El Modelo de Regresión: Estimación MCO,

Predicción y Análisis de Residuos

Tema 1

Introducción a la Econometría
Tema 1. Introducción a la Econometría

1.1 Introducción y objetivos

1.2 ¿Qué es la econometría?

1.3 La elaboración de modelos econométricos

1.4 Tipos de datos económicos

1.5 Interpretación de los resultados analíticos

1.6 Las TIC en la econometría

1.7 Cómo comenzar a trabajar en R para hacer análisis econométrico

1.8 Referencias bibliográficas

2
Tema 1. Introducción a la Econometría

1.1 Introducción y objetivos

1.2 ¿Qué es la econometría?

1.3 La elaboración de modelos econométricos

1.4 Tipos de datos económicos

1.5 Interpretación de los resultados analíticos

1.6 Las TIC en la econometría

1.7 Cómo comenzar a trabajar en R para hacer análisis econométrico

1.8 Referencias bibliográficas

3
1.2 ¿Qué es la Econometría?

La econometría es una disciplina de la estadística que analiza datos

económicos. Es decir, es una ciencia cuyo objetivo es analizar datos
económicos utilizando herramientas estadísticas.

La econometría busca estudiar la relación entre variables económicas.

4
1.2 ¿Qué es la Econometría?

La econometría es una disciplina de la estadística que analiza datos

económicos. Es decir, es una ciencia cuyo objetivo es analizar datos
económicos utilizando herramientas estadísticas.

La econometría busca estudiar la relación entre variables económicas.

Ejemplos:
- En un negocio, estudiar el efecto en las ventas de una subida del
precio o de gasto extra en publicidad.
- En el mercado laboral, estudiar el efecto de un año más de formación
en la probabilidad de encontrar un empleo. O estudiar las diferencias
salariales entre hombres y mujeres según su cualificación.
- En el sector público, efecto de un subsidio en el consumo.

5
1.3 La elaboración de modelos econométricos

1º Definimos el objeto de estudio

2º Definimos un modelo econométrico de relación entre las variables a

analizar (estadística)

Con un modelo econométrico pretendemos cuantificar la relación

existente entre las variables. Vamos a analizar el efecto que una
variación de una variable económica puede tener en la variación de otra
variable.

6
1.3 La elaboración de modelos econométricos

Distinguir entre 2 tipos de modelos

- Modelo económico: refleja la relación teórica entre las variables,

mediante una forma funcional.

Ventas = f (precio, precio competencia, gasto en publicidad, situación

económica, etc.)

- Modelo econométrico: establece una relación entre las variables, la

cual puede ser cuantificada en base a la estimación de sus
parámetros. Por ejemplo, el modelo de regresión lineal.

7
1.3 La elaboración de modelos econométricos

Distinguir entre 2 tipos de modelos

- Modelo económico: refleja la relación teórica entre las variables,

mediante una forma funcional.

Ventas = f (precio, precio competencia, gasto en publicidad, situación

económica, etc.)

- Modelo econométrico: establece una relación entre las variables, la

cual puede ser cuantificada en base a la estimación de sus
parámetros. Por ejemplo, el modelo de regresión lineal.

8
1.3 La elaboración de modelos econométricos

Distinguir entre 2 tipos de modelos

- Modelo económico: refleja la relación teórica entre las variables,

mediante una forma funcional.

Ventas = f (precio, precio competencia, gasto en publicidad, situación

económica, etc.)

- Modelo econométrico: establece una relación entre las variables, la

cual puede ser cuantificada en base a la estimación de sus
parámetros. Por ejemplo, el modelo de regresión lineal.

9
1.3 La elaboración de modelos econométricos

Distinguir entre 2 tipos de modelos

- Modelo económico: refleja la relación teórica entre las variables,

mediante una forma funcional.

Ventas = f (precio, precio competencia, gasto en publicidad, situación

económica, etc.)

- Modelo econométrico: establece una relación entre las variables, la

cual puede ser cuantificada en base a la estimación de sus
parámetros. Por ejemplo, el modelo de regresión lineal.

