Documentos de Académico
Documentos de Profesional
Documentos de Cultura
General
General
UPV—EHU
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 1/192
1 Introducción
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 2/192
1.1 Definiciones. Elementos de Econometría
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 3/192
Introducción: Definiciones
ECONOMETRÍA
■ etimológica:
oίκoς [oíkos], ’hogar’,
y ν óµoς [nómos], ’reglas’
por lo tanto economía ’administración doméstica’,
+ µετ ρώ [metró], ’medir’.
Economía + Medición
■ aditiva:
Ciencia social que aplica
Teoría económica, Matemática e Inferencia Estadística
en el análisis de fenómenos económicos (Goldberger(1964)).
■ utilitaria: El arte del económetra = definir el modelo apropiado + encontrar el
procedimiento estadístico óptimo
económetra 6= estadístico;
· · · + sólida formación en Economía (Malinvaud(1963)).
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 4/192
Introducción: Definiciones
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 5/192
Introducción: 3 Elementos:
■ TEORÍA ECONÓMICA:
se encarga de
◆ (general:) análisis de la economía
◆ (específico:) relaciones entre variables económicas
■ DATOS:
cuantificar NO es uno de los objetivos de la Ta Económica
■ ESTADÍSTICA:
proporciona la estructura básica de métodos de procesamiento de datos
para:
◆ (estimar:)
cuantificar relaciones entre variables de forma apropiada.
◆ (contrastar:)
validar resultados de acuerdo con ciertos estándares ya establecidos.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 6/192
1.2 Concepto y ejemplo de modelo:
Desde el modelo económico al modelo
econométrico.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 7/192
Elemento 1: Ta Económica: modelo básico
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 8/192
Elemento 1: Ta Económica: vars adicionales
■ Modelo completo:
V = f( p , pc , c )
ventas precio precio competencia ciclo
(−) (+) (+)
■ NOTA:
modelo económico propuesto ≡ resumen de ideas,
pero nada nuevo para el gerente;
él necesita un modelo específico para su empresa
como sus ventasresponden a sus precios.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 9/192
Elemento 2: Datos:
■ Información específica:
el gerente tiene información sobre:
■ ◆ sus ventas y sus precios (datos cuantitativos)
◆ precios de la competencia (datos cuantitativos)
◆ momento cíclico (datos cualitativos)
■ p.ej.:
fechas Ventas precios p.comp ciclo
ene 80 1725 12,37 11,23 alto
feb 80 1314 11,25 10,75 alto
abr 95 1234 13,57 14,5 bajo
.. .. .. .. ..
. . . . .
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 10/192
Elemento 2: Datos: modelo específico
■ hasta ahora:
◆ modelo económico: resumen de ideas generales sobre la relación
◆ datos: o información específica sobre las diferentes variables
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 11/192
E2: ¿modelo (genérico) + datos (especifico)?:
■ β. . . = parámetros o coeficientes :
p.ej. β1 responde a la pregunta:
¿ en cuánto cambian las ventas si el precio cambia en una unidad monetaria ?
políticas de precios, decisiones de producciones etc. para la empresa.
■ B: indicadores:
asignar valores cuantitativos a variables cualitativas (como Ciclo): p.ej. sustituir por
indicador tal como Índice de Producción Industrial.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 12/192
E2: ¿Modelo +datos?: perturbaciones aleatorias
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 13/192
E2: ¿Modelo+datos?: interpretación
■ Interpretación de ut :
⇒ efectos que afectan las ventas ligeramente en cada periodo
pero no están reflejados explícitamente en el modelo.
⇒ pequeñas discrepancias en los datos.
⇒ efectos no sistemáticos ≡ más erráticos.
⇒ variable aleatoria con cierta ley de probabilidad
(p.ej.: dn Normal ).
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 14/192
Elemento 3: Estadística:
■ el modelo estimado
◆ no será un modelo genérico
◆ sino un modelo específico para la empresa
■ ofrecerá al gerente
información específica para tomar decisiones.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 15/192
1.3 El Modelo Econométrico. La Perturbación o
término de Error.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 16/192
Características Básicas: notación datos
Yt = β0 + β1 X1t + · · · + βK XKt + ut , t = 1, 2, . . . , T .
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 17/192
Características Básicas: notación vars
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 18/192
Diferencias Básicas con el modelo económico
Yt = β0 + β1 X1t + · · · + βK XKt + ut t = 1, 2 . . . T.
| {z } |{z}
parte sistemática parte no sistemática o
aleatoria
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 19/192
Clasificación de modelos econométricos
Diferentes enfoques:
■ considerando los tipos de datos:
◆ modelos de Series temporales.
◆ modelos de Sección cruzada.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 20/192
1.4 Etapas en la elaboración del modelo.
Utilidad del modelo.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 21/192
Etapas en la elaboración del modelo
Y = β0 + β1 X1 + · · · + βK XK + u.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 22/192
Etapas en la elaboración del modelo
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 23/192
Utilización del modelo econométrico
El modelo que haya pasado por todas la etapas previas puede entonces
utilizarse para:
■ análisis económico:
◆ interpretación de coeficientes,
◆ contraste de hipótesis,
◆ etc.
■ predicción:
◆ predicción series temporales:
predecir valores futuros de Y .
◆ en general:
responder a preguntas del tipo
¿ qué pasaría si...?
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 24/192
2 El Modelo de Regresión Lineal (I).
Especificación y Estimación.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 25/192
2.1 Especificación del Modelo de Regresión Lineal
General (MRLG).
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 26/192
Especificación del MRLG (1)
■ Punto de partida:
◆ un modelo lineal :
Y = β0 + β1 X1 + · · · + βK XK + u,
◆ una muestra de datos de tamaño T :
Yt , X1t , X2t , . . . , XKt , t = 1 . . . T ,
donde
Yt = t-ésima obs de Y,
Xkt = t-ésima obs de Xk , k = 1, 2 . . . K.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 27/192
Especificación del MRLG (2)
■ MRLG:
Yt = β0 + β1 X1t + · · · + βK XKt + ut , t = 1, 2 . . . T,
cuyos elementos son (recuérdese):
◆ Y : variable dependiente ,
◆ Xk , k = 1 . . . K: variables explicativas ,
◆ β0 : intercepto,
βk , k = 1 . . . K: coeficientes ( parámetros a estimar),
◆ u: error o perturbación (aleatoria no observable),
que permite capturar:
■ variables no incluidas en el modelo,
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 28/192
MRLG en forma de observación
El modelo
Yt = β0 + β1 X1t + · · · + βK XKt + ut , t = 1, 2 . . . T,
supone para cada observación:
Y1 = β0 + β1 X11 + β2 X21 + · · · + βK XK1 + u1
Y2 = β0 + β1 X12 + β2 X22 + · · · + βK XK2 + u2
......
Yt = β0 + β1 X1t + β2 X2t + · · · + βK XKt + ut
......
YT = β0 + β1 X1T + β2 X2T + · · · + βK XKT + uT
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 29/192
MRLG en forma matricial (1)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 30/192
MRLG en forma matricial (2)
■ es decir:
Y1 1 X11 X21 . . . XK1 u1
β0
Y2 1 X12 X22 . . . XK2 β u2
1
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
= β2 + . . .
Y 1 X X . . . X u
t 1t 2t Kt .
. t
.
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
YT 1 X1T X2T . . . XKT βK uT
Y X β u
(K+1 × 1)
(T × 1) (T × K+1) (T × 1)
Y = Xβ + u.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 31/192
2.2 Supuestos Básicos (Clásicos) .
Interpretación.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 32/192
Supuestos Básicos del MRLG (1)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 33/192
Supuestos Básicos del MRLG (2)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 34/192
Supuestos Básicos del MRLG (3)
c) Serialmente incorrelacionado:
Cov ut , us = E ut us = 0 ∀t 6= s.
d) Distribución normal(∗) :
ut ∼ N ∀t. (* añadido)
Supuestos 4a–4d conjuntamente:
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 35/192
Supuestos Básicos en forma matricial (1)
■ de 4a: Vector de medias:
E u1 0
E u 2 0
E u =
.. = .. = 0T
(T × 1) . .
