Econometría

Si X, y son v . .
a destribuidas conjuntas normal
=> X y , son independientes sii Cor(x, y) =
0 .

Sij

4) combinación lineal de v a
. .
normales iid =Independientes
tienen una distribución muestral . i= identicamente

d distribuidas
=

9 conceptos Básicos de Estadística

Población un grupo bien definido /Personal firmal , ,

Etc) .

Ejemplo toda la gente que trabaja en Bogotá.

muestra
. Subconjunto de la población donde se escoge un

↳ grupo de unidades de la población de alguna forma .

Hay algo de La población que queremos saber

.
.
Ejemplo salario de la gente que trabaja en Bogotá

Sea Y una U a
. .
(salarios) con P d f
. .
.
f(Yi (t) donde
E es un parcimetro que no se .
conoce

Ejemplo : O es la media de salarios de toda la gente

que trabaja en Bogotá.

9 .
1] Muestra aleatoria

Sean Y1 ... In V A
. .

Independientes con fid .

p común flyi 10).
Sean Y1 ... Yn n valores de una realización de esas V C
. .

Entonces 1... Yn
y es una muestra aleatoria de la población
representada fly ; el .

. 2
9 Estimadores .

·
Regla o función que transforma los posibles valores de la muestra.
·
"Adivinanza" de E ,
siempre tiene la misma formula para
toda muestra
.
 observado No observado

Yi ,
Xi , Bo ,
Ba ,
i .

- 1
Ba , y, 4

E emplo stata :
Nos interesa la relación entre salario y educación
de la gente que trabaja en Bogotá.

= Bo+
Salario Bs Educación +U
con esto hallamos -

-> 3
I ,
3 , 5 , i.

52 = [(y j)(xi *)
+
-

=>
Yi
y =
= Salario
Salario
ind
Promedio
Educación ind.
(xi y)2
Xi =

*
Educación promedio
-

5x =
Coefficente educación #1 =
616 8t .
Un año adicional de educación
Incrementa el ingreso en 616.8 en
Promedio manteniendo lo demás constante

5 =
coefficiente Constante #2 =
-757 6948 .
>
Ingreso predicho si Edu=0 .

i =
Ingreso = -

757 .
6948 + 616 8 .
·
Edu

3
.5 Bondad de Ajuste
.

exp
como medimos que tan bien explica Xa Y no
-T

Yi = 50 + BeXi ; Mi =
Yi -

Mi = >
yi = Mi t ↑
Y
&

Veyp .

.5
3 .
1 Definiciones

1) Suma total de cuadrados .

STC .

# (yi-y)2 =
mide la variación muestral total en y

=
[ly => STC
n -
1
·

Depende de como están definidas las variables

.

·UnidadesdeMedición leeducaciónenmeses si es
a

lineal y = BotBaX+U ; X, Y lineal

4.
Forma funcional .

Hablamos de Regresión lineal en

parámetros .

Y = Bo + Bax +2 => Bo , Be son lineales

y =
2
+
u = > no son lineales

Bo +BrX

.
4 1 2 .
nivel- nivel

Ingresoi = Bo+ Be Educación Hi

Si au = 0 = Ayi = B1AXi.

Intendi Caso #1 .

Edle .

En realdad .

Caso #2
. un año de educación adicional aumenta

i el
ingreso en 10% en promedio .

4 .
2 .
2 log-nivel
log lingreso) = BotBixi+Ui Log(yi) = Bo + BeXi + ui
 Para[Bo] ,
El Bol = Bo

50 =
y -
52
Resumen
·
bajo los supuestos SIRI-SIR4 los estimadores Bo Bi
,

son insesgado , de los parámetros poblacionales Bo ,

Ba
.

supuesto falla ols

Sí algun -> no es
insesgado .

.
5 4] varianza de los estimadores de OlS .

Para calcular la varianza de nuestro estimador necesitamos

un supuesto adlaonal

SLR5 =
Homocedasticidad

var (ui/xi) = o =
EluiYXi)
nota : var(x) =

E(xi) -
(f(x() = > var(u/x) =

Elu2/Xi) -

(e(u/Xi(2)

bajo Scra flu/xi) =

0 => Var(uki) =
Elu2/xi) .