10
1.3 La elaboración de modelos econométricos

Distinguir entre 2 tipos de modelos

- Modelo económico: refleja la relación teórica entre las variables,

mediante una forma funcional.

Ventas = f (precio, precio competencia, gasto en publicidad, situación

económica, etc.)

- Modelo econométrico: establece una relación entre las variables, la

cual puede ser cuantificada en base a la estimación de sus
parámetros. Por ejemplo, el modelo de regresión lineal.

11
1.3 La elaboración de modelos econométricos

Modelo de regresión lineal

Establece una relación lineal entre las variables:

• Variable dependiente/regresada/explicada:
variable de nuestro interés

• Variables independientes/regresoras/explicativas:
variables de influencia que creemos que pueden tener un efecto en
la variable de interés.

12
1.3 La elaboración de modelos econométricos

Modelo de regresión lineal

Establece una relación lineal entre las variables:

• Variable dependiente/regresada/explicada:
variable de nuestro interés

• Variables independientes/regresoras/explicativas:
variables de influencia que creemos que pueden tener un efecto en
la variable de interés.

13
1.3 La elaboración de modelos econométricos

Modelo de regresión lineal

Establece una relación lineal entre las variables:

• Variable dependiente/regresada/explicada:
variable de nuestro interés

• Variables independientes/regresoras/explicativas:
variables de influencia que creemos que pueden tener un efecto en
la variable de interés.

14
1.3 La elaboración de modelos econométricos

Modelo de regresión lineal

Establece una relación lineal entre las variables:

• Variable dependiente/regresada/explicada:
variable de nuestro interés

• Variables independientes/regresoras/explicativas:
variables de influencia que creemos que pueden tener un efecto en
la variable de interés.

15
1.3 La elaboración de modelos econométricos

Modelo de regresión lineal

16
1.3 La elaboración de modelos econométricos

Modelo de regresión lineal

Coeficientes del modelo: conocer su valor es el primer interés del análisis

empírico, ya que indican la intensidad con la que su correspondiente
variable independiente afecta a la variable dependiente. Utilizaremos
técnicas de inferencia estadística.

17
1.3 La elaboración de modelos econométricos

Modelo de regresión lineal

Coeficientes del modelo: conocer su valor es el primer interés del análisis

empírico, ya que indican la intensidad con la que su correspondiente
variable independiente afecta a la variable dependiente. Utilizaremos
técnicas de inferencia estadística.

Término error del modelo: nuestro modelo econométrico no es el

verdadera sino una simplificación de la realidad para llevar a cabo nuestro
análisis. Representa todos los factores que no incluimos en el modelo bien
por no poder observarlos o por ser imposibles de cuantificar.

18
1.3 La elaboración de modelos econométricos

Modelo de regresión lineal - Ejemplo

Variable dependiente
Variables independientes
Coeficientes del modelo
Término error

19
1.4 Tipos de datos económicos

Datos de corte transversal

Series temporales

Datos de sección cruzada

Datos de panel

20
1.4 Tipos de datos económicos

Aquellos tomados de diferentes

Datos de corte transversal individuos en un mismo instante de
tiempo.

Aquellos tomados de una variable a lo

Series temporales
largo del tiempo.

Aquellos tomados de diferentes

Datos de sección cruzada
individuos en dos instantes de tiempo.

Aquellos tomados para diferentes

Datos de panel individuos a lo largo del tiempo.

21
1.4 Tipos de datos económicos

Aquellos tomados de diferentes

Datos de corte transversal individuos en un mismo instante de
tiempo.

Aquellos tomados de una variable a lo

Series temporales
largo del tiempo.

Datos de sección cruzada

Datos de panel

22
1.4 Tipos de datos económicos

Aquellos tomados de diferentes

Datos de corte transversal individuos en un mismo instante de
tiempo.

Ejemplos:

Datos sobre los ingresos y gastos en vacaciones de 340 familias en 2011

Calificaciones medias de Ciencias y Letras de 30 estudiantes en un curso

determinado

23
1.4 Tipos de datos económicos

Aquellos tomados de una variable a lo

largo del tiempo.
Series Temporales
Frecuencia: periodicidad con la que se
obtienen los datos
Ejemplos:

Datos sobre los ingresos y gastos en vacaciones de 1 familia de cada

año en el periodo de 2008-2022.

