Documentos de Académico
Documentos de Profesional
Documentos de Cultura
05 de junio, 2023
¿Dónde vamos?
Parte 1— Introducción y fundamentos del análisis regresión
• Capítulo 1— La naturaleza de la econometría y los datos económicos
• Capítulo 2— Modelo de regresión simple
• Capítulo 3— Análisis de regresión múltiple: estimación
• Capítulo 4— Análisis de regresión múltiple: inferencia
• Capítulo 5— Análisis de regresión múltiple: MCO asintótico
• Motivación
• Ejemplos de modelos de regresión con series de tiempo
• Propiedades de muestras finitas MCO bajo supuestos clásicos
• Cuando falla MCO: regresión espuria
• Tendencias y estacionalidad
• Propiedades asintóticas
• Estacionariedad y persistencia
Series de tiempo
Source: The Economist, Oct. 18, 2014; Jan. 23, 2016; Nov. 1, 2014
Series de tiempo
Efecto causal:
¿Cuál es el efecto dinámico de x sobre y (ej. efecto de los bonos Covid sobre la
oferta laboral?
Pronóstico:
¿Cuál es el mejor pronóstico de una variable en el futuro (ej. crecimiento del PIB,
tasa de desempleo, tipo de cambio, etc.)?
Tipos de modelos de regresión con series de tiempo:
1. Modelos que no incluyen rezago de variable dependiente:
MCO con propiedades de muestras finitas
• Modelos estáticos
• Modelos con rezagos distribuidos finitos (en variables
explicativas) (FDL)
2. Modelos que incluyen rezago de variable dependiente y/o donde
no se cumplen propiedades de muestras finitas→ se requieren
propiedades asintóticas:
• Modelos autorregresivos (AR)
• Modelos autorregresivos con rezagos distribuidos (ADL)
Tipos de modelos de regresión con series de tiempo:
1. Modelo estático
Relación contemporanea entre y y z
yt = β0 + β1 zt + ut
Ejemplo:
Tipos de modelos de regresión con series de tiempo
¿Qué sucede cuando se hace una regresión entre series de tiempo crecientes
o decrecientes?
• La correlación será positiva o negativa
• El estadístico-t “indica” significancia fuerte
• Por qué falla MCO en este caso?
• ¿Qué supuestos TS1-TS5 no se sostienen?
Cuando falla MCO: Regresión espuria
yt = β0 + β1 xt1 + β2 xt2 + β3 t + ut
∗
0.000 −0.3811𝑙𝑜𝑔 𝑝𝑟𝑖𝑐𝑒
Tendencia eliminada 𝑙𝑜𝑔
𝑖𝑛𝑣𝑝𝑐 ∗ =
0.022 0.670
n = 42, 𝑅2 = 0.008, 𝑅ത 2 = −0.017
Tendencias y estacionalidad
Ejemplo de estacionalidad: parejas separándose (medido en actualizaciones de facebook)
Desestacionalizar
• Regresar yt, xt1…xtk sobre las variables dummy
• Obtener los residuos
𝑦ሷ𝑡 = 𝑦𝑡 − 𝛿መ0 − 𝛿መ1𝑓𝑒𝑏𝑡 − ⋯ − 𝛿መ11𝑑𝑒𝑐𝑡
Importancia de la estacionariedad
yt = ρyt-1 + et , t = 1, 2,…
• Para que este proceso sea débilmente dependiente, debe darse el caso que 𝜌 < 1
• Corr(yt ,yt+h) = Cov(yt ,yt+h)/(sysy) = r1h que se hace más pequeño a medida que h
aumenta.
• Primero hay que probar si las series son persistentes: prueba de raíces
unitarias (más adelante).
Una caminata aleatoria es integrado de orden uno [I(1)], lo que significa que la
primera diferencia será I(0).
∆𝑦𝑡 = 𝑦𝑡 − 𝑦𝑡−1 = 𝑒𝑡 , 𝑡 = 2,3 … ,
∆𝑙𝑜𝑔 𝑦𝑡 ≈ 𝑦𝑡 − 𝑦𝑡−1 Τ𝑦𝑡−1
Capítulo 10
Problema No. 2
Problema No. 6
Problema No. 8
Ejercicio computación C11
Ejercicio computación C13
Capítulo 11
Problema No. 2
Problema No. 5
Problema No. 7
Ejercicio computación C2
Ejercicio computación C12