E uT 0
u ∼ ( 0 , σu2 IT )
(T × 1) (T × 1) (T × T )
■ plus 4d:
u ∼ N ( 0 , σu2 IT )
(T × 1) (T × 1) (T × T )
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 37/192
2.3a Mínimos Cuadrados Ordinarios (MCO) en el
Modelo de Regresión Lineal Simple (MRLS).
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 38/192
MRLS: la FRP
■ Con K = 1 Yt = β0 + β1 X1t + ut ,
■ Función
de Regresión Poblacional (FRP):
E ut = 0 parte sistemática o FRP:
E Yt = α + βXt
■ Interpretación de los
parámetros:
◆ α = E Yt |Xt = 0 : Valor esperado de Yt
■ b, βb
α modelo estimado o FRM:
Ybt = α b t
b + βX
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 40/192
Perturbaciones frente a Residuos
■ Perturbaciones en FRP:
ut = Yt − E Yt = Yt − α − βXt
■ Residuos en FRM:
bt = Yt − Ybt = Yt − α
u b t
b − βX
■ Los Residuos son a la FRM
lo que las perturbaciones son a la FRP.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 41/192
MRLS: FRP y FRM
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 42/192
Estimación: Propiedades Deseadas (1)
Sea βb un estimador de β. . .
Insesgadez:
E βb = β ⇔ βb insesgado
* `
b b
q b
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 43/192
Estimación: Propiedades Deseadas (2)
`
b
è
b
b
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 44/192
Estimación: criterio MCO
■ Primeras derivadas:P 2
∂ ut P ∂ut P
◆ = 2 ut = 2 ut (−1)
∂α
P ∂α
2 P ∂ut P
∂ ut
◆ = 2 ut = 2 ut (−Xt )
∂β ∂β
■ c.1er o. (mínimo)
X ⇒ primerasX derivadas son cero:
◆ u
bt = (Yt − α b t)
b − βX =0
X X
◆ u
bt Xt = (Yt Xt − α b 2) = 0
bXt − βX t
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 45/192
Estimación: Ecuaciones normales y EMC de α
■ De las c.1er o. anteriores:
X
(Yt − α b t) = 0
b − βX
X
(Yt Xt − α b 2) = 0
bXt − βX t
bM CO = Y − βb X
α
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 46/192
Estimación: Ecuaciones normales y EMC de β
■ b en la 2a ec. normal:
Sustituyendo α
X X X
b
Yt Xt = (Y − βX) Xt + βb Xt2
■ . . . dividiendo por T y agrupando términos:
1X b 1
P b 1 X
2
Yt Xt = (Y − βX) T X t + β X t
T T
1X 1 X 2
Yt Xt − Y X = βb Xt2 − X
T T
■ . . . y despejando la incógnita:
1
P 1
P
b T Yt Xt − Y X T yt xt ¿ Por qué ?
β= P 2 2 = 1
P 2 −→
1
Xt − X T x t ? ‘Por qué ?
T
■ Es decir:
P
yt x t Cov Y, X
βbM CO = P 2 =
xt Var X
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 47/192
Recuérdese: ¿varianzas y covarianzas?
■ ¿ varianza de los datos originales (no centrados) ?
1X 2 1X
Var X = xt = (Xt − X)2
T T
1X 2 1X 2 2 X
= Xt + X − X Xt
T T T
1X 2 1X 2 2
xt = Xt − X
T T
1X 1X
xt yt = Xt Yt − XY
T T
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 48/192
Ejemplo numérico : datos de prod de fresas
■ Datos. . .
■ Datos centrados o “en desviaciones”
(desviaciones de las medias respectivas). . .
■ Cuadrados y productos. . .
Y X y x y2 x2 yx
40 10 -30 -40 900 1600 1200
60 25 -10 -25 100 625 250
50 40 -20 -10 400 100 200
70 45 0 -5 0 25 0
90 60 20 10 400 100 200
80 80 10 30 100 900 300
100 90 30 40 900 1600 1200
Suma 2800 4950 3350
Media 70 50 0 0 400 707.14 478.57
Cov Y, X
b = 36,162 (= Y − βX)
α b βb = 0,677 =
Var X
Se puede utilizar formulas basados en los datos originales. . . (Ejercicio: ¡ Inténtalo
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 49/192
Ejemplo numérico: gráfico regresión fresas
120
100 `
u5
80
Y 60
40
` `
20 a b×10
0
0 10 20 30 40 50 60 70 80 90 100
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 50/192
2.4a Propiedades de la Función de Regresión
Muestral.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 51/192
Propiedades de los residuos y la FRM (1)
αβbMCO
bMCO Ybt = α b t
b + βX bt = Yt − Ybt
u
P
1. residuos suman cero: u bt = 0
Demo: directamente de las c.1er o.
2. Yb = Y
bt = Yt − Ybt
Demo: por def.: u Yb = Y − u
b,
P
pero u
b= T 1
u
bt = 0 (de prop 1) Yb = Y .
3. la FRM pasa por el par de medias (X, Y ):
Y =α b
b + βX
Demo: de α b (1a ec. normal)
b = Y − βX
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 52/192
Propiedades de los residuos y la FRM (2)
P
4. residuos ortogonales a v. expl. X: Xt u
bt = 0
Demo: directamente de las c.1er o.
Pb
5. residuos ortogonales a la parte explicada de Y : Yt u bt = 0
X
Demo: (b b t) u
α + βX bt =
X X
α
b bt +βb
u Xt u
bt = 0
| {z } | {z }
=0 (de prop 1) =0 (de prop 4)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 53/192
Causalidad: Y sobre X frente a X sobre Y
120
X s/ Y
100
80 Y s/ X
Y 60
ˆ3
u
40
ˆ
u 3
20
α̂
ˆ
α*
0
0 10 20 30 40 50 60 70 80 90 100
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 54/192
Propiedades de los residuos y FRM (5)
8. <3> αbMCO y βbMCO insesgados ¡ valor esperado = valor verdadero !
9. <2>[]Demo:
◮ P
yt xt
βb = P 2
xt
1 X 1 X
E βb = P 2 E yt xt = P 2 β x2t
xt | {z } xt
βxt
b
E β =β
◮
b
b = Y − βX
α
1X
b
E α
b = E Yt − E β X
T
1X
= (α + βXt ) − βX = α + βX − βX
T
E α
b =α
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 55/192
2.5a Bondad de Ajuste:
Coeficiente de Determinación (R2 ).
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 56/192
Bondad de Ajuste: Coeficiente de determinación
X 2 X 2 X
■ Yt2 −T Y= Ybt2 −T Yb
+ b2t
u (de prop 2)
X X X
2 2
■ yt = ybt + b2t
u
↓ ↓ ↓
(SCT ) (SCE) (SCR)
■ Definición de R2 :
SCE SCR
R2 = =1−
SCT SCT
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 57/192
No intercepto inválido R2
■ <1>[] MRLS: Yt = βXt + ut ,
■ aplicar el ajuste Mínimo-Cuadrático:
T
X
mı́n u2t donde ut = Yt − βXt :
β
t=1
■ Primeras derivadas:
P
∂ u2t P ∂ut P
= 2 ut = 2 ut (−Xt )
∂β ∂β
■ c.1er o. (mínimo)X ⇒ primera
X derivada = cero:
bt Xt =
u b 2) = 0
(Yt Xt − βXt
■
(P
a
bt 6= 0,
u
¡ 6 ∃ 1 ecuación !! R2 inválido (¿ Por qué ?)
Yb 6= Y ,
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 58/192
Relación de R2 con el coef de correlación
1
P 2 1
P b 2 b21
P 2
2 T ybt T (βxt ) β T xt
R = 1
P = 1 P = 1 P
T yt2 T y 2
t T yt2
2
b2 Var X Cov Y, X Var X
=β = 2
Var Y Var X Var Y
2
Cov Y, X
=
Var X Var Y
R2 = rX,Y
2
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 59/192
Ejemplo numérico: datos de prod fresas (cont)
■ recuérdese datos y cálculos previos. . .
■ hacer lo mismo para valores ajustados. . .