Calificaciones medias Ciencias y Letras de 1 estudiante en todos los

cursos estudiados.

24
1.5 Interpretación de los resultados analíticos

El objetivo de los modelos de regresión es determinar cuál es el efecto de

cada una de las variables explicativas sobre la variable explicada. En
concreto, a partir de los modelos de regresión se intenta cuantificar qué
efecto causa la variación de una variable independiente específica sobre la
variable dependiente.

Analizaremos cada una de las variables independientes por separado.

Análisis marginal: analiza el efecto que causa la variación de una variable

mientras que el resto de variables no cambian (ceteris paribus).

25
1.5 Interpretación de los resultados analíticos

El objetivo de los modelos de regresión es determinar cuál es el efecto de

cada una de las variables explicativas sobre la variable explicada. En
concreto, a partir de los modelos de regresión se intenta cuantificar qué
efecto causa la variación de una variable independiente específica sobre la
variable dependiente.

Analizaremos cada una de las variables independientes por separado.

Análisis marginal: analiza el efecto que causa la variación de una variable

mientras que el resto de variables no cambian (ceteris paribus).

26
1.6 Las TIC en la econometría

El análisis econométrico requiere manejar una gran cantidad de datos, por

eso utilizaremos programas informáticos.

Hay muchas opciones: R, Stata, SPSS, Gretl, …

27
1.6 Las TIC en la econometría

El análisis econométrico requiere manejar una gran cantidad de datos, por

eso utilizaremos programas informáticos.

Hay muchas opciones: R, Stata, SPSS, Gretl, …

28
Esquema del Tema

29
 El Modelo de Regresión: Estimación MCO,
Predicción y Análisis de Residuos

Tema 2

Cuantificación de la relación entre variables:

el método de estimación
Mínimos Cuadrados Ordinarios (MCO)
 Tema 2. Cuantificación de la relación entre variables: el
método de estimación MCO

2.1 Introducción y objetivos

2.2 Modelo de regresión lineal general (MRLG)
2.3 Supuestos básicos en el modelo de regresión lineal
2.4 Estimación por mínimos cuadrados ordinarios (MCO)
2.5 Interpretación de los parámetros. El efecto marginal
2.6 Los efectos del cambio de las unidades de medida sobre las est. MCO
2.7 Incorporar la no linealidad en la regresión lineal
2.8 Propiedades algebraicas del estimador MCO
2.9 Medidas de bondad de ajuste
2.10 La introducción de datos de serie temporal en el MRLG
2.11 Estimación del MRLG con Gretl
2.12 Actividades resueltas para practicar
2.13 R
2.14 Referencias bibliográficas

2
 Tema 2. Cuantificación de la relación entre variables: el
método de estimación MCO

2.1 Introducción y objetivos

2.2 Modelo de regresión lineal general (MRLG)
2.3 Supuestos básicos en el modelo de regresión lineal
2.4 Estimación por mínimos cuadrados ordinarios (MCO)
2.5 Interpretación de los parámetros. El efecto marginal
2.6 Los efectos del cambio de las unidades de medida sobre las est. MCO
2.7 Incorporar la no linealidad en la regresión lineal
2.8 Propiedades algebraicas del estimador MCO
2.9 Medidas de bondad de ajuste
2.10 La introducción de datos de serie temporal en el MRLG
2.11 Estimación del MRLG con Gretl
2.12 Actividades resueltas para practicar
2.13 R
2.14 Referencias bibliográficas

3
2.2 Modelo de regresión lineal general (MRLG)

El Modelo de Regresión Lineal General (MRLG) nos permite analizar

el efecto que unas variables independientes/explicativas/regresoras

tienen sobre una variable dependiente/explicada/regresada

4
2.2 Modelo de regresión lineal general (MRLG)

El Modelo de Regresión Lineal General (MRLG) nos permite analizar

el efecto que unas variables independientes/explicativas/regresoras

tienen sobre una variable dependiente/explicada/regresada

5
2.2 Modelo de regresión lineal general (MRLG)

