Título del caso práctico

ECONOMETRÍA. CASO UNIDAD 1

Nombre del estudiante

JOSÉ GREGORIO HERNÁNDEZ MARTÍNEZ

Nombre del docente

JAVIER OLMEDO MILLÁN PAYÁN

Asignatura: ECONOMETRÍA

Año 2023
 Solución al caso práctico

Enunciado:

Queremos analizar si el tener un nivel de educación mayor, hace que el trabajador obtenga mayor

renta. Para ello, realizamos una encuesta a la población de la ciudad de Bogotá, de forma aleatoria, y

extraemos los siguientes datos:

Renta por unidades Educación por años

monetarias (y) (x)

1000 7

600 4

2000 11

3500 13

5000 16

650 3

1200 8

1600 11

1900 13

800 5

1100 8

500 1

4000 14

4500 15

Cuestiones:

1. ¿Cuál sería la variable que queremos explicar? ¿Cuál sería la variable que la puede
 explicar?.

Respuesta:

Para este caso, la variable que queremos explicar será “y” o la Renta, siendo esta la

variable dependiente o explicada, mientras que la variable que la puede explicar será “x” o la

Educación en años, siendo esta la variable independiente o explicativa.

2. ¿Qué pasos debemos realizar para llevar a cabo el estudio econométrico el cual nos

ayuda a observar las relaciones entre dichas variables?.

Respuesta:

Para este caso queremos explicar si estos dos datos están relacionados y si se relacionan

de forma lineal, realizando este estudio mediante los siguientes pasos:

• Reunimos la información disponible sobre estas dos variables.

• Análisis de correlación: estudiamos la muestra de datos buscando relación entre las

variables. Definimos y calculamos el coeficiente de correlación, para conocer hasta

que punto nuestras variables se relacionan de forma lineal.

• Análisis de Regresión: Confirmada la correlación lineal, la relación entre los valores

observados de nuestras variables “x” e “y” se aproximará a la forma de una línea

recta: y = 𝛽o + 𝛽1x. Ahora mediante este análisis de regresión vamos a encontrar los

valores adecuados de los parámetros de esta ecuación (𝛽o y 𝛽1) para lograr la recta

que se ajuste mejor a las observaciones, utilizando el método de estimación de los

Mínimos Cuadrados.

• Prueba de Hipótesis: Técnica de inferencia estadística sobre nuestros hallazgos, que

utilizamos para verificar que nuestra recta es la adecuada

3. ¿Existe correlación entre la renta y la educación del trabajador? Para ello, comprobar

si existe una tendencia en la relación, qué tipo de tendencia (lineal, exponencial,

logarítmica) y realizar el Coeficiente de Correlación de Pearson. Si observamos que hay

correlación, ¿Qué tipo de correlación es? ¿Positiva o negativa, débil o fuerte?.

Respuesta:

Por simple observación de los datos obtenidos vemos que existe correlación entre las dos

variables, ya que la tendencia es que a mas años de educación (x), mayor es la renta por

unidades monetarias (y). Para comprobarlo procedamos con el análisis de correlación para

encontrar el grado de correlación, que estará ente -1 y +1, siendo este el coeficiente de

correlación. La hipótesis nos dice que existe una correlación lineal entre nuestras variables

“x” e “y”, de las que tenemos “t” observaciones. t = 14. (x 1 ,y1 ), (x 2,y2 )….(x14,y14 ).

Ordenemos los datos respecto a “x”:

Educación por años Renta por unidades

(x) monetarias (y)

1 500

3 650

4 600

5 800

7 1000

8 1100

8 1200

11 1600

11 2000

13 1900

13 3500

14 4000

15 4500

16 5000
 Con los datos ordenados observamos que al aumentar “x”, aumenta también “y”, sin ser

este aumento estricto viéndose que en dos ocasiones disminuye en vez de aumentar.

Ahora llevemos las parejas de datos (x 1 ,y 1), (x 2 ,y2 )….(x14,y14 ) al diagrama de dispersión o

nube de puntos:

Valores Y
6000

5000

4000

3000

2000

1000

0
0 2 4 6 8 10 12 14 16 18

Podemos apreciar que la distribución de los datos sigue un patrón lineal, presentando al

parecer una correlación lineal positiva.