■ ahora calcular R2 . . .
y2 Yb yb yb2 u
b b2
u
900 42.92 -27.07 732.82 -2.92 8.58
100 53.08 -16.91 286.25 6.91 47.87
400 63.23 -6.76 45.80 -13.23 175.09
0 66.61 -3.38 11.45 3.38 11.45
400 76.76 6.76 45.80 13.23 175.09
100 90.30 20.30 412.21 -10.30 106.15
900 97.07 27.07 732.82 2.92 8.58
Media 400 70 0 323.88
Suma 2800 2267.17 532.82
SCT SCE SCR
R2 = 0,8097 (= SCE SCR
SCT = 1 − SCT )
(Ejercicio: ¿ Cómo compara esto con Corr X, Y ? . . . a‘˛ Inténtalo !!)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 60/192
2.3b MCO en el MRLG.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 61/192
MRLG: la FRP
■ Recuérdese: modelo con K variables explicativas :
Yt = β0 + β1 X1t + · · · + βK XKt + ut ,
(2)
Y = Xβ + u
se llama MRLG.
■ Función de Regresión de Población (FRP):
E(u) = 0 parte sistemática o FRP:
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 62/192
Función de Regresión Muestral (FRM)
■ Objetivo del MRLG: obtener estimador βb = (βb0 , βb1 . . . , βbK )′ del vector de
parámetros desconocidos en (2).
βb modelo estimado, ajuste o FRM:
■ Notas:
◆ Perturbaciones en FRP:
◆ Residuos en FRM:
bt = Yt − Ybt = Yt − βb0 − βb1 X1t − · · · − βbK XKt
u
b = Y − Yb = Y − X βb
u
■ o
h en forma matricial:
recuérdese: u1
u
′ 2
u = u1 , u2 , . . . , uT u=
. . .
uT
PT i
entonces u u = ′
u21 + u22 + ··· + u2T = u
t=1 t
2
■ es decir
mı́n u′ u donde u = Y − Xβ
β
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 64/192
Nota: derivadas vectoriales
■ Sea u = u(β): derivs de c u y c u2 con respecto a β:
∂ ∂u ∂ 2 ∂u
(c u) = c y u = 2u
∂β ∂β ∂β ∂β
∂(u′ c) ∂u′
con respecto a β es: ∂β = ∂β c
(k × 1)
∂(u′ u) ∂u′
con respecto a β es: ∂β =2 ∂β u
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
(k × 1) Introducción a la Econometría - p. 65/192
c.1er o. en forma matricial
mı́n(u′ u) donde u = Y − Xβ
β
en el mínimo:
er
b = 0K+1
c.1 o. X ′ u
(K+1 × T ) (T × 1)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 66/192
Estimación: Ecuaciones normales y EMC de β
b =0 ⇒
X ′ (Y − X β)
XY =′ ′
XX βb (3)
(K+1 × 1) (K+1 × K+1) (K+1 × 1)
b ′ −1 ′
βMCO = (X X) X Y
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 67/192
Estimación: EMC de β (cont)
■ donde X ′ X es una matriz [K+1 × K+1]: [¿ recuérdese X e Y ? −→]
■
P P P
T X1t X2t ... XKt
PX P 2
X1t
P
X1t X2t . . .
P
X1t XKt
1t
X ′X =
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
(K+1 × K+1) P P P P 2
XKt XKt X1t XKt X2t . . . XKt
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 68/192
Estimador MCO con datos centrados
b⋆ ′ −1 ′
βMCO = (x x) x y
para los coeficientes del modelo.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 69/192
2.4b Propiedades de la FRM.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 70/192
Propiedades de los residuos y la FRM (1)
)
βb
b⋆ Yb = X βb b = Y − Yb
u
β βb0
P
1. residuos suman cero: u bt = 0
Demo: directamente de las c.1er o.:
PT
1 u
bt 0
P T
P1 X1t u bt 0
T
X ′u
b=0⇒ 1 X2t u bt = 0
... ...
PT
1 XKt u bt 0
2. Yb = Y
3. la FRM pasa a través del vector (X 1 , . . . X K , Y ):
Y = βb0 + βb1 X 1 + · · · + βbK X K
X ′u b = X ′ Y − X ′ X βb
b = X ′ (Y − X β)
= X ′ Y − X ′ X(X ′ X)−1 X ′ Y = 0
| {z }
=IK+1
5. residuos ortogonales a la parte explicada de Y : Yb ′ u
b=0
Demo: Yb ′ u b ′u
b = (X β) b = βb′ |{z}
X ′u
b=0
=0
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 72/192
2.5b Bondad de Ajuste:
Coeficiente de Determinación (R2 ) y Estimación de
la Varianza del Error.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 73/192
Bondad de Ajuste: R2 (repaso)
Recuérdese (lo mismo que antes pero ahora lo hacemos con vectores):
Y ′ Y = (Yb ′ + u
b′ )(Yb + u
b)
= Yb ′ Yb + u b + 2Yb ′ u
b′ u b
= Yb ′ Yb + u
b′ u
b (desde prop 5)
2 2
Y Y −T Y = Yb ′ Yb −T Yb + u
′
b′ u
b (de prop 2)
y ′ y = yb′ yb + u′ u
↓ ↓ ↓
(SCT ) (SCE) (SCR)
SCE SCR
R2 = =1−
SCT SCT
0 ≤ R2 ≤ 1
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 74/192
Bondad de Ajuste: R2 (repaso cont)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 75/192
Estimación de Var(ut )
T
1X 2
σ 2 = Var ut = E ut
2
≃ u
T t=1 t
X T
2 1
b =
σ b2t
u
T−K−1 t=1
2 RSS
b =
σ
T−K−1
el cual claramente es un estimador insesgado:
Demo: ∗
2
E SCR ( ) T−K−1
E σb = = = σ2
T−K−1 T−K−1
(∗ ver libro de texto)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 76/192
2.6 Propiedades del Estimador de Mínimos
Cuadrados en muestras finitas.
El Teorema de Gauss-Markov.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 77/192
Propiedades del Estimador MCO (1)
El estimador βbMCO = (X ′ X)−1 X ′ Y tiene las siguientes propiedades:
bMCO es una combinación lineal de perturbaciones:
■ Lineal: β
βb = (X ′ X)−1 X ′ (Xβ + u)
= (X ′ X)−1 X ′ Xβ + (X ′ X)−1 X ′ u
= β + (X ′ X)−1 X ′ u
= β + Γ′ u
■ insesgado: Dado queo E u = 0, βbMCO es insesgado:
b
E β =E β+Γu ′
′
=β+ΓE u
=β
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 78/192
Propiedades del Estimador MCO (2)
■ Varianza: Recuérdese:
Var u = σ 2 IT ,
βb = β + (X ′ X)−1 X ′ u,
b b b
Var β = E (β − β)(β − β)′
′ −1 ′ ′ ′ −1
= E (X X) X u u X(X X)
= (X X) X E uu X(X ′ X)−1
′ −1 ′ ′
b 2 ′
Var β = σ (X X) −1
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 79/192
Propiedades del Estimador MCO (2cont)
Var β0 b b
Cov β0 , β1 b . . . Cov β0 , βK b b
b
Cov β1 , β0 b Var β1 b . . . Cov β1 , βK b b
Var βb =
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
b
Cov βK , β0 b b
Cov βK , β1 b ... Var βK b
a00 a00 a01 . . . a0K
a a a . . . a
10 11 12 1K
2 ′ −1 2
σ (X X) = σ a20 a21 a22 . . . a2K
. . . . . . . . . . . . . . . . . . . . . . . . . . . .
