Hechos clave de Econometría Aplicada – Sesión Lunes 8 de mayo

Kevin Rojas

PARTE I

La econometría utiliza técnicas estadísticas para abordar temas económicos y se divide en

Microeconometría, que se enfoca en regresiones no lineales, datos multivariados, entre otros,
y Macroeconometría, que trabaja con datos de panel y series de tiempo. La econometría
aplicada es clave en el campo laboral para estimar variables económicas y analizar políticas. Se
utilizan modelos para estimar y predecir, así como para inferir relaciones entre variables. Los
métodos paramétricos y no paramétricos son formas de estimar, mientras que los modelos
supervisados y no supervisados representan diferentes enfoques de clasificación.

Ejemplos de la vida real:

Microeconometría: Un minorista quiere segmentar a sus clientes según sus patrones de compra
para ofrecer promociones personalizadas. Utiliza técnicas de agrupamiento para analizar datos
de transacciones y categorizar a los clientes en diferentes grupos.

Macroeconometría: Un gobierno quiere evaluar el impacto de una política fiscal en el

crecimiento económico. Utiliza datos de panel para analizar el efecto de la política en diferentes
regiones y períodos de tiempo.

Estimación y Predicción: Una empresa quiere predecir la demanda futura de sus productos.
Utiliza modelos de regresión para estimar la relación entre las variables económicas y las ventas,
y luego realiza predicciones basadas en el modelo para anticipar la demanda futura.

Inferencia: Un investigador quiere entender cómo el nivel educativo afecta los ingresos. Utiliza
un modelo de regresión lineal para inferir la relación entre el nivel educativo y los ingresos, y
analizar la magnitud del impacto.

PARTE II

La medición del ajuste de los modelos es fundamental para evaluar su rendimiento. El error
cuadrático medio (MSE) es la medida más comúnmente utilizada para evaluar qué tan cerca
están los valores predichos de los valores observados. Existe un compromiso entre el sesgo y la
varianza al ajustar un modelo, y obtener un buen equilibrio entre estos dos factores es crucial
para obtener un buen rendimiento.

Existen modelos de clasificación que trabajan con variables cualitativas en lugar de numéricas,
como el clasificador Bayes y el algoritmo K-Vecinos Cercanos (KNN). El KNN es un método no
paramétrico que puede utilizarse tanto para clasificación como para regresión y es
especialmente útil para identificar relaciones no lineales entre variables.

Ejemplos de la realidad:

En un estudio de marketing, se podría utilizar el algoritmo KNN para clasificar a los clientes en
grupos objetivo basándose en sus características demográficas y de compra.

En un estudio de salud pública, un investigador podría utilizar la regresión KNN para identificar
la relación entre la exposición a un contaminante ambiental y el riesgo de desarrollar una
enfermedad específica, especialmente si la relación no es lineal.
En un estudio de crédito bancario, un banco podría utilizar el clasificador Bayes para estimar la
probabilidad de impago de un cliente y clasificar a los clientes en grupos de riesgo para la toma
de decisiones de crédito.

Preguntas y respuestas:

¿Cuál es la diferencia entre los métodos paramétricos y no paramétricos?

R: Los métodos paramétricos asumen una forma funcional específica, como una función lineal,
mientras que los no paramétricos no hacen supuestos sobre la forma funcional y se adaptan
mejor a diferentes formas de datos.

¿Qué son los modelos supervisados y no supervisados?

R: Los modelos supervisados involucran una variable respuesta y buscan realizar inferencia o
predicción, mientras que los modelos no supervisados no tienen una variable respuesta y se
centran en agrupar y clasificar datos.

¿Cuál es la diferencia entre estimación y predicción en econometría?

R: La estimación se enfoca en encontrar una función que represente la relación entre las
variables, mientras que la predicción busca estimar la variable dependiente a partir de las
variables explicativas.

¿Qué es el error cuadrático medio (MSE)?

R: Es una medida utilizada para evaluar qué tan cerca están los valores predichos de los valores
observados. Un MSE pequeño indica que los valores predichos están cerca de los valores
observados, mientras que un MSE más alto indica un ajuste menor.

¿Cuál es el compromiso entre el sesgo y la varianza en el ajuste de modelos?

R: Un buen modelo debe tener tanto un sesgo bajo como una varianza baja, pero existe un
compromiso entre estos dos factores. Modelos más flexibles generalmente tienen menos sesgo
pero más varianza, mientras que modelos menos flexibles tienen más sesgo pero menos
varianza.

¿Qué es el clasificador Bayes y cómo funciona?

R: El clasificador Bayes es un modelo de clasificación que se basa en la probabilidad condicional

de Y dado el valor observado X. Utiliza un límite de Bayes para clasificar las observaciones según
la probabilidad determinada por el investigador.

¿Qué es el algoritmo K-Vecinos Cercanos (KNN) y en qué casos es útil?

R: El algoritmo KNN es un método no paramétrico que puede utilizarse tanto para clasificación
como para regresión. Es especialmente útil para identificar relaciones no lineales entre variables
y para adaptarse a diferentes formas en los datos.