera de los estadísticos F, t o X2, al ser los que generalmente
utiliza el software STATA. Lo que se busca es determinar si los coeficientes
de regresión son significativos tanto a nivel individual como a nivel conjunto
o global del modelo.
49 MAD-UTPL
A nivel individual las hipótesis planteadas para poder utilizar los cuatro
métodos son las siguientes:
1 Bimestre
No hay intercepto.
Si hay intercepto.
50 MAD-UTPL
Figura 6.
Resultados en STATA
1 Bimestre
51 MAD-UTPL
Para probar si los coeficientes son significativos o no, vamos a utilizar el
valor p del estadístico t (p>t). La regla de decisión para poder contrastar la
H0, es la siguiente:
52 MAD-UTPL
Figura 7.
1 Bimestre
53 MAD-UTPL
Como podemos observar del rectángulo azul, el valor p del estadístico F, es
de 0,00 o 0%, menor al 5%, por lo que rechazamos H0 y aceptamos que el
modelo en su conjunto es significativo. Para un mayor entendimiento del
tema, revise el capítulo 5 de su texto base.
1 Bimestre
Lecturas
Actividad 1
54 MAD-UTPL
Semana 7
55 MAD-UTPL
Nivel de significancia: Es similar a la prueba de intervalo de confianza, con la
diferencia que toman el valor de cero dentro de la fórmula y se los
identifica ahora como .
1 Bimestre
Para reforzar los temas finales revise estos temas que corresponde al
capítulo 5.
Lecturas
Actividad 1
¡Vamos a trabajar!
57 MAD-UTPL
Autoevaluación 5
1 Bimestre
Considerando el siguiente enunciado, seleccione la alternativa correcta.
a. Compuesta.
b. Simple.
c. Ninguna de las anteriores.
a. (0.5 - 0.25)
b. (1 - 0.75)
c. (1 - α)
a. Hipótesis bilateral.
b. Hipótesis nula.
c. Hipótesis simple.
a. La prueba t.
b. La prueba X2.
c. La prueba F.
a. Intervalos de confianza.
b. Correlación.
c. Mínimos cuadrados ordinarios MCO.
58 MAD-UTPL
7. La hipótesis nula se prueba frente a:
a. Al coeficiente de determinación.
b. A la hipótesis alternativa.
c. Los errores estándar. 1 Bimestre
a. Rechazar Ho.
b. Aceptar Ho.
c. Establecer un intervalo de confianza.
59 MAD-UTPL
Semana 8
1 Bimestre
Actividades finales del bimestre
Lectura
Actividad 1
60 MAD-UTPL
Actividad 2
61 MAD-UTPL
Segundo bimestre
2 Bimestre
Contenidos, recursos y actividades de aprendizaje
Semana 9
Esta ecuación carece del intercepto o esta toma el valor de cero, es decir el
.
63 MAD-UTPL
Figura 8.
2 Bimestre
64 MAD-UTPL
Como podemos observar se obtiene una regresión a través del origen en la
cual no consta el intercepto o constante.
Modelo Log – lineal o doble log o Log – Log: conocido como modelo
de regresión exponencial, el mismo que se los puede linealizar a través
de logaritmos naturales. A estos modelos también se los conoce como
modelos de elasticidad constante. La ecuación de regresión es la siguiente:
2 Bimestre
65 MAD-UTPL
Figura 9.
Modelo doble LOG
2 Bimestre
66 MAD-UTPL
2. Luego volvemos a realizar la regresión con estas nuevas variables: reg LPCEY LGDPX
Figura 10.
Regresión con variables: reg LPCEY LGDPX
2 Bimestre
67 MAD-UTPL
Lo que diferencia a un modelo de regresión lineal simple, es que la
interpretación de los coeficientes va a cambiar. En el caso de B1, se dice que
si la variable X=0, la variable LGPCY disminuye en promedio en un 1.04%, y
en cuanto al B2, si el LGDPX aumenta en 1%, el LGPCY aumenta en promedio
en un 1.07%.
68 MAD-UTPL
Figura 11.
Modelo Log_Lin
2 Bimestre
69 MAD-UTPL
Modelo Lin – Log
70 MAD-UTPL
Figura 12.
Modelo Lin–Log
2 Bimestre
71 MAD-UTPL
Para un mayor entendimiento de este tema le invito a revisar el capítulo 6 de
su texto básico, para que revise como son las interpretaciones de este tipo
de modelos.