aK0 aK1 aK2 . . . aKK
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 80/192
Teorema Gauss-Markov
“Dados los supuestos básicos del MRLG, el estimador MCO es el de
varianza mínima (el mejor) entre todos los estimadores lineales e insesgados”
Demo:
βe =D′ Y = D′ (Xβ + u) = D′ Xβ + D′ u
e
E β =D Xβ + D E u = D′ Xβ = β ⇒ D′ X = IK
′ ′
entonces βe = β + D′ u βe − β = D′ u
y su varianza:
h i
e e e ′ ′
Var β = E (β − β)(β − β) = E D u u D ′
= D E uu D = D′ σ 2 IT D = σ 2 D′ D
′ ′
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 81/192
Teorema Gauss-Markov (cont)
e b
Var β − Var β = σ 2 D′ D − σ 2 (X ′ X)−1
2
′ ′ −1
= σ D D − (X X)
2
′ ′ ′ −1 ′
= σ D D − D X (X X) X D
2 ′
′ −1 ′
= σ D IT − X (X X) X D
| {z }
M
= σ 2 D′ (M M ) D
= σ 2 (D′ M )(M ′ D) = D⋆ ′ D⋆
>0
Esto es, en particular todas las varianzas individuales serán mayores que las
respectivas por MCO.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 82/192
2.3c MCO: Expresiones útiles y Cronología.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 83/192
Expresiones útiles para SC
■
X X 2 2
2
SCT = (Yt − Y ) = Yt2 − T Y = Y ′ Y − T Y
X X 2 X 2 2
SCE = (Ybt − Yb )2 = Ybt2 − T Yb = b 2 b ′b
Yt − T Y = Y Y − T Y
2 2 2
b ′ b b′ ′ b b′ ′
= (X β) (X β) − T Y = β X X β −T Y = β X Y − T Y
| {z }
X′Y
■
X X X
SCR = b2t
u =u′
bub = Yt2 − Ybt2 = Y ′ Y − βb′ X ′ Y
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 84/192
Principales expresiones y Cronología
■ Y = Xβ + u
■ (X ′ X)−1 X ′Y
■ βb = (X ′ X)−1 X ′ Y
2
■ b
ESS = β X Y − T Y
′ ′
(¡ necesita Y !)
2
■ T SS = Y Y − T Y′
■ RSS = Y ′ Y − βb′ X ′ Y (¡ no Y !)
ESS2 RSS
■ R = =1−
T SS T SS
2 RSS
■ b =
σ
T−K−1
\
■ b
Var β = σ b2 (X ′ X)−1
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 85/192
2.7a Omisión de variables relevantes.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 86/192
Omisión de variables relevantes
■ relación verdadera:
h i βI
Y = Xβ + u = XI XII +u
β0
βII
β1
.
.
.
1 X11 ... XK ,1 XK +1,1 ... XK1
1 1
βK
1 X12 ... XK ,2 XK +1,2 ... XK2 1
1 1
X = , β = .
....................... ......................
1 X1T ... XK ,T XK +1,T ... XKT
1 1 β
K +1
1
.
.
.
Y = XI βI + XII βII + u βK
■ relación estimada :
Y = XI βI + v donde v = XII βII + u,
entonces E v 6= 0 b
E β 6= β.
es decir βb es sesgado.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 87/192
Omisión de variables relevantes: consecuencias
Resumen:
■ Estimador MCO de los coeficientes es sesgado
(excepto si x′I xII = 0 ).
■ Estimador MCO del intercepto es siempre sesgado.
■ Estimador de varianza del error es siempre sesgado.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 88/192
2.7b Multicolinealidad
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 89/192
Multicolinealidad Perfecta
Caso extremo:
■ combinación lineal exacta:
PK
◆
k=0 λk Xkt = 0, λ 6= 0, X0t = 1,
PK
◆ ∃ X i | X i = λ∗ + λ ∗
X ,
0 k = 1 k kt
k 6= i
◆ ∃ Xi , Xj | Corr Xi , Xj = 1,
◆ ∃ Xi | regres aux Xi sobre {Xk }K R2i = 1.
k=1
k 6= i
■ Problema:
◆ rk X < K+1, (X no es de rango completo)
◆ det(X) = 0
◆ ∄(X ′ X)−1
◆ ¿ βb ?
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 90/192
Multicolinealidad perfecta: ejemplo
■ Sea X4t = 2X1t ∀t:
X4t = 0 + 2X1t + 0 · X2t + 0 · X3t + 0 · X5t + · · · + 0 · XKt ,
■ y sustituyendo en el modelo:
Yt = β0 + β1 X1t + β2 X2t + β3 X3t + β4 (2X1t ) + · · · + ut ,
= β0 + (β1 + 2β4 )X1t + β2 X2t + β3 X3t + · · · + ut
| {z }
β1⋆
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 91/192
Multicolinealidad: contra-ejemplo
2
Yt = β0 + β1 X1t + β2 X1t + ut
◆ X tiene rango completo por columnas no hay problema.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 92/192
Multicolinealidad perfecta : consecuencias
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 93/192
2.7c Multicolinealidad imperfecta
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 94/192
Multicolinealidad imperfecta
■ Problema:
Yt = β0 + β1 X1t + β2 X2t + β3 X3t + β4 X4t + · · · + ut , t = 1, 2 . . . , T,
X4t = 2X1t + vt ,
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 95/192
Multicolinealidad: Síntomas
■ Síntomas típicos :
◆ alto R2
(grupo relevante de regresores)
◆ pero variables parecen no relevantes individualmente
(incapacidad de separar efectos de regresores).
■ más formalmente:
b⋆
2 ′ σ2
−1
⋆ −1
Var β = σ (x x) = Var X
T
2
σ
⇒ Var βbk = 2
,
T Var Xk (1 − Rk )
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 96/192
Multicolinealidad: Consecuencias
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 97/192
Multicolinealidad: Como detectar
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 98/192
Multicolinealidad: Algunas soluciones
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 100/192
MRLG bajo restricciones lineales (1)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 101/192
MRLG bajo restricciones lineales: ejemplos
■ función de producción con rendimientos de escala constantes: βK + βL = 1 .
■ demanda del producto como función del precio: β = −1 (por ejemplo).
■ en el MRLG: supongamos que β2 = 0 y 2β3 = β4 − 1 :
◆ Modelo completo:
βb0 , βb1 , βb3 , βb5 , . . . , βbK , junto con βb2 = 0 y βb4 = 2βb3 + 1 .
■ tiene nueva variable endógena Y
∗
t (no siempre es así: p.ej. si β2 = 0
sólo) y nueva variable explicativa Zt .
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 102/192
MRLG bajo restricciones lineales (2)
■ El método de “transformación” es bueno solamente para casos sencillos.
■ En general, q restricciones lineales (no redundantes) entre parámetros:
β0
1 ⋄ ⋄ ⋄ ... ⋄ β1
⋄
..
. .
β2 = .
. .. .
q ⋄ ⋄ ⋄ . . . ⋄ . . . ⋄
βK
◆ para una matriz R y vector r dados,
R β= r
(q × K+1) (q × 1)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 103/192
MRLG bajo restricciones lineales (2cont)
■ Escribir el ejemplo anterior β2 = 0 y 2β3 = β4 − 1
(q = 2 restricciones) como en la formula general:
β0
! β1 !
0 0 1 0 0 0 ... 0 0
β2 = .
0 0 0 2 −1 0 . . . 0 −1
. . .
βK
R r
(2 × K+1) (2 × 1)
β
(K+1 × 1)
Y = X β + u ,
(T × 1) (T × K+1) (K+1 × 1) (T × 1)
R β = r .
(q × K+1) (K+1 × 1) (q × 1)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 104/192
Estimación:MC Restringidos.
sujeto a R β = r.
■ Lagrangiano:
L(β, λ) = u′ u − 2λ′ (Rβ − r)
mı́n L(β, λ).
β,λ
■ Primeras derivadas:
∂L(β, λ)
= −2 X ′ u − 2 R ′ λ,
∂β
∂L(β, λ)
= −2 (R β − r),
∂λ
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 105/192
Estimación: MC Restringidos (cont).
R βbR = r, (5)
donde βbR y λ
b son valores de β, λ que satisfacen las c.1er o. y los residuos
bR = Y − X βbR .
u (6)
■ b
Despejando βbR y λ:
b = [R (X ′ X)−1 R ′ ]−1 (r − Rβ),
λ b
= βb + A(r − Rβ)
b = (I − AR) βb + Ar (7)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 106/192
Estimación MCR: características
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 107/192
Propiedades del estimador MCR (1)
Expresión (7) : βbR = (I − AR) βb + Ar
1. Lineal: estimador MCR βbR es c.l. del estimador MCO β, b que es lineal,
luego, a su vez, βbR es también lineal
(
b sesgado, si R β 6= r ,
2. Sesgo: estimador MCR βR es
insesgado, si R β = r cierto
Demo:
b b
E βR = (I − AR) E β + Ar = (I − AR) β + Ar = β + A(r − Rβ).
b b
3. Matriz de Covarianzas: Var βR = (I − AR)Var β = σ 2 (I − AR)(X ′ X)−1
Demo: (ver apuntes o libro de texto)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 108/192
Propiedades del estimador MCR (2)
5. resultado sorprendente (aparentemente):
■ menos “incertidumbre” sobre parámetros
más precisión en estimación. . .