Continuando con el análisis de los datos, dividiremos el diagrama de dispersión en 4

regiones dibujando las líneas paralelas a los ejes, pasando por el centroide, el cual

corresponde a las medias aritméticas de las variables (𝑥̅, 𝑦̅) .

Para nuestro caso, el centroide estará en: (𝑥̅ = 9,2143 , 𝑦̅ = 2025).

 Valores Y
6000

II I
5000

4000

3000

2000

III
1000
IV
0
0 2 4 6 8 10 12 14 16 18

Entonces nuestro coeficiente de correlación será:

𝑐 = (𝑡(I) + 𝑡(III) − 𝑡(II) − 𝑡(IV)) / t

𝑐 = (4 + 7 − 0 − 3) / 14

C = 8 / 14 = 0,5714

Como c es positivo indica que los puntos están predominantemente en los cuadrantes I

y III, por lo cual podemos decir que existe una correlación lineal positiva entre “x” e “y”.

Como el valor absoluto de c se acerca mas a 1 que a 0, podemos decir que la correlación

lineal positiva entre los años de estudio y la renta es fuerte, aunque al parecer no muy

fuerte.

Ahora vamos a proceder a hallar el coeficiente de correlación lineal de Pearson (r):

𝑡
𝑡
𝑡∑ Xiyi −∑ 𝑥𝑖−∑𝑡𝑖=1 𝑦𝑖
𝑖=1
𝑖=1
r=
𝑡 2 𝑡 2
√𝑡 ∑ 𝑥𝑖2 −(∑𝑡𝑖=1 𝑥𝑖) √𝑡 ∑ 𝑦𝑖2 −(∑𝑡𝑖=1 𝑦𝑖)
𝑖=1 𝑖=1

Creamos una tabla para organizar los datos de acuerdo a la fórmula de correspondencia
lineal de Pearson:

xi yi xi2 yi2 xiyi

1 500 1 250000 500

3 650 9 422500 1950

4 600 16 360000 2400

5 800 25 640000 4000

7 1000 49 1000000 7000

8 1100 64 1210000 8800

8 1200 64 1440000 9600

11 1600 121 2560000 17600

11 2000 121 4000000 22000

13 1900 169 3610000 24700

13 3500 169 12250000 45500

14 4000 196 16000000 56000

15 4500 225 20250000 67500

16 5000 256 25000000 80000

∑ 129 28350 1485 88992500 347550

Los datos obtenidos en la tabla anterior los aplicamos a la fórmula de Pearson:

14 x 347550 − 129 x 28350

𝑟=
√14 x 1485 − (129) 2 𝑥 √14 𝑥 88992500 − (28350) 2

4865700 − 3657150
𝑟=
√20790 − (129) 2 𝑥√1245895000 − (28350) 2

4865700 − 3657150
𝑟=
√20790 − 16641 𝑥 √1245895000 − 803722500
 4865700 − 3657150
𝑟=
√4149 𝑥 √442172500
1208550
𝑟=
64,41 𝑥 21027,89

1208550
𝑟=
1354406

r = 0,8923, que efectivamente nos comprueba que es un coeficiente de correlación

lineal positiva Fuerte.

4. Con los datos con los que disponemos, crear la ecuación del modelo. Una vez hecha,

explicar cada componente de la misma (parámetros, variables…) y razonar qué tipo de

variables pueden afectar a la variable explicada y que no se encuentran incluidas en el

modelo (y por tanto, incluidas en el término de error o perturbación, u).

Respuesta:

La ecuación modelo que se solicita corresponde a la ecuación de una recta conocida como

recta de regresión, cuyo modelo viene dado por la ecuación lineal:

y𝑡 =𝛽 0 + 𝛽 1𝑥 𝑡 + 𝑢 t

Para nuestro caso: Renta = Salario mínimo + 𝛽 1 años de educación + 𝑢t

Cuyos componentes son:

• y = Regresando, Variable (Dependiente, explicada, predicha). Para nuestro caso la

renta.