72 MAD-UTPL
Figura 13.
Comando_gen RGDPX
2 Bimestre
73 MAD-UTPL
Lectura
Video
Actividad 1
Actividad 2
74 MAD-UTPL
Recuerde que la autoevaluación no es obligatoria, sin embargo, le ayuda a
reforzar sus conocimientos y lo prepara para la evaluación bimestral.
¡Vamos a trabajar!
2 Bimestre
75 MAD-UTPL
Autoevaluación 6
a. Negativo.
b. Igual a cero.
c. Igual a uno.
a. Pérdida de datos.
b. Error de especificación.
c. Modelo perfecto.
a. Media = 1.
b. Media = 0.
c. Desviación estándar = 0.
76 MAD-UTPL
7. Las elasticidades pueden ser medida por un:
77 MAD-UTPL
Analiza la relación lineal entre una variable
Resultado de
dependiente en función de otras denominadas
aprendizaje 4
independientes.
Semana 10
7.5. R2 y R2 ajustada
78 MAD-UTPL
Al incluirse más de dos variables explicativas se debe trabajar con la
suposición de que no exista relación lineal exacta entre .
Vamos a trabajar con la tabla 6.4 de su texto básico en STATA para realizar
un modelo de regresión múltiple.
79 MAD-UTPL
Figura 14.
Modelo de regresión múltiple
2 Bimestre
80 MAD-UTPL
Regresión múltiple, con base en la teoría realice las interpretaciones de los
coeficientes de regresión parcial.
Lecturas
Video
Actividad 1
81 MAD-UTPL
Semana 11
2 Bimestre
Es una extensión del modelo log-lineal o doble log, en el cual se parte de una
función exponencial a una logarítmica.
82 MAD-UTPL
Figura 15.
Modelo de Cobb-Douglas
2 Bimestre
83 MAD-UTPL
Interpretando los coeficientes tendríamos:
Cuando los días laborales y el insumo capital real son de cero, el producto
bruto real es de -3,33 millones de nuevos dólares taiwaneses.
2 Bimestre
84 MAD-UTPL
Este es un polinomio de segundo grado, ya que X está elevado al cuadrado,
si X estuviera elevado al cubo, este polinomio sería ahora de tercer grado.
Tenga en cuenta que, en este tipo de regresiones polinomiales, solamente
hay una variable explicativa al lado derecho, pero aparece elevada a distintas
potencias.
Lecturas
85 MAD-UTPL
Actividades de aprendizaje recomendadas
Actividad 1
2 Bimestre
Continúe con los contenidos del capítulo 7 del texto básico y revise los
ejemplos y ejercicios de la guía virtualizada.
Actividad 2
¡Vamos a trabajar!
86 MAD-UTPL
Autoevaluación 7
a. Parámetros.
b. Variables.
c. Coeficientes de correlación simple.
a. r 1.23
b. r 12.3
c. r 12. 34
a. Colineales.
b. Insesgados.
c. Sesgados.
a. Intervalo de confianza.
b. Nivel de significancia.
c. Máxima verosimilitud.
a. Varianza de cero.
b. Varianza infinita.
c. Varianzas unitarias.
87 MAD-UTPL
7. A medida que aumenta el número de regresoras, R2:
a. Aumenta mínimamente.
b. Disminuye considerablemente.
c. Aumenta considerablemente.
b. Criterio de Akaike.
c. Intervalo de confianza.
88 MAD-UTPL
Semana 12
2 Bimestre
8.1. Pruebas de hipótesis sobre coeficientes de regresión
individuales
89 MAD-UTPL
Esta prueba generalmente busca determinar si en un modelo que trabaja
con información de serie de tiempo, existió un cambio brusco en la
información a lo largo del tiempo. Este cambio generalmente se debe a
factores externos, y aquel punto del tiempo puede ser considerado como la
fecha de cambio. Esto lo revisaremos con mayor profundidad en el capítulo
9, que corresponde a variables dicótomas.
2 Bimestre
Lecturas
Actividad 1
90 MAD-UTPL
Comprende las características de una variable
Resultado de
dicótoma (cualitativa) y su aplicación en
aprendizaje 5
modelos de regresión.