El Modelo de Regresión Lineal General (MRLG) nos permite analizar

el efecto que unas variables independientes/explicativas/regresoras

tienen sobre una variable dependiente/explicada/regresada

6
2.2 Modelo de regresión lineal general (MRLG)

Coeficientes de la ecuación:
• Intercepto o constante. No tiene interpretación económica, es solo un
instrumento matemático para ajustar las medidas de las variables.
• Mide el cambio esperado en la variable y con respecto a un cambio en la
variable x1, manteniendo fijas el resto de variables regresoras (x2, …, xk)
• Mide el cambio esperado en la variable y con respecto a un cambio en la
variable x2, manteniendo fijas el resto de variables regresoras (x1, x3, …, xk)
• Mide el cambio esperado en la variable y con respecto a un cambio en la
variable xk, manteniendo fijas el resto de variables regresoras (x1, x2, …, xk-1)

7
2.2 Modelo de regresión lineal general (MRLG)

Coeficientes de la ecuación:
• Intercepto o constante. No tiene interpretación económica, es solo un
instrumento matemático para ajustar las medidas de las variables.
• Mide el cambio esperado en la variable y con respecto a un cambio en la
variable x1, manteniendo fijas el resto de variables regresoras (x2, …, xk)
• Mide el cambio esperado en la variable y con respecto a un cambio en la
variable x2, manteniendo fijas el resto de variables regresoras (x1, x3, …, xk)
• Mide el cambio esperado en la variable y con respecto a un cambio en la
variable xk, manteniendo fijas el resto de variables regresoras (x1, x2, …, xk-1)

8
2.2 Modelo de regresión lineal general (MRLG)

(millones €) (€) (miles €)

9
2.2 Modelo de regresión lineal general (MRLG)

(millones €) (€) (miles €)

10
2.2 Modelo de regresión lineal general (MRLG)

(millones €) (€) (miles €)

11
2.2 Modelo de regresión lineal general (MRLG)

El Modelo de Regresión Lineal General expresado en forma matricial

2.2 Modelo de regresión lineal general (MRLG)

El Modelo de Regresión Lineal General expresado en forma matricial

13
2.2 Modelo de regresión lineal general (MRLG)

El Modelo de Regresión Lineal General expresado en forma matricial

Nx1 Nx(k+1) (k+1)x1 Nx1

14
2.2 Modelo de regresión lineal general (MRLG)

El Modelo de Regresión Lineal General expresado en forma matricial

imp (y) precio (x1) publicidad (x2)

Empresa 1 151 2,3 3
Empresa 2 144 3,4 4
Empresa 3 160 2,3 3
Empresa 4 173 2,2 5
Empresa 5 164 2,2 4
Empresa 6 186 2,0 5

15
2.3 Supuestos básicos en el modelo de regresión lineal

En el MRL se requieren unos supuestos básicos para poder llevar a

cabo un análisis correcto

Supuesto 1. Linealidad en los coeficientes del modelo

Supuesto 2. Muestra aleatoria

Supuesto 3. No multicolinealidad

Supuesto 4. Esperanza de los errores igual a 0

Supuesto 5. Homoscedasticidad y no correlación serial

16
2.3 Supuestos básicos en el modelo de regresión lineal

En el MRL se requieren unos supuestos básicos para poder llevar a

cabo un análisis correcto

Supuesto 1. Linealidad en los coeficientes del modelo

El cambio de una unidad de X tiene el mismo efecto sobre Y

independientemente del valor inicial de X.

17
2.3 Supuestos básicos en el modelo de regresión lineal

En el MRL se requieren unos supuestos básicos para poder llevar a

cabo un análisis correcto

Supuesto 2. Muestra aleatoria

La muestra tomada de las variables (Y, X1, X2, …, Xk) debe ser una
muestra aleatoria siendo la relación entre esos elementos de la muestra
la definida por el modelo de regresión lineal.