■ pero. . . hacía un resultado erróneo (sesgado)
si la restricción no es cierta.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 109/192
Multicolinealidad frente a restricciones
Es importante distinguir claramente entre dos casos diferentes:
■ relaciones lineales entre regresores
(es decir multicolinealidad):
p.ej. X4t = 2X1t
⇒ falta información para estimaciones individuales.
■ relaciones lineales entre coeficientes:
p.ej. β4 = 2 β1
⇒ información extra sobre parámetros
estimadores con varianza más pequeña.
■ modelos a estimar respectivanmente:
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 111/192
3.1a Distribución del Estimador de Mínimo
Cuadrados bajo el supuesto de Normalidad.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 112/192
Estimador MCO bajo Normalidad
■ Si Y = Xβ + u, donde u ∼ N (0, σ 2 IT ) ,
entonces (recuérdese) el estimador MCO:
b 2 ′ −1
β ∼ N (β, σ (X X) )
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 113/192
Estimador MCO bajo Normalidad (casos)
R βb ∼ N (R β, σ 2 R (X ′ X)−1 R′ ).
βbs ∼ N (β s , σ 2 Ass )
donde β s = subvector de β, Ass = submatriz de (X ′ X)−1 .
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 114/192
Estimador MCO bajo Normalidad (casos)2
" #
0 1 0
■ En particular, si R = ⇒
0 0 1
β0 !
β1
R β1 = = β ⋆ (sin intercepto):
β2
β2
■ y
a00 a01 a02
(X ′ X)−1 = a10 a11 a12 ;
a20 a21 a22
■ entonces
βb⋆ ∼ N (β ⋆ , σ 2 ⋄)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 115/192
Residuos MCO bajo Normalidad
Entonces,
2
b ∼ N (0, σ M )
u
■ En particular, para el 4o residuo:
bt ∼ N (0, σ 2 m44 )
u
donde m44 es el 4o elemento diagonal de la matriz M .
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 116/192
3.1b Contrastar Hipótesis: un Repaso.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 117/192
Hipótesis y Contrastes (rep1)
■ Punto de partida:
)(
Y = Xβ + u βb ∼ N (β, σ 2 (X ′ X)−1 )
u ∼ N (0, σ 2 IT ) b ∼ N (0, σ 2 M )
u
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 118/192
Hipótesis y Contrastes (rep2)
elementos pasos
a) H0 : . . . frente a Ha : . . . (disjunta)
hipótesis para con-
trastar (sobre esti-
mador)
obtener estadístico de con-
b) traste
dn estimador con dn tabulada bajo H0 :
estadístico calculado
z }| {
∈ región crítica 6∈ región crítica
(“grande”) (“pequeño”)
c)
regla decisión ⇓ ⇓
Rechazar no Rechazar
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 119/192
Hipótesis y Contrastes (rep2-cont)
Ejemplo:
a) H0 : β = 2,5 frente a Ha : β 6= 2,5 (Var β =4)
βb − β
b) βb ∼ N (β, 4) z= ∼ N (0, 1)
2
0.4
0.3
βb − 2,5
c) z= ∈
2 0.2
0.1
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 120/192
Hipótesis y Contrastes: Región Crítica
0.3
II 0.2
II
aê2=2,5% aê2=2,5%
0.1
I 1-a=95% I
-Naê2 = +Naê2 =
-N0, 025 +N0, 025
región crítica región de confianza región crítica
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 121/192
Hipótesis y Contrastes: Región crítica (una cola)
0.3
0.2
0.1
región de confianza región crítica
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 122/192
Hipótesis y Contrastes: Distribuciones (repaso)
1. Def de χ2 (ji-cuadrado):
) m
(
Zi ∼ iid N (0, 1) X 2
E χ (m) = m
Z ′Z = Zi2 ∼ χ2 (m) 2
Z ∼ N (0, Im ) i=1
Var χ (m) = 2m
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 123/192
Hipótesis y Contrastes: Resultado útil
b ∼ N (0, σ 2 M ):
De u
SCR P 2 2 P 2 2
■
2
= (b
u t /σ ) = N (0, 1) ’s ∼ χ (T−K−1)
σ
b2
σ SCR SCR 2
■ Entonces: = = = χ /d.f.’s
σ2 σ 2 (T−K−1) σ 2 (T−K−1)
expr
◆ ∼ N (0, 1):
σ
expr expr/σ expr/σ N (0, 1)
◆ = =p =q =t
σ
b σ
b/σ σ 2
b /σ 2
χ2 /d.f.’s
expr 2
◆
2
∼ χ (n):
σ
expr 2
expr expr/σ 2 2 /n χ (n)/n
◆
2
= 2 2
⇒ σ
2 2
= 2
∼F
σ
b σ
b /σ σ
b /σ χ /d.f.’s
¡ N (0, 1) → t !!
■ En resumen: σ2 → σ
b2 ⇒
¡ χ2 → F !!
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 124/192
3.2a Contraste para Significación de un único
parámetro. Intervalos de Confianza.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 125/192
Contraste de Signif de un parámetro: dn
■ cambiar σ por σ
b:
■ Nota: b → Sβi
σβi b ⇒ ¡ N (0, 1) → t !!
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 126/192
Contraste de Signif de un parámetro: regla
βbi − βi
■ ∼ t (T−K−1)
Sβi
b
(
H0 : βi = c (contraste informativo)
■ ¿ Qué Contraste ?
H0 : βi = 0 (contraste de significatividad)
■ Recuérdese: Hipótesis estadístico regla. . .
■ Contraste de Significatividad:
◆ Hipótesis: H0 : βi = 0 frente a Ha : βi 6= 0
βbi
◆ Estadístico: t = ∼ t (T−K−1) bajo H0 :
Sβib
βbi
◆ Regla: |t| = | | > t α/2 (T−K−1) ⇒ rechazar H0 :
Sβi
b
⇒ βi es (estadísticamente o significativamente) distinto de cero
⇒ Xi es una variable (estadísticamente) relevante o significativa.
■ de forma similar para el contraste informativo H0 : βi = c (Ejercicio:
¡ Inténtalo !!)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 127/192
Contraste de Signif de un parámetro: regla (cont)
βbi
■ Regla: |t| = | | > t α/2 (T−K−1) ⇒ rechazar H0 :
Sβi
b
■
nivel de significación α = 5 % = 0,05
región crítica región de confianza región crítica
0.4
0.3
0.2
aê2 0.1
aê2
1-a=95% `
-taê2 +taê2
-t +t =2,571
región crítica región de confianza región crítica
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 128/192
Intervalo de confianza para βi
βbi − βi
■ Recuérdese que ∼ t (T−K−1)
Sβi
b
0.3
0.2
■
aê2 0.1
aê2
`
1-a=95%
-taê2 +taê2
-t +t =2,571
región crítica región de confianza región crítica
■
βbi − βi
es decir: Pr[−t α/2 ≤ ≤ +t α/2 ] = 1 − α
Sβi
b
■ Es decir:
IC1−α (βi ) = [βbi ± t α/2 Sβi
b ]
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 130/192
Contraste de única Combinación Lineal
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 131/192
Contraste de única Combinación Lineal: Ejemplo
H0 : ν = d ′ β = 0 1 1
β
L
= βL + βK
βK
=c =1
es decir, H0 : βL + βK = 1;
el contraste de la hipótesis de rendimientos de escala constantes.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 132/192
Contraste de única Combinación Lineal: dn
■ Dado que βb ∼ N (β, σ 2 (X ′ X)−1 ), tenemos que
d′ βb ∼ N (d′ β, σ 2 d′ (X ′ X)−1 d)
νb ∼ N (ν, Var νb )
PK
donde Var νb = σ 2 i,j=0 di dj aij
■ Como antes, estandarizando νb
νb − ν
q ∼ N (0, 1)
Var νb
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 133/192
Contraste de única Combinación Lineal: regla
νb − ν
■ ∼ t (T−K−1)
Sνb
n
■ ¿ Qué Contraste ? H0 : ν(= d′ β) = c (contraste informativo)
■ Recuérdese: Hipótesis estadístico regla. . .
