Apuntes N°1

Nombre de la asignatura ECONOMETRÌA

Unidad académica Facultad de Ingeniería y Arquitectura
Carrera/Programa Ingeniería Civil Industrial

1. INTRODUCCIÓN

Lo primero que uno hace al inicio de cualquier materia desconocida es definir conceptos, ¿qué es
la econometría? La respuesta es la “medición de la economía”. En el fondo la econometría es una
sumatoria de elementos como la teoría económica, la estadística, la matemática y sus relaciones.
Ya se sabe que la economía estudia esta asignación de recursos, esta asignatura busca definir ciertas
herramientas o técnicas de análisis de datos que permitan concluir respecto al comportamientos de
ciertas variables.

Lo que hace la matemática económica es expresar la teoría con ecuaciones, no se preocupa de la

medición en sí mismo de la variable cómo son los instrumentos los cuestionarios, sino que busca
explicar cómo esta ecuación planteada responde a ciertas variaciones de las variables. La
econometría lo que busca es verificar que ciertas variables que tienen un cierto comportamiento
puedan mover a otras variables, de alguna manera causar alguna tendencia ya sea positiva o
negativa en otras variables.

La econometría busca entonces una manera de dar respuesta a lo planteado en la economía o en

cualquier ciencia, de tal manera de poder responder los cuestionamientos sobre ciertas hipótesis, o
simplemente indicar las variables relevantes que permita tomar decisiones a los gerentes, a los
gobernantes, e instituciones públicas para que puedan aplicar sus políticas.

Se pueden responder varias situaciones utilizando las herramientas econométricas como, por
ejemplo:

- ¿Cuáles son las variables que mejoran el rendimiento de una empresa?

- ¿Cuáles son las variables que determinan las inversiones de las empresas?
- ¿Cuál fue el impacto de un programa de educación en los alumnos o alumnas de bajos
recursos?
- ¿Cuáles son los factores que causan el bajo rendimiento de los procesos productivos?

Las herramientas que se utilizan en la econometría ayudan a responder si efectivamente ciertas

variables contribuyen o no a mejorar ciertas situaciones. Además, permite predecir el
comportamiento de ciertas variables tanto macroeconómicas como microeconómicas, y
obviamente a nivel de empresa tiene un potencial de uso con fundamentos estadísticos que guían
las decisiones.

1
1.1 METODOLOGÍA

En forma muy general la metodología econométrica sigue la siguiente secuencia:

1. Planteamiento de la teoría o de la hipótesis.

2. Especificación del modelo matemático de la teoría.
3. Especificación del modelo econométrico o estadístico de la teoría.
4. Obtención de datos.
5. Estimación de los parámetros del modelo econométrico.
6. Pruebas de hipótesis.
7. Pronóstico o predicción.
8. Utilización del modelo para fines de control o de políticas.

El paso uno se plantea un modelo teórico que nace desde una revisión de la literatura como la teoría
de la demanda, por ejemplo:

La curva de demanda, representada por la letra D, “indica cuánto están dispuestos a comprar los
consumidores de un bien cuando varía el precio unitario.

Gráfico Nº1: Teoría de la demanda

El paso dos plantea la ecuación matemática: Q= a – bP.

P: Precio del Bien

Q: Cantidad total demandada

Lo importante es entender que Q se mueve dado un movimiento del precio y no al revés.

El paso tres muestra el modelo econométrico, dado que la teoría de la demanda plantea una
relación exacta entre la cantidad y el precio, algo que es muy difícil que se de en la economía no
todo depende del precio. Por lo anterior se plantea un modelo econométrico:

𝑄𝑖 = 𝛽1 + 𝛽2 𝑃𝑖 + 𝜇𝑖 (1)

µ: término de perturbación o de error.

2
La variable µ es una variable aleatoria (estocástica), que posee propiedades probabilísticas y además
representa todos aquellos factores que impactan la cantidad demandada pero que no están en el
modelo que se plantea. La ecuación 1 representa una regresión lineal simple que es el foco de la
econometría y que se va ampliando en la medida que se conoce mejor la teoría. En el siguiente
gráfico se representa el modelo en forma gráfica:

Gráfico Nº2: Modelo de regresión con sus errores

En el paso cuatro se obtienen los datos ya sea con encuestas o bien de bases formales de alguna
institución. En el quinto paso, se estiman los parámetros de la función de demanda, por ahora
utilizando por ejemplo el análisis de regresión lineal. En el sexto paso, se realizan las pruebas de
hipótesis, como puede ser si las variables son significativas o el modelo global es significativo. En
este paso se analiza si los parámetros están en los rangos esperados o si los signos son los
adecuados. El paso siete se hace siempre y cuando se cumplen las condiciones que se está frente a