Semana 13
91 MAD-UTPL
Este modelo ha pasado de ser un modelo de regresión simple a unos
de regresión múltiple, por la inclusión de estas variables denominadas
dicótomas, es decir, variables expresadas en escala nominal. Para poder
cuantificar estas variables y sus atributos, debemos generar variables 2 Bimestre
0 = su ausencia.
Para entender cómo funcionan este tipo de modelos dentro del STATA,
vamos a trabajar con la tabla.
92 MAD-UTPL
Figura 16.
Modelos ANOVA y ANCOVA
2 Bimestre
93 MAD-UTPL
Como puede observar en STATA se realizaron los dos tipos de modelo el
primero un ANOVA y el segundo un ANCOVA. La interpretación de resultados
se deja para su revisión, y la asignación de valores de 1 y 0 para cada
variable dicótoma.
regresiones antes y después del dato que produjo el cambio. Para esto se
debe adoptar la siguiente ecuación:
Donde,
Para reforzar lo que acabamos de estudiar, revise el ejemplo 9.5 del texto
base, el cual nos indica la interacción entre variables cuantitativas y
cualitativas. Para un mayor entendimiento del tema, revise el capítulo 9 de
su texto base.
Lecturas
94 MAD-UTPL
Video
Actividad 1
Semana 14
95 MAD-UTPL
9.8. Algunos aspectos técnicos de la técnica con variables
dicótomas
Regresión lineal por segmentos: para entender este tema realicemos paso
a paso el ejemplo 9.7 de su texto básico, el cual presenta un modelo que
relaciona el costo total (Y) con la producción (X).
96 MAD-UTPL
Figura 17.
Modelo de regresión
2 Bimestre
97 MAD-UTPL
Ahora basándose en el texto básico y el ejercicio, realice las interpretaciones
de este ejercicio.
Lecturas
Actividad 1
Actividad 2
98 MAD-UTPL
Recuerde que la autoevaluación no es obligatoria, sin embargo, le
ayuda a reforzar sus conocimientos y lo prepara para la evaluación
bimestral.
¡Vamos a trabajar!
2 Bimestre
99 MAD-UTPL
Autoevaluación 8
a. Variable categórica.
b. Variable cualitativa.
c. Variable cuantitativa.
d. Variable explicativa.
a. Heterocedasticidad.
b. Homocedasticidad.
c. Igualdad de las varianzas de las variables.
d. Diferencia en las varianzas de las variables.
a. Cualitativa.
b. Dicótoma.
c. Explicada.
d. Dependiente.
100 MAD-UTPL
5. Para eludir la trampa de la variable dicótoma introduciendo tantas
variables dicótomas como categorías se puede:
a. Eliminar datos.
b. Incrementar la muestra.
c. No se debe introducir el intercepto en dicho modelo.
101 MAD-UTPL
Resultado de Aplica los supuestos básicos del modelo de
aprendizaje 6 regresión.
2 Bimestre
Semana 15
102 MAD-UTPL
Lectura
Video
Actividad 1
Actividad 2
¡Vamos a trabajar!
103 MAD-UTPL
Autoevaluación 9
104 MAD-UTPL
5. Cuando la multicolinealidad es perfecta:
a. Prueba de White.
b. Correlograma.
c. Factor inflador de la varianza.
105 MAD-UTPL
Semana 16
Lectura
Actividad 1
106 MAD-UTPL
Actividad 2
107 MAD-UTPL
4. Solucionario
Autoevaluación 1
Pregunta Respuesta Retroalimentación
1 c Se busca dependencia estadística.
2 a La relación de las variables debe ser estocástica.
3 a La correlación es la asociación entre variables. Solucionario
108 MAD-UTPL
Autoevaluación 2
Pregunta Respuesta Retroalimentación
1 c La función se da sobre la variable independiente.
2 b Los parámetros son lineales.
3 a Es función de la variable X.
4 c El intercepto o la constante.
5 b El error estocástico agrupa aquellas variables que afectan a Y.
6 a Variables muy similares a las originales.
7 b Un modelo debe ser eficiente.
8 a Es la relación que se da entre las variables.
Solucionario
109 MAD-UTPL
Autoevaluación 3
Pregunta Respuesta Retroalimentación
1 a En la homocedasticidad las varianzas de los residuos son iguales.
2 c El coeficiente de determinación fluctúa entre 0 y 1.
3 a Los MCO son una de varias metodologías para estimar una
regresión.
