Área de Economía y Negocios

Econometría
Practica
Isabella Morales, ID:1104175

I. Defina los siguientes conceptos:

a) Media aritmética: Es un concepto matemático usado en estadística. También

llamada promedio o simplemente media, se obtiene con la suma de un conjunto de
valores dividida entre el número total de sumandos.
b) Varianza: Es una medida de dispersión definida como la esperanza del cuadrado de la
desviación de dicha variable respecto a su media.
c) Covarianza: En probabilidad y estadística, la covarianza es un valor que indica el grado
de variación conjunta de dos variables aleatorias respecto a sus medias.
d) Desviación estándar:  Es una medida que se utiliza para cuantificar la variación o la
dispersión de un conjunto de datos numéricos.
e) Probabilidad condicional: Es la posibilidad de que ocurra un evento, al que denominamos
A, como consecuencia de que ha tenido lugar otro evento, al que denominamos B.
f) Tipos de variables: cualitativa nominal, cualitativa ordinal, cuantitativa continua,
cuantitativa discreta.
g) Defina R2y su función: Es una medida estadística de qué tan cerca están los datos de la
línea de regresión ajustada. También se conoce como coeficiente de determinación, o
coeficiente de determinación múltiple si se trata de regresión múltiple.
h) P-value como referencia de una variable: Es un término ampliamente utilizado y mal
interpretado por muchos de los lectores de artículos científicos. Se define el significado
del valor de p, así como su relación con la fiabilidad del estudio y la importancia clínica
de los resultados de este.

II. Explique que se necesita y cual es el proceso para preparar un modelo

econométrico, cuáles serían los pasos y análisis que se deberían hacer y tomar en
consideración para obtener buenos resultados econométricos.

Para preparar un modelo econométrico, se necesitan los siguientes pasos:

1. Definición del problema: El primer paso es definir claramente el problema que se desea
resolver, y las variables relevantes que se necesitan para ello.
 2. Recopilación de datos: Se deben reunir datos relevantes para las variables del problema
que se desea modelar. Estos datos pueden ser obtenidos de diversas fuentes, como bases
de datos gubernamentales, encuestas y estudios de mercado.
3. Análisis exploratorio de datos: Una vez que se tienen los datos, se deben analizar para
entender su distribución y detectar posibles valores atípicos o datos faltantes.
4. Selección de variables: Se deben seleccionar las variables que se utilizarán en el modelo.
Es importante asegurarse de que sean relevantes y no redundantes.
5. Especificación del modelo: Se debe especificar un modelo matemático que represente la
relación entre las variables seleccionadas. Esto puede hacerse a través de un análisis
teórico y empírico de la relación entre las variables.
6. Estimación del modelo: Se deben estimar los parámetros del modelo utilizando técnicas
econométricas como la regresión lineal.
7. Evaluación del modelo: Una vez que se ha estimado el modelo, se debe evaluar su
capacidad para predecir valores futuros. Esto puede hacerse mediante el uso de medidas
estadísticas como el coeficiente de determinación.
8. Interpretación del modelo: Finalmente, se debe interpretar el modelo para entender la
relación entre las variables y las implicaciones de los resultados.
Es importante tomar en consideración los siguientes puntos para obtener buenos resultados
econométricos:
1. Elección de variables relevantes: Se deben seleccionar variables relevantes y
significativas para el modelo.
2. Calidad de los datos: La calidad de los datos es esencial para el modelo. Se deben
asegurar que sean precisos, confiables y completos.
3. Especificación del modelo adecuado: Se debe elegir el modelo adecuado para representar
la relación entre las variables.
4. Validez del modelo: Es importante asegurarse de que el modelo sea válido y se ajuste a
los datos.
5. Estimación precisa de los parámetros: Los parámetros del modelo deben estimarse de
manera precisa y precisa para obtener resultados precisos.
6. Análisis de los supuestos del modelo: Es importante comprobar que los supuestos del
modelo sean válidos para garantizar la precisión de los resultados.
7. Evaluación de la capacidad predictiva del modelo: El modelo debe ser evaluado para
determinar su capacidad para predecir valores futuros y su validez.
Ejercicios
I. Galton fue un investigador que analizo la relación entre la altura de los padres con la
de sus hijos. En un análisis que recoge los datos de 100 compañeros de trabajos, se
estimó la siguiente relación:
Y^ = 58.53 + 0.62 X i
2
R = 0.56
Donde la variable y es la altura de los encuestados y la variable X la media de las alturas de sus
padres.
A) Interprete los coeficientes estimados
 La constante (58.53) es la altura promedio esperada para aquellos cuyos padres tienen
una altura promedio de cero.
 El coeficiente de X (0.62) indica que, en promedio, por cada aumento de una unidad en la
altura promedio de los padres, la altura esperada de los hijos aumenta en 0.62 unidades.
b) ¿Cuál es el significado del estadístico R2?
 El estadístico R2 (coeficiente de determinación) mide la proporción de la variación total
de la variable dependiente que es explicada por el modelo.
 En este caso, R2 es igual a 0.56, lo que significa que el 56% de la variabilidad en la altura
de los encuestados se explica por la altura media de sus padres.
c) ¿Cuál es la predicción para la altura de un alumno si la altura media de los padres era
168cm?
 Para predecir la altura de un alumno con una altura media de los padres de 168cm, se
puede utilizar la ecuación del modelo estimado: Y ̂ = 58.53 + 0.62X_i
 Sustituyendo X_i = 168cm, se tiene: Y ̂ = 58.53 + 0.62(168) = 164.61cm
 Por lo tanto, se espera que un alumno con una altura media de los padres de 168cm tenga
una altura estimada de 164.61cm.
II. Con la siguiente tabla de datos:

Y X

5 2

6 3

8 5

11 7

Estime la regresión para obtener β 1 y β 2.

