Probabilidad II

Mauricio Olivares

ITAM

18 de junio de 2015
Modelo Lineal

I Repaso: quieres predecir y a partir de x . Propones para ellos

una función g(x ).
I ¿Cuál es la elección óptima de g(·) ?
I En concreto, ¿cuál es la g(·) lineal óptima?
I Anteriormente mostramos que el mejor predictor lineal,
L(y |x ) = α + βx con

C(x , y )
β =
V(x )
α = E(y ) − βEx
Modelo Lineal

I Adicionalmente, tenemos dos resultados:

1. Si la CEF es lineal, CEF y BLP coinciden.
2. La BLP es la mejor aproximación lineal de la CEF.
I Entonces consideremos ahora la CEF lineal
I E(y |x ) = m(x ) = α + βx
I ¿Cuáles son las ventajas de usar una forma funcional como
esta?
I ¿Qué quiere decir que m(x ) es lineal?
Significado de linealidad

I La definición estándar de linealidad es que la CEF es de la

forma a + bx para cualesquiera a, b números reales.
I Sin embargo, nosotros distinguiremos entre linealidad en
variables y linealidad en parámetros.
I Linealidad en variables nos dice que la CEF no tiene variables
elevadas a una potencia diferente de 1.
I Entonces E(y |x ) = α + βx es lineal en variables.
I mientras que E(y |x ) = α + βx 3 no.
Significado de linealidad

I Por otro lado, linealidad en parámetros nos dice que las

constantes a, b no están elevadas a una potencia diferente de
1.
I Entonces, E(y |x ) = α + βx 3 es lineal en parámetros aunque
no lo es en variables.
I Análogamente, E(y |x ) = α + β 2 x es lineal en variables pero
no en parámetros.
I Notación: en este curso, siempre que decimos lineal nos
referimos a lineal en parámetros.
Ventajas de la forma funcional

I Las ventajas de la forma funcional en nuestro marco

bivariante son muchas, en particular:
I Podemos intepretar mejor la CEF. Por ejemplo, si x y y están
relacionados inversamente, positivamente, etc.
I Podemos visualizar la CEF, graficando m(x ) = α + βx
I La ordenada al origen viene dada por α
I La pendiente en este caso es β
Visualización de la CEF

I Podemos tener formas funcionales como

I O
Formas funcionales

I Además de m(x ) = α + βx , podemos tener

I m(x ) = α + β log x
I m(x ) = α + β x1
I Nota que siguen siendo lineales
I Además de poder visualizar estas formas, es posible interpretar
la CEF.
I Estas formas funcionales son muy convenientes y tienen
muchas aplicaciones en finanzas y economı́a.
Derivadas para la CEF

I Una forma de interpretar E(y |x ) = m(x ) es en términos de

sus cambios marginales.
I Es decir, cómo cambia E(y |x ) antes cambios en x
I Fácilmente podemos contestar esta pregunta, simplemente
considera
∂
E(y |x )
∂x
si x es continua
I En cambio si x es discreta y por ejemplo toma valores en N

E(y |x = i) − E(y |x = j)
, ∀ i 6= j
i −j
I Entonces, al tener una forma funcional para la CEF podemos
calcular estas derivadas explı́citamente e interpretar.
CEF lineal: interpretaciones

I Supongamos que x es continua. Entonces, si

E(y |x ) = m(x ) = α + βx
I podemos deducir
∂
E(y |x ) = β
∂x
I ¿Cómo interpretamos β?
I β mide cuánto cambia y , en promedio y manteniendo todo lo
demás constante, ante un cambio en x .
Observaciones

I Nota que la derivada es constante porque la CEF es lineal (en

parámetros y variables)
I En la interpretación usamos la leyenda en promedio y
manteniendo todo lo demás constante.
I La primera parte, en promedio, nos dice que interpretamos el
efecto de un cambio en x sobre la CEF, no sobre y.
I La segunda parte, manteniendo todo lo demás constante, se le
conoce en economı́a como ceteris paribus.
I Pero cuidado, manteniendo todo lo demás constante significa
todo lo demás en la CEF constante. Más adelante veremos la
relevancia de esto.
Logaritmos

I Como ya vimos anteriormente, a veces las variables pueden

estar en logaritmos como en m(x ) = α + β log x .
I ¿Cómo interpretarı́amos β en este caso?
I Nota que en este caso el modelo sigue siendo lineal en
parámetros, pero no en variables.
I Si tomamos derivadas
I

∂ ∂
m(x ) = β log x
∂x ∂x
1
= β
x
Diferencias Logarı́tmicas

I Una aproximación del logaritmo natural para x0 muy pequeños

log(1 + x0 ) ≈ x0

I Ahora, si x1 es c % mas grande que x0 entonces

c
x1 = (1 + )x0
100
I y tomamos logaritmo natural de ambos lados
c
log x1 = log(1 + ) + log x0 ,o
100
c
log x1 − log x0 = log(1 + )
100
c
= ≈
100
Observaciones

I Esto nos muestra que 100(log x1 − log x0 ) es

aproximadamente el cambio porcentual entre x0 y x1 .
I Esta aproximación es bastante buena para |c |≤ 10

I
...de vuelta a nuestro modelo

I Querı́amos interpretar β en el modelo m(x ) = α + β log x

I Habı́amos obtenido
∂ ∂
m(x ) = β log x
∂x ∂x
1
= β
x
I Entonces si ∆m(x ) = m(x1 ) − m(x0 )
c
∆m(x ) ≈ β
100
β
= c
100
I Interpretación: cuando x aumenta 1 % (c=1), en promedio y
β
manteniendo todo lo demás constante, y aumenta 100
Comentarios

I Por ejemplo, si m(x ) = 135 + 326.03 log x entonces

I aunte un aumento de 1 % en x , en promedio y maneniendo
todo lo demás constante, y aumenta 3.2603 unidades.
I Hay más casos interesantes donde podremos interpretar la
CEF de manera diferente.
I Por ejemplo, interpretar β como una elasticidad o
semielasticidad.
I Veremos estas formas cuando hayamos establecido nuestro
modelo econométrico.