■ Contraste de una combinación lineal:
◆ Hipótesis: H0 : ν = c frente a Ha : ν 6= c
◆ Estadístico:
νb − c
t= ∼ t (T−K−1) bajo H0 :
Sνb
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 134/192
Contraste de única Combinación Lineal: regla (co
νb − c
■ Regla: |t| = > t α/2 (T−K−1) ⇒ rechaza H0 :
Sνb
■
nivel de significación α = 5 % = 0,05
región crítica región de confianza región crítica
0.4
0.3
0.2
aê2 0.1
aê2
1-a=95% `
-taê2 +taê2
-t +t =2,571
región crítica región de confianza región crítica
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 135/192
Contraste de única Combinación Lineal: Ejemplo
■ En la fn de Cobb-Douglas linealizada:
[
log Yt =α b + βbL log Lt + βbK log Kt , T = 53;
■ [
log b2 = 4 ;
Y t = 2,10 + 0,67 log Lt + 0,32 log Kt , σ
2 0 0
′
(X X) −1
=
0 4 −1
0 −1 7
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 136/192
Contraste de única Combinación Lineal: Ej (cont)
■ Hipótesis: H0 : βL + βK = 1 frente a Ha : βL + βK 6= 1
◆
■ Estadístico:
νb = βbL + βbK
= 0,67 + 0,27 = 0,89
◆
r
\ \ \
b b b b
Sνb = Var βL + Var βK + 2Cov βL , βK
√
=σb a11 + a22 + 2a12
p √
= 2 4 + 7 + 2(−1) = 2 9 = 6
◆
νb − 1
t=
Sνb
0,89 − 1 −0,11
= = = −0,018.
6 6
■ t
Regla: |t| = 0,018 < 0,025 (50) = 2,01 ⇒ no rechazar H0 :
⇒ “rendimientos de escala constantes” es apoyado por datos.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 137/192
3.2b Contraste de Significatividad Conjunta.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 138/192
Contraste de Significatividad Conjunta: dn
■ H0 : β1 = β2 = · · · = βK = 0
■ H0 : β ⋆ = 0
a00 a01 . . . a0K
a10 a11 . . . a1K
b⋆ 2
β ∼ N (0, σ . ..
2 ′ −1
■
. .. ) ∼ N (0, σ (x x) )
. . ... .
aK0 aK1 . . . aKK
■ Estandarizar y construir Suma Cuadrados:
◆
βb⋆′ x′ xβb⋆ 2
∼ χ (K) bajo H0 :
σ2
■ Entonces (recuérdese el cambio σ 2 → σ
b2 ):
βb⋆′ x′ xβb⋆ /K K
F = ∼ F T−K−1
b2
σ
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 139/192
Contraste de Significatividad Conjunta: regla
βb⋆′ x′ xβb⋆ /K K
■ F = ∼ F bajo H0 :
T−K−1
b2
σ
n
■ Contraste de significatividad conjunta: H0 : β ⋆ = 0
■ Recuérdese: Hipótesis estadístico regla. . .
◆ Hipótesis: H0 : β ⋆ = 0 frente a Ha : β ⋆ 6= 0 (es decir ∃βi 6= 0)
◆ Estadístico:
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 140/192
Contraste de Significatividad Conjunta: regla (co
■ Regla: F > F α (K, T−K−1) ⇒ rechazarH0 :
■
nivel de significación α = 5 % = 0,05
región de confianza región crítica
0.6
0.5
0.4
0.3
0.2
0.1
a
`
Fa
región de confianza región crítica
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 141/192
Contraste de Significatividad Conjunta: Ejemplo
■ En el ejemplo anterior (fn de Cobb-Douglas linealizada:)
[
log b + βbL log Lt + βbK log Kt ,
Yt =α T = 53;
[
log Y t = 2,10 + 0,67 log Lt + 0,32 log Kt , b2 = 4; R2 = 0,88
σ
R2 /K
F =
(1 − R2 ) /(T−K−1)
0,88 /2 0,44
= = = 183,33 > F 0,05 (2, 50) = 3,19
(1 − 0,88) /(50) 0,024
⇒ βK y βL son conjuntamente significativos
⇒ regresión es relevante (estadísticamente).
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 142/192
3.3 Contraste General para Restricciones Lineales.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 143/192
Contraste de Restricciones Lineales: Ejemplo 1
Y = X β + u ,
(T × 1) (T × K+1) (K+1 × 1) (T × 1)
H0 : R β = r .
(q × K+1) (K+1 × 1) (q × 1)
=r =0
es decir, H0 : β2 = 0;
el contraste de significatividad individual de X2 .
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 144/192
Contraste de Restricciones Lineales: Ejemplo 2
■ H0 : R β = r .
(q × K+1) (K+1 × 1) (q × 1)
■
β
h i 0
..
H0 : Rβ = 0K IK . = β⋆
β⋆
=r =0
es decir, H0 : β ⋆ = 0;
el contraste de significatividad conjunta de la regresión.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 146/192
Contrastes de Restricciones Lineales: dn
■ . . . entonces, ¿ podemos tener un estadístico de contraste general que cubra
todas las hipótesis de la forma
H0 : R β = r ?
(q × K+1) (K+1 × 1) (q × 1)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 147/192
Contraste General de Restric Lineales: regla
n
■ ¿ Qué Contraste ? H0 : Rβ = r
■ Recuérdese: Hipótesis estadístico regla. . .
■ Contraste de restricciones lineales:
◆ Hipótesis: H0 : Rβ = r frente a Ha : Rβ 6= r
◆ Estadístico:
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 148/192
Contraste General de Restric Lineales: regla (con
■ Regla: F > F α (q, T−K−1) ⇒ rechazar H0 :
■
nivel de significación α = 5 % = 0,05
región de confianza región critica
0.6
0.5
0.4
0.3
0.2
0.1
a
`
Fa
región de confianza región critica
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 149/192
3.4 Contrastes basados en la Suma de Cuadrados
Residuales.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 150/192
Contraste General de Restric Lineales: regla 2
■ Hipótesis: H0 : Rβ = r frente a Ha : Rβ 6= r
■ Estadístico:
(Rβb − r)′ [R(X ′ X)−1 R′ ]−1 (Rβb − r)/q
F =
b2
σ
■ utilizando el resultado βbR = (I − AR)βb + Ar, el numerador es la diferencia
entre SCs:
(SCRR − SCR)/q q
F= ∼ F T−K−1 bajo H0 :
SCR/(T−K−1)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 151/192
Contraste General de Restric Lineales: Resumen
■ Hipótesis: H0 : Rβ = r frente a Ha : Rβ 6= r
■ Estadístico:
(Rβb − r)′ [R(X ′ X)−1 R′ ]−1 (Rβb − r)/q
F =
b2
σ
(SCRR − SCR)/q q
= ∼ F T−K−1 bajo H0 :
SCR/(T−K−1)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 152/192
Contraste basado en SC: Ej Cobb-Douglas
■ Hipótesis: H0 : βL + βK = 1 frente a Ha : βL + βK 6= 1
◆
■ Estadístico:
νb = βbL + βbK
= 0,67 + 0,27 = 0,89
◆
r
\ \ \
b b b b
Sνb = Var βL + Var βK + 2Cov βL , βK
√
=σb a11 + a22 + 2a12
p √
= 2 4 + 7 + 2(−1) = 2 9 = 6
◆
νb − 1
t=
Sνb
0,89 − 1 −0,11
= = = −0,018.