1. Calcular las medias de las variables X e Y:
Media de X: (2+3+5+7)/4 = 4.25 Media de Y: (5+6+8+11)/4 = 7.5
 2. Calcular las desviaciones respecto a la media de cada variable:
Para X: X_i - media de X 2 - 4.25 = -2.25 3 - 4.25 = -1.25 5 - 4.25 = 0.75 7 - 4.25 = 2.75
Para Y: Y_i - media de Y 5 - 7.5 = -2.5 6 - 7.5 = -1.5 8 - 7.5 = 0.5 11 - 7.5 = 3.5
3. Calcular el producto de las desviaciones respecto a la media de X e Y:
(X_i - media de X) * (Y_i - media de Y) (-2.25) (-2.5) = 5.625 (-1.25)(-1.5) = 1.875 (0.75)(0.5)
= 0.375 (2.75)(3.5) = 9.625
4. Calcular la suma de los productos de las desviaciones:
∑ (X_i - media de X) * (Y_i - media de Y) = 5.625 + 1.875 + 0.375 + 9.625 = 17.5
5. Calcular la suma de los cuadrados de las desviaciones de X:
∑ (X_i - media de X) ^2 (-2.25) ^2 + (-1.25) ^2 + (0.75) ^2 + (2.75)^2 = 22.25
6. Utilizar las fórmulas para estimar los coeficientes de la regresión:
β1 = ∑ (X_i - media de X) * (Y_i - media de Y) / ∑ (X_i - media de X) ^2 β1 = 17.5 / 22.25 =
0.788
β0 = media de Y - β1 * media de X β0 = 7.5 - 0.788 * 4.25 = 4.453
Por lo tanto, la ecuación de la regresión estimada es:
Y = 4.453 + 0.788X
Donde β0 es la intersección de la línea de regresión con el eje Y y β1 es la pendiente de la línea
de regresión.

III. En listado donde se realizó un levantamiento de la venta de 220 propiedades de

una comunidad, donde se ha tratado de modelizar el precio, obteniéndose:
^
P = 119.2 + 0.485 X 1 + 23.4 X 2 + 1.7 X 3 + 0.02 X 4 + 0.090 X 5 – 48.8 X 6
2
R = 0.72
SCE = 41.5
P es el precio en miles de dólares
X1 Número de dormitorios
X2 Número de baños
X3 Tamaño de la vivienda (en m2)
X4 Tamaño del solar
X5 Antigüedad de la vivienda en años
X6 Es una variable binaria que toma el valor 1 si el estado general de la casa es malo.
SCE es la suma de cuadrados explicada.
a) Suponga que un propietario hace una remodelación, para convertir un espacio existente en un
nuevo cuarto de baño. ¿Cuál será el efecto en el precio de la casa? Para determinar el efecto de la
remodelación en el precio de la casa, se debe analizar el coeficiente asociado a la variable X2
(número de baños) en la regresión. Como el nuevo cuarto de baño aumentará en uno la cantidad
de baños de la casa, el impacto en el precio se puede estimar como 0.485, que es el coeficiente
estimado para X1. Es decir, se espera que el precio aumente en 0.485 miles de dólares por cada
baño adicional.
b) Otro propietario añade un nuevo cuarto de baño aumentando el tamaño de la misma en 9m2
¿Cuál es el efecto sobre el precio?
El efecto de agregar un nuevo cuarto de baño y aumentar el tamaño de la vivienda en 9m2 se
puede determinar analizando los coeficientes estimados para X2 y X3. Como el nuevo cuarto de
baño aumentará en uno la cantidad de baños de la casa, el impacto en el precio se puede estimar
como 0.485, que es el coeficiente estimado para X2. Además, se espera que el precio aumente en
23.4 * 9 = 210.6 miles de dólares por cada 9m2 adicionales de tamaño de la vivienda. Por lo
tanto, el efecto total sobre el precio será de 0.485 + 210.6 = 211.085 miles de dólares.
c) ¿Qué sucederá con el precio de una vivienda si su propietario deja que se deteriore hasta que
pueda considerarse en mal estado? Si el propietario permite que la casa se deteriore y se
convierta en mal estado, el impacto en el precio se puede estimar analizando el coeficiente
asociado a la variable X6 en la regresión. Como el coeficiente estimado es -48.8, se espera que el
precio disminuya en 48.8 miles de dólares si la casa está en mal estado en comparación con una
casa en buen estado.
d) Calcule en R2 de la regresión y un estimador de la varianza de las perturbaciones
El R2 de la regresión es 0.72, lo que indica que el modelo explica el 72% de la variabilidad en
los precios de las casas. El estimador de la varianza de las perturbaciones se puede calcular como
SCE / (n - k - 1), donde n es el número de observaciones y k es el número de variables
independientes en la regresión (en este caso, 6). Por lo tanto, el estimador de la varianza de las
perturbaciones es 41.5 / (220 - 6 - 1) = 0.204.