• x = Regresor, Variable (Independiente, explicativa, predictor). Para nuestro caso la

educación por años.

• u = Término de error o perturbación aleatoria. (factores distintos a x que afectan

a y). Para nuestro caso en estos factores podríamos encontrar: Estrato de

residencia, Actividad económica en la que labora, Empresa para la que labora,

 si es independiente o asalariado, Experiencia laboral o en su actividad si es

independiente e infortunadamente todavía debemos clasificar el genero

Masculino o femenino o LGTBI y la raza, debido a que aún existe

discriminación.

• Relación Funcional = La expresada por la misma fórmula.

• Parámetros:

- 𝛽 1 = Coeficiente de regresión, pendiente de la recta que relaciona a x e y. Si es igual a 0

se dice que no hay relación lineal entre las variables.

- 𝛽 0 = Término constante, que expresa el valor que tendrá y cuando x y u sean 0.

5. Obtener los estimadores de la anterior ecuación 𝜷̂ y 𝜷̂ la ecuación final estimada.

Respuesta:

Estos estimadores los obtendremos mediante el método de Estimación de mínimos

cuadrados así:

Primero organizamos los datos requeridos para este método en la siguiente tabla sabiendo

que (𝑥̅ = 9,2143 , 𝑦̅ = 2025):

xi yi xi - 𝑥̅ yi - 𝑦̅ (xi - 𝑥̅) 2 (xi - 𝑥̅) * (yi - 𝑦̅)

1 500 -8.21 -1525 67.40 12520.25

3 650 -6.21 -1375 38.56 8538.75

4 600 -5.21 -1425 27.14 7424.25

5 800 -4.21 -1225 17.72 5157.25

7 1000 -2.21 -1025 4.88 2265.25

8 1100 -1.21 -925 1.46 1119.25

8 1200 -1.21 -825 1.46 998.25

11 1600 1.79 -425 3.20 -760.75

 11 2000 1.79 -25 3.20 -44.75

13 1900 3.79 -125 14.36 -473.75

13 3500 3.79 1475 14.36 5590.25

14 4000 4.79 1975 22.94 9460.25

15 4500 5.79 2475 33.52 14330.25

16 5000 6.79 2975 46.10 20200.25

∑ 129 28350 86325

296.36

𝑡
𝑡
𝛽1 = ∑ (xi − x̅ ) ∗ (yi − y̅ )/ ∑𝑖=1(xi − x̅ )^2
𝑖=1

𝛽 1 = 86325 / 296,3 = 291,34

𝛽̂ 0 = 𝑦̅ − 𝛽̂ 1𝑥̅=

𝛽̂ 0 = 2025 – 291,34 (9,2143) = 2025 – 2684,4941 = -659,49

Entonces la ecuación de la recta será 𝑦̂ = 291,34x – 659,49

6. Obtener el coeficiente de determinación 𝑹𝟐

Respuesta:

El coeficiente de determinación R2 equivale al cuadrado del coeficiente de

correlación de Pearson, r.

Tenemos que r = 0,8923, entonces R = (0,8923)^2 = 0,7962

Entonces los valores estimados por nuestra recta de regresión de y sobre x explican el

79,62% de la variación de y.
 Aplicación Práctica del Conocimiento

Como estudiante y futuro profesional en Economía y/o futuro Empresario, encuentro los temas

desarrollados en el presente caso práctico, muy importantes para poder trabajar con las diferentes

variables económicas, conocer su correlación, que tan fuerte es esta correlación entre las mismas, si

es positiva o negativa, entender cuando una variable puede afectar a otra que sea de mi interés, y con

toda la información y análisis de datos y variables, poder tomar las decisiones correctas, que puedan

beneficiar mi Empresa o negocio, e incluso a la Sociedad.

 Referencias

• ASTURIAS CORPORACIÓN UNIVERSITARIA. El Modelo Econométrico. Nota

Técnica.

• ASTURIAS CORPORACIÓN UNIVERSITARIA. Correlación y Regresión Simple I. Nota

Técnica.

• ASTURIAS CORPORACIÓN UNIVERSITARIA. Correlación y Regresión Simple II.

Nota Técnica.