6 6
■ t
Regla: |t| = 0,018 < 0,025 (50) = 2,01 ⇒ no rechazar H0 :
⇒ la hipótesis de “rendimientos de escala constantes.es apoyada por los datos.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 153/192
Contraste basado en SC: Ej Cobb-Douglas (2)
■ Alternativamente, utilizar forma SC para calcular este ratio t:
sin restricciones:
log Y = α + βL log L + βK log K + u, SCR = 200
■ restringido: log Y = α + βL log L + (1 − βL ) log K + u
log(Y /K) = α + βL log(L/K) + u, SCRR = 200,001296
■
(SCRR − SCR)/q
F =
SCR/(T−K−1)
(200,001296 − 200)/1 ,001296
= = = 0,000324
200/50 4
< F 0,05 (1, 50) = 4,04
p
■ o (recuérdese que t (m) = F (1, m))
√ p
t= F = 0,000324 = 0,018
< t 0,05 (50) = 2,01
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 154/192
Contraste General: Ejemplo 2
" #" #
0 2 3 0 ... 0 5
■ MRLG con q = 2, R = yr= :
1 0 0 −2 . . . 0 3
" # " #
′ b
b d1 β 2βb1 + 3βb2
Rβ = ′ b = b
d2 β β0 − 2βb3
■
" #
d′1 (X ′ X)−1 d1 d′1 (X ′ X)−1 d2
R(X ′ X)−1 R′ =
d′2 (X ′ X)−1 d1 d′2 (X ′ X)−1 d2
" #
4a11 + 9a22 + 12a12 2a10 − 4a13 + 3a02 − 6a23
=
a00 + 4a33 − 4a03
■ Por lo tanto F = −1
h i 4a
11 + 9a22 + 12a12 2a10 − 4a13 + 3a02 − 6a23 2β1 + 3β2 − 5
2β1 + 3β2 − 5 β0 − 2β3 − 3 /2
a00 + 4a33 − 4a03 β0 − 2β3 − 3
b2
σ
2
∼ F T−K−1 bajo H0 :
■ es decir, un estadístico “F ” para contrastar dos restricciones lineales
conjuntamente.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 155/192
Contraste General: Ejemplo 2
■ Alternativamente (más fácil), utilizar forma SC para calcular este estadístico
F:
(
2β1 + 3β2 = 5
H0 :
β0 − 2β3 = 3
5 − 3β2
β1 = , β0 = 3 + 2β3
2
■ sin restricciones:
Y = β0 + β1 X1 + β2 X2 + β3 X3 + β4 X4 · · · + u SCR
■ restringido:
Y = (3 + 2β3 ) + (2,5 − 1,5β2 )X1 + β2 X2 + β3 X3 + β4 X4 · · · + u
Y − 3 − 2,5X1 = β2 (X2 − 1,5X1 ) + β3 (X3 + 2) + β4 X4 · · · + u
| {z } | {z } | {z }
Y∗ X2∗ X3∗
(SCRR −SCR)/q
■
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
yF = SCR/(T−K−1) , etc.
Introducción a la Econometría - p. 156/192
Contraste General: Ejemplo 3
h i
■ MRLG con q = K, R = 0K IK y r = 0K :
Rβb selecciona β⋆
a00 a01 ... a0K
a10 a11 ... a1K
R(X ′ X)−1 R′ selecciona .
. . . =
(x′ x)−1
. . .
. ... .
aK0 aK1 ... aKK
■ Por lo tanto:
(βb⋆ − 0)′ [(x′ x)−1 ]−1 (βb⋆ − 0)/K
F =
b2
σ
βb⋆′ x′ x βb⋆ /K
=
b2
σ
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 157/192
Contraste General: Ejemplo 3
■ Estadístico:
(SCRR − SCR)/q (SCT − SCR)/K SCE/K
F = = =
SCR/(T−K−1) SCR/(T−K−1) SCR/(T−K−1)
R2 /K
=
(1 − R2 )/(T−K−1)
obteniendo la misma formula que antes.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 158/192
3.5 Predicción por Punto e Intervalo de Predicción.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 159/192
Predicción
■ Capítulos anteriores: Especificación, Estimación y Validación.
■ Este capítulo: Fase final: Uso = Predicción.
■ Punto de partida: modelo apropiado para describir el comportamiento de la
variable Y :
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 160/192
Concepto
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 161/192
Elementos Básicos
■ Modelo o FRP:
Yt = β0 + β1 X1t + · · · + βK XKt + ut
Yt = Xt′ β + ut , t = 1, . . . , T.
■ Perturbaciones aleatorias up :
E up = 0, E up = σ 2 ,
2
E up us = 0 ∀ s 6= p.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 162/192
Predicción por Punto
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 163/192
Error de Predicción
■ El error cometido (al tomar Ybp en vez del verdadero Yp ) es
ep = Yp − Ybp ,
■ que puede expresarse como:
■ una función de las dos fuentes de error introducidas en la predicción.
■ Bajo normalidad:
■ de modo que
ep ∼ N (0, σe2 ) ,
= σ 2 (1 + Xp′ (X ′ X)−1 Xp ).
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 164/192
Intervalo de Predicción
■ Error de predicción estandarizado:
ep − 0 ep
= q ∼ N (0, 1),
σe σ 1 + Xp′ (X ′ X)−1 Xp
■ Recuérdese como al cambiar σ → σ
b ⇒ ¡ N (0, 1) → t !!, luego
ep ep
= q ∼ t (T−K−1).
σ
be σ ′ ′ −1
b 1 + Xp (X X) Xp
■ Por lo tanto: ep
P r(−t α/2 ≤ ≤ t α/2 ) = 1 − α,
σ
be
■ y despejando Yp :
be t α/2 ≤ Yp ≤ Ybp + σ
P r(Ybp − σ be t α/2 ) = 1 − α.
[
log b + βbL log Lt + βbK log Kt ,
Yt =α T = 53;
[
log Y t = 2,10 + 0,67 log Lt + 0,32 log Kt , b2 = 4
σ
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 166/192
Predicción: Ejemplo
■ Construir un IC del 95 % para el verdadero Yp :
be2 = σ 2 (1 + Xp′ (X ′ X)−1 Xp )
σ
h i 2 0 0 1
= 4 1 + 1 2,5 2,0 0 4 −1 2,5
0 −1 7 2,0
h i 1
= 4 1 + 2 8 11,5 2,5
2,0
= 4 (1 + 45) = 4 · 46 = 184
■
h i
CI(log Yp )0,95 \
= log be t 0,025 (50)
Yp ± σ
h √ i
= 4,42 ± 184 · 2,01
= [4,42 ± 27,25]
= [−22,84 ; 31,68]
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 167/192
4.1 Variables Ficticias.
Definición y uso en el MRLG.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 168/192
Variables Ficticias: Definición
⇒ Djt = I(t ∈ Tj )
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 169/192
1 VC con 2 categorías
Consumo = f ([cte], renta, sexo)
↓ ↓ ↓ ւց
Yt [1] Rt M asc F em
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 170/192
Trampa de Var Ficticias: 1 var cualitativa
■ ⇒ det(X ′ X) = 0
⇒ ¡ (X ′ X)−1 no existe !! y
¡ no se puede calcular βb !!
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 171/192
Solución: VF sin categoría
10
8
E Yt |S = F = β0 + β1 Rt ⇒ 6
4
E Yt |S = M = β0 + β1 Rt + γ1
8
2
2 4 6 8 10
E Yt |Rt = 0, S = F = β0
■ Interpretación Coeficientes:
E Yt |S = M − E Yt |S = F = γ1
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 172/192
Interpretación Coeficientes
sin categoría F
10
6
E Yt |S = M − E Yt |S = F = γ1 8
2
2 4 6 8 10
E Yt |Rt = 0, S = F = β0
■ <3>es decir,
β0 = consumo esperado Mujeres (base) si Rt = 0.
γ1 = dif. consumo esperado de Hombres
(frente a base = Mujeres).
β1 = ∆ consumo si ∆Rt = 1 (c.p.).
Recuérdese: Este caso sólo significa diferentes interceptos para cada categoría.
Nota: Eliminar una categoría transformarla en base de referencia.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 173/192
Contrastes Habituales con 1 VC
Hipótesis: variable cualitativa (Sexo) no significante
(no afecta el Consumo)
es decir M asc y F em mismo Consumo:
■ Hipótesis: H0 : γ = 0 frente a Ha : γ 6= 0
■ Modelo Restringido:
Yt = β0 + β1 Rt + ut
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 174/192
1 VC con 2 cats + 1 VC con 3 cats
Consumo = f ([cte], renta, sexo, territorio CAV)
↓ ↓ ↓ ւց ւ↓ց
Yt [1] Rt M asc F em A B G
T1t = I(t ∈ A)
S1t = I(t ∈ M )
T2t = I(t ∈ B)
S2t = I(t ∈ F )
T3t = I(t ∈ G)
Muestra:
t Y cte R S T t Y cte R S1 S2 T1 T2 T3
1 Y1 1 R1 M B 1 Y1 1 R1 1 0 0 1 0
2 Y2 1 R2 F G 2 Y2 1 R2 0 1 0 0 1
3 Y3 1 R3 F B ⇒ 3 Y3 1 R3 0 1 0 1 0
.. .. .. .. .. .. .. .. .. .. .. ..