IV. En un estudio econométrico de corte transversal para cuantificar el posible

impacto del nivel de renta familiar sobre el número de años de estudio de un
grupo de mujeres. La variable a explicar sería el número de años que ha
estudiado la mujer, ne , y la variable explicativa de interés sería el nivel de renta
familiar, renta . El siguiente modelo relaciona ambas variables:
ne i=β 0 + β 1 renta i+ ei

a) Indique la interpretación de β 1.
β_1 representa la relación entre el nivel de renta familiar y el número de años de estudio
de las mujeres en el modelo. Un aumento de una unidad en la variable renta se asocia con
un aumento de β_1 unidades en el número de años de estudio.
b) ¿Qué otras características de la mujer podrían influir sobre el número de años estudios?
Otras características de las mujeres que podrían influir en el número de años de estudio
incluyen la edad, el nivel educativo de los padres, la situación socioeconómica, la
 ubicación geográfica, la motivación personal, la disponibilidad de recursos y la existencia
de obligaciones familiares o laborales.
c) ¿Qué tipos de factores están englobados en e i? Nombres algunos en concreto.
e_i representa el término de error en el modelo, que engloba todos los factores no
incluidos en el modelo que podrían influir en el número de años de estudio. Algunos de
estos factores podrían incluir la motivación personal, las habilidades cognitivas, la
situación familiar y personal, la presión social y cultural, la calidad de la educación, entre
otros.
d) A la vista de las respuestas anteriores, ¿puede mejorarse la especificación del modelo?
Sí, podría mejorarse la especificación del modelo incluyendo otras variables explicativas
que puedan influir en el número de años de estudio, como las mencionadas en la
respuesta b. También podría considerarse la inclusión de términos de interacción entre las
variables existentes para capturar posibles efectos moderados. Además, podría explorarse
la posibilidad de utilizar un modelo longitudinal para analizar la relación entre la renta y
el número de años de estudio a lo largo del tiempo.

V. Lea y explique a modo de resumen los siguientes temas relacionados al libro de

Wooldridge u otra fuente de su interés:
Capítulo 1
 La econometría: se enfoca en la aplicación de la teoría económica y estadística
para el análisis de datos empíricos. Busca establecer relaciones causales entre
variables económicas y pronosticar su comportamiento futuro.
 Los pasos para un análisis económico empírico: formular una pregunta,
recolectar los datos necesarios, seleccionar un modelo apropiado, estimar los
parámetros del modelo, probar la hipótesis, evaluar los resultados y hacer
predicciones.
 Las diferente estructuras y tipos de datos económicos: Los tipos de datos
económicos pueden ser de sección cruzada, series temporales o panel. La
estructura de los datos también puede ser lineal o no lineal, paramétrica o no
paramétrica.
 Causalidad y ceteris paribus: Causalidad se refiere a la relación entre una
variable independiente y una variable dependiente, mientras que el principio
de ceteris paribus establece que, en el análisis económico, se mantienen
constantes las demás variables relevantes.
Capítulo 2
 Estimación por Mínimo Cuadrado Ordinario (MCO): La estimación por
Mínimos Cuadrados Ordinarios (MCO) es un método de regresión lineal que
minimiza la suma de los errores al cuadrado para obtener una línea de mejor
ajuste.
 Propiedades del MCO: Las propiedades del MCO incluyen la insesgadez, la
eficiencia, la consistencia y la normalidad de los residuos.
  Bondad de ajuste: La bondad de ajuste se refiere a la capacidad del modelo
para explicar la variación de los datos. El coeficiente de determinación (R^2)
es una medida común de la bondad de ajuste.
 Efectos de los cambios de unidades de medición sobre los estadísticos
obtenidos por MCO: Los cambios en las unidades de medición pueden afectar
los valores de los coeficientes y el error estándar, pero no afectan la forma
general del modelo.
 Varianzas en modelos mal especificados: En modelos mal especificados, los
errores estándar de los coeficientes pueden ser sesgados y la eficiencia del
estimador puede verse afectada.
 El teorema de Gauss-Markov: El teorema de Gauss-Markov establece que,
bajo ciertas condiciones, el estimador MCO es el mejor estimador lineal
insesgado.

VI. Del ejercicio de Excel visto en clase y replicado en sus computadoras realice lo
siguiente del ejercicio:
 R2
Es igual a 0.5774 es decir 58%
 Desviacion tipica
Es igual a 2.85
 Error típico
El error típico es de 2.001
 Grafique resultados