4 a Indica cómo se relacionan las variables.
5 b Ante una diferente varianza de los residuos existe el problema de
heterocedasticidad.
6 b Deben ser lo más puntuales o confiables posibles.
7 c Son siete supuestos los que rigen a la metodología de MCO.
8 a Se debe dar la independencia de las variables. Solucionario
110 MAD-UTPL
Autoevaluación 4
Pregunta Respuesta Retroalimentación
1 a Se ve la distribución de los valores con respecto a la media.
2 b Los estadísticos tal como: F, t, X2, Z, sirven para probar hipótesis.
3 a Una propiedad de la normalidad es que no exista sesgo en la
distribución de los residuos.
4 c El método de MV es mucho más fuerte que el de MCO, pero
matemáticamente más complicado.
5 c La varianza debe ser constante.
6 b El supuesto de normalidad parte del teorema del límite central.
7 a La metodología de MCO, permite obtener los mejores estimadores
de una regresión. Solucionario
8 c Un método alternativo al de MCO, es el de MV.
111 MAD-UTPL
Autoevaluación 5
Pregunta Respuesta Retroalimentación
1 b Es simple porque se prueba un único resultado, es decir la
igualdad de un resultado.
2 c Su probabilidad es de 1 – α.
3 a Es bilateral porque hace referencia a las dos colas de la
distribución.
4 c Es rechazar una hipótesis siendo esta verdadera.
5 c Para probar si un modelo en su conjunto es significativo,
utilizamos el estadístico F.
6 a Uno de los métodos para probar la significatividad de un resultado
es a través de los intervalos de confianza. Solucionario
7 b La hipótesis nula siempre se prueba frente a la hipótesis
alternativa.
8 a Es la condición que nos permite contrastar la H0, en este caso el
de rechazar la H0.
112 MAD-UTPL
Autoevaluación 6
Pregunta Respuesta Retroalimentación
1 c Una variable estandarizada utiliza una suma de cuadrados simple.
2 a Por su forma de cálculo se puede obtener un R2 negativo, pero
solo si no se tiene el intercepto.
3 b El tema de la falta de intercepto puede considerarse como un
error de especificación.
4 a El tema de las escalas no influye sobre las propiedades de los
estimadores.
5 b Una variable estandarizada tiene una media =0.
6 a Un modelo log-lineal es aquel cuyas variables son logarítmicas.
7 b Un modelo doble logarítmico nos ayuda a calcular elasticidades. Solucionario
8 c Generalmente un tema de crecimiento se ajusta mejor a un
modelo Log-Lin.
113 MAD-UTPL
Autoevaluación 7
Pregunta Respuesta Retroalimentación
1 c En un modelo de regresión múltiple se obtienen los coeficientes
de correlación.
2 b Es un coeficiente de primer orden porque refleja la relación de la
variable Y con X2, dejando constante X3.
3 a Cuando dos variables están relacionadas se dice que existe
colinealidad entre ellas.
4 c Al igual que en modelos de regresión simple, un modelo múltiple
puede también ser estimado por MCO o por MV.
5 b El estandarizar una variable permite mantener una única unidad
de medida de las variables.
Solucionario
6 c Una propiedad es que su varianza es igual a 1.
7 a El incorporar muchas variables independientes altera
mínimamente el valor del R2.
8 b El criterio de AKAIKE sirve también para elegir entre dos modelos.
114 MAD-UTPL
Autoevaluación 8
Pregunta Respuesta Retroalimentación
1 a-b Varios sinónimos para una variable categórica o cualitativa.
2 a-d Puede generar un problema de heterocedasticidad.
3 a-b Un modelo de regresión puede contener también variables
independientes cualitativas.
4 a-b No asignar igual número de variables por categorías.
5 c Se puede evitar la trampa de la variable dicótoma estableciendo
un modelo de regresión a través del origen.
6 a Los coeficientes de regresión que se obtienen de un modelo sin
intercepto nos da las variaciones promedio de las categorías de
las variables dicótomas. Solucionario
7 b La elección de la categoría base depende del investigador.
115 MAD-UTPL
Autoevaluación 9
Pregunta Respuesta Retroalimentación
1 b La multicolinealidad es la relación entre las variables
independientes.
2 b La no variabilidad de los datos de las variables puede ocasionar
multicolinealidad.