18
2.3 Supuestos básicos en el modelo de regresión lineal

En el MRL se requieren unos supuestos básicos para poder llevar a

cabo un análisis correcto

Supuesto 3. No multicolinealidad

No pueden existir relaciones lineales exactas entre las variables

regresoras, ni que una de ellas sea constante. De ahí que las variables
regresoras también se llamen variables independientes.

19
2.3 Supuestos básicos en el modelo de regresión lineal

En el MRL se requieren unos supuestos básicos para poder llevar a

cabo un análisis correcto

Supuesto 4. Esperanza de los errores igual a 0

El valor medio de la población es cero, es decir, el valor medio de los

factores no observables en la población debe ser cero.

Si podemos asumir que x como u son variables aleatorias, entonces

podemos sustituir este supuesto por el de media condicionada nula.

20
2.3 Supuestos básicos en el modelo de regresión lineal

En el MRL se requieren unos supuestos básicos para poder llevar a

cabo un análisis correcto

Supuesto 5. Homoscedasticidad y no correlación serial

La varianza del error es constante para todas las observaciones de la

muestra.

Además, la ausencia de correlación serial implica que la covarianza de

los errores es cero.

21
2.4 Estimación por mínimos cuadrados ordinarios (MCO)

Definimos los errores de estimación como la distancia (diferencia)

entre el valor real de la variable dependiente Y y el valor estimado de
esa variable a partir de las variables independientes E[Y|X].

La idea en que se basa la estimación por MCO es la de buscar los

valores para que minimizan la suma al cuadrado de dichos errores.
2.4 Estimación por mínimos cuadrados ordinarios (MCO)

MRLS MRLG

23
2.4 Estimación por mínimos cuadrados ordinarios (MCO)
2.4 Estimación por mínimos cuadrados ordinarios (MCO)
2.4 Estimación por mínimos cuadrados ordinarios (MCO)
2.4 Estimación por mínimos cuadrados ordinarios (MCO)
2.4 Estimación por mínimos cuadrados ordinarios (MCO)
2.4 Estimación por mínimos cuadrados ordinarios (MCO)
2.5 Interpretación de los parámetros. El efecto marginal

En un modelo de regresión lineal, cada uno de los coeficientes de las

variables independientes equivale a la derivada parcial de la variable
dependiente con respecto a su correspondiente variable independiente.

Los betas estimados nos indicarán cómo varía la variable y cuando

incrementamos en una unidad la variable xk, manteniendo las demás
variables constantes (efecto marginal).

30
2.6 Los efectos del cambio de las unidades de medida
sobre las est. MCO
A la hora de interpretar los parámetros son muy importantes las
unidades de medida. Cuando cambiamos la unidad de medida de una
variable, el valor de los coeficientes también cambiará.

(millones €) (€) (miles €)

31
2.6 Los efectos del cambio de las unidades de medida
sobre las est. MCO
A la hora de interpretar los parámetros son muy importantes las
unidades de medida. Cuando cambiamos la unidad de medida de una
variable, el valor de los coeficientes también cambiará.

(millones €) (€) (miles €)

(€)

32
2.6 Los efectos del cambio de las unidades de medida
sobre las est. MCO
A la hora de interpretar los parámetros son muy importantes las
unidades de medida. Cuando cambiamos la unidad de medida de una
variable, el valor de los coeficientes también cambiará.

+ 0,0007

(millones €) (€) (miles €)

(€)

33
2.7 Incorporar la no linealidad en la regresión lineal

34
2.9 Medidas de bondad de ajuste
Son medidas que nos indican cómo de bien (o mal) las variables
independientes explican los valores de la variable dependiente.

35
2.9 Medidas de bondad de ajuste

36
2.9 Medidas de bondad de ajuste

37
2.9 Medidas de bondad de ajuste

La medida de bondad de ajuste viene dada por cuán próximo sea la

variabilidad de los valores estimados a la variabilidad de los valores
observados de la variable dependiente.

38
2.9 Medidas de bondad de ajuste

39
2.9 Medidas de bondad de ajuste

40
2.9 Medidas de bondad de ajuste

41
2.10 La introducción de datos de serie temporal en el MRLG

42
Esquema del Tema

43