. . . . . . . . . . . .
T YT 1 RT M A T YT 1 RT 1 0 1 0 0
¿ X ? X
Recuérdese: En principio, sustituir var cualitativa
por tantas vars Ficticias como categorías haya.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 175/192
Trampa de Var Ficticias: 2 vars cualitativas
■ ⇒ det(X ′ X) = 0
⇒ ¡ (X ′ X)−1 no existe !! y
¡ no se puede calcular βb !!
■ Solución General: eliminar UNA de las col’s que causa el problema: [1] o (S1
o S2 ) o (T1 o T2 o T3 ).
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 176/192
Solución: VF sin combinación de categorías
■ <6>Modelos Submuestras:
S=M S=F M −F
T = A β0 + β1 Rt + γ1 + δ1 β0 + β1 Rt + δ1 γ1
T = B β0 + β1 Rt + γ1 + δ2 β0 + β1 Rt + δ2 γ1
T =G β0 + β1 Rt + γ1 β0 + β1 Rt γ1
A−G δ1 δ1
B−G δ2 δ2
A−B δ1 − δ2 δ1 − δ2
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 177/192
Coeficiente Interpretación
sin categorías F ni G
$%
)
&
12
E Yt |S = M − E Yt |S = F = γ1
$%
&
(
10
8
$%
'
&
8
E Yt |T = A − E Yt |T = G = δ1 6
"
4
# "
E Yt |T = B − E Yt |T = G = δ2
2
!
-2 2 4 6 8 10
E Yt |Rt = 0, S = F , T = G = β0
■ <5>es decir,
β0 = consumo esperado Mujeres G (base) if Rt = 0.
γ1 = dif. consumo esperado Hombres frente a Mujeres .
δ1 = dif. consumo esperado A frente a G.
δ2 = dif. consumo esperado B frente a G.
β1 = ∆ consumo si ∆Rt = 1 (c.p.).
Recuérdese: Este caso sólo significa diferentes interceptos para cada categoría.
Recuérdese: Eliminar una (combinación de) categoría(s)
transformarla en base de referencia.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 178/192
Contrastes habituales con 2 VCs
Hipótesis: Variable Sexo no afecta Consumo
(pero territorio de residencia puede que sí)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 179/192
Otros Contrastes habituales con 2 VCs
■ Modelo sin Restringir (sin S2 ni T3 ):
Yt = β0 + β1 Rt + γ1 S1t + δ1 T1t + δ2 T2t + ut
Recuérdese: γ1 es dif. Consumo esperado M asc frente a F em (base)
◆
δ1 y δ2 son dif. Consumo esp. de A y B frente a G (base)
■ Hipótesis: Mismo Consumo para todos
(independientemente del Sexo y Territorio):
◆ H0 : γ1 = δ1 = δ2 = 0
◆ Modelo Restringido:
Yt = β0 + β1 Rt + ut
Yt = β0 + β1 Rt + γ1 S1t + ut
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 180/192
Otros Contrastes habituales con 2 VCs
■ Modelo sin Restringir (sin S2 ni T3 ):
Yt = β0 + β1 Rt + γ1 S1t + δ1 T1t + δ2 T2t + ut
Recuérdese: δ1 y δ2 son dif. Consumo esperados de A y B frente a G
◆
(base)
■ Hipótesis: Residentes del mismo sexo en A y B tienen el mismo nivel de
consumo (pero G puede ser diferente):
◆ H0 : δ1 = δ2 frente a Ha : δ1 6= δ2
◆ Modelo Restringido:
Yt = β0 + β1 Rt + γ1 S1t + δ1 T1t + ut
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 181/192
4.2 Efecto estacional
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 182/192
Efecto estacional
■ Efecto estacional:
■
115
110
105
100
95
IPI
90
85
80
75
70
65
2000 2001 2002 2003 2004 2005 2006 2007
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 183/192
Variables Ficticias Estacionales: Definición
■ Def. Variable Ficticia Estacional:
(
1, en t ∈ estación j = 1, 2, 3, 4, . . . ;
Djt =
0, sino.
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 184/192
Variables Ficticias Estacionales: Definición (2)
■ Modelo a estimar:
IP It = β0 + β1 Xt + γ1 D1t + γ2 D2t + γ3 D3t + 6γ4 D4t + ut
= β0 + β1 Xt +γ1 D1t + γ2 D2t + γ3 D3t + ut
■ ¿ Interpretación de los parámetros γ ?
■ <1>¿ Qué ocurre si los datos son observaciones mensuales (como de hecho
en el ejemplo IPI) ?
fecha (t) IP I t Xt D1t D2t D3t D4t D1t . . . . . . D12t
1975.ene · · 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
1975.feb · · 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
1975.mar · · 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
1975.abr · · 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
1975.may · · 0 1 0 0 0 0 0 0 1 0 0 0 0 0 0 0
1975.jun · · 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0
1975.jul · · 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0
1975.ago · · 0 0 1 0 ó 0 0 0 0 0 0 0 1 0 0 0 0
1975.sep · · 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0 0
1975.oct · · 0 0 0 1 0 0 0 0 0 0 0 0 0 1 0 0
1975.nov · · 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0
1975.dic · · 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1
1976.ene · · 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
1976.feb · · 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0
1976.mar · · 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
... ... ... ... ...
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 185/192
4.3 Interacción entre VFs y Vars cuantitativas
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 186/192
Interacción entre VFs y Vars cuantitativas
0
/
10
0
/
1
6
.,
4
-,
8
2
+ *
2 4 6 8 10
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 187/192
Trampa Var Ficticias: interacción
■ <1>Matriz X:
■ Modelo:
Yt = β0 + β1 Rt +γ1 Rt S1t + γ2 Rt S2t + ut
■ Problema (trampa VF): X es matriz T × 4, pero
RS1 + RS2 = R ⇒ rk(X) = 3 < 4 (MC exacta)
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 188/192
Solución: Interacción sin categoría
■ SOLUCIÓN MÁS HABITUAL:
eliminar última categoría de la VF: F (RS2 ):
■ Modelo a estimar:
Yt = β0 + β1 Rt + γ1 Rt S1t + ut
no R S2
■ <2>Modelos Submuestras:
78
:
10
8
78
9
E Yt |S = F = β0 + β1 Rt ⇒ 6
6
5
4
4
42
E Yt |S = M = β0 + (β1 + γ1 )Rt
| {z }
8
2
32
β1∗ 2 4 6 8 10
E Yt |Rt = 0 = β0
∂E Yt |S = F
■ Interpretación de los coeficientes: = β1
∂Rt
∂E Yt |S = M
= β1 + γ1
∂Rt
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 189/192
Interpretación de los coeficientes
no R S2
@A
C
10
E Yt |Rt = 0 = β0 8
@A
B
6
?
>
=
∂E Yt |S = F
= β1 4
=;
8
∂Rt 2
<;
∂E Yt |S = M 2 4 6 8 10
= β1 + γ1
∂Rt
■ <3>es decir,
β0 = consumo esperado si Rt = 0.
β1 = ∆ consumo Mujeres si ∆Rt = 1 (c.p.).
γ1 = dif ∆ consumo para Hombres (frente a base = Mujer).
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 190/192
Contrastes Habituales con Interacción
Hipótesis: M y F Consumo igual
o la variable Sexo no afecta Consumo:
■ Hipótesis: H0 : γ1 = 0 frente a Ha : γ1 6= 0
■ Modelo Restringido:
Yt = β0 + β1 Rt + ut
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 191/192
Fin
FIN
c J Fdez-Macho (EA3-UPV/EHU), 26 de febrero de 2009
Introducción a la Econometría - p. 192/192