3 a Es la relación perfecta o del 100% entre variables independientes.
4 a Es una relación menos que perfecta existente entre las variables
independientes.
5 a Cuando no se cumple la hipótesis de un modelo uniecuacional
donde la matriz x no es de rango completo.
6 a Cuando la relación entre las variables independientes es menor al Solucionario
50%.
7 a Un síntoma de un problema de multicolinealidad es un R2 alto.
8 c El FIV nos permite detectar si las variables independientes son
altamente colineales.
116 MAD-UTPL
5. Referencias bibliográficas
117 MAD-UTPL
6. Anexos
Ejercicio práctico
Nota. Gujarati, D & Porter, D. (2010). Econometría. México: McGraw Hill. Quinta
edición. Elaboración. El autor
118 MAD-UTPL
Ejercicio en el software STATA
1. Vamos a importar la base de Excel de la tabla I.1, del texto básico al STATA, como lo muestra la figura 1.
Figura 1.
Anexos
119 MAD-UTPL
Figura 2.
Anexos
120 MAD-UTPL
2. Procedemos a seleccionar el archivo y aceptar (figura 2).
Figura 3.
Anexos
121 MAD-UTPL
3. Una vez cargada la base de datos (figura 3), procedemos a realizar la regresión a través de la metodología de
MCO, como se puede observar las variables ya están cargadas en la parte superior derecha.
Anexos
122 MAD-UTPL
Figura 4.
Anexos
123 MAD-UTPL
Figura 5.
Anexos
124 MAD-UTPL
El recuadro en azul indica todos los resultados de esta regresión a través de la metodología de MCO, el recuadro en
rojo indica información del modelo en su conjunto y el recuadro verde, en cambio, proporciona información de las
variables del modelo en forma individual. Las interpretaciones son similares a la del ejemplo 3.
5. Ahora calculamos los residuos de la regresión, es decir, obtener los valores residuales de la regresión, para esto
debemos utilizar los siguientes comandos.
predict RES, residuals: con este comando lo que hacemos es crear una nueva variable con el nombre RES, la que
generará los residuos de la regresión.
Anexos
125 MAD-UTPL
Figura 6.
Anexos
6. También podemos obtener todos los valores estimados para la variable dependiente, esto lo hacemos con el
siguiente comando: predict YEST, xb
126 MAD-UTPL
Figura 7.
Anexos
7. Adicionalmente se puede graficar la línea de regresión que se ajusta a los datos de las variables, para esto
utilizamos el siguiente comando: twoway scatter PCEY GDPX || lfit scatter PCEY GDPX. Esta gráfica es similar
a la figura vista en el ejercicio práctico.
127 MAD-UTPL
Figura 8.
Anexos
128 MAD-UTPL
La multicolinealidad
Revisemos el ejercicio 10.27 del texto básico, el cual proporciona cifras sobre importaciones, PIB e IPC de USA de
1975 a 2005 (tabla 10.13). Vamos a detectar y corregir la multicolinealidad. El modelo planteado es:
Anexos
129 MAD-UTPL
Aquí se presentan los resultados de esta regresión múltiple, y lo que vamos a hacer es detectar si hay un problema de
multicolinealidad.
Nos damos cuenta de que tenemos un R2 alto casi del 99%, esto podría ser una señal de multicolinealidad, a
más de esto vamos a establecer una matriz de correlación que nos permitirá ver la relación entre las variables
independientes, el comando es corr LIPC LPIB.
Anexos
130 MAD-UTPL
Según la matriz de correlación, existe una alta relación entre las variables independientes, por lo que existe un
problema de multicolinealidad.
Ahora vamos a aplicar otra prueba conocida como el Factor Inflador de la Varianza (FIV), esta permite ver cómo se
incrementa la varianza a medida que las variables se relacionan más entre sí. Ahora lo haremos en STATA, utilizamos
el comando vif, lo que nos da el siguiente resultado:
Anexos
131 MAD-UTPL
El FIV nos indica que las variables tienen un valor de 69, lo que indica que hay un problema de multicolinealidad, ya
que cualquier FIV superior a 10 es señal de multicolinealidad.
Una vez que detectamos el problema de MULTICOLINEALIDAD, debemos corregirlo; para esto revise el capítulo 10 de
su libro básico y determine que métodos de corrección existen.
Anexos
132 MAD-UTPL