El error tiene la mima que cualquier valor de X

varianza .

usamos este supuesto para derivar la varianza de estimadores

·

de OLS .

bajo SCRu E(u/xi) =

0

Bo + B, x+ U
y =
.

((y/x) = E(bo + B, X + u/X) .

Los residuales ,
ri ,
son la parte de Xa
que no esta

10
Correlacionada explicada) por Xz
.

-> hemos "Partialling out" la variación de Xa explicada por X

Para Obtener , podemos correr una regresión simple de yi sobre

Fi

-> Bi es el efecto de Xa Sobre Y una vez que la variación

de Xz en Xi ha sido removida.

->
mide el cambio en Y cuando cambia Xi aislando
los efectos de Xz

El mismo resultado se
cumple para
B2.

23 6] Bondad
. de Ajuste
.

Igual que en el caso de Regresión Simple

R R
= -
[0 , 2]
.

la parte la variación muestral y

es de en
que
está explicada por
la regresión de OlS .

Re nunca cae si se
incluyen mas variables.

=> No es un buen indicador de sí debemos incluir o no

una variabl
e en el modelo

Definimos K =
numero de variable
SRC U =
Observaciones
R2 -

asustado .
= 1- n -

k -
1

STC

In-1)
R2- ajustado aumenta incluir mas Variables .
.

no necesariamente al
Son
insesgados .

24 2].
Insesgamiento de OLS
.

Bajo MIR ,
-
MLR4

El j) =
Bj para j=0 ,
1
, 2
,...., K. O en notación matricial
ElB) = B .

l
-> E B Bo ·

donde & es el vector en estimadores de

B
=
Os y el vector de parametros poblacionales
in
es
.

Demostración :

B
"
:
/ ** ) * o
reemplazamos y = B + V .

B (xx)
"
=
x XB + U .

Xx)"xj
"
=
(xx) *XB + Se cancelan las X
.

=
B + ( ** )"Qu

como queremos demostrar que ElB) =

B

ElB(x) =
ElB + ( ** )" * U/X

ElB/x) =
ElB(x) + El( * x) "Qu/X
 =
B +
(x * )" * ((u/x) ->
bajo MIR ((U/x) =
0 .

B + ( ** )" * 0 - B

Por LEI

ElB) = ElElB/x) + ElB) -

P B .

es insesgado de B
.

[4 3] .
Especificación del modelo

[4 .
3 .
1] Sobre -

especificación .

Incluir variables irrelevantes en el modelo .

->
coeficiente poblacional 0 .

Ej : modelo verdadero
.

Y Bo =
+ B, X + 0 .

X) + U
cumple con MLR-MLR4.

Pero especificamos

y =
Bo + B , X1 + BeXz + U .; Xz es
una variable irrelevante
Br = .
0

consecuencias
Sigue siendo insesgado
.

[4 .
3 .
2] sub-especificación .

-> omitir variables relevantes del modelo

=>
sesgo de variable omitida

Suponga que el modelo poblacional es

 "

Kin- *, )
Denote STC
=E
B in- ) yi
,
= ,

Para el modelo (1) /modelo verdadero .

i Yi Yi Ei -

:
yi
=
-
- =

yi = Bo + B , X + 2x + ai(3)

reemplazamos (3) en Bi

B =
1 (Xiz-X1) /Bo + B , X1 + Baxe + ail
STCI

Desarrollando.
⑪ ⑬ ② ①
B = iz-X , l + (Xiz- /Bix + -Xz + (xi - i

STC2 .
STCI STC , STCI

①(Xi1-Yi) Bo = 1 SIXizo-XiBo) - Box-Bo

STC
, STC

⑰ =0 .

⑬ -i) Bi Xi
->
Biz-) Xia .
Bi STC

STC STCa
STC
>

Dado que Kiz-Fi)Xis= Kin-Xal

B =
Bi .

(X ()(xi2 *)
0 -Filiz Brin-i) Bu
-

Xiz
-

-D =

(Xiz-xil
=
?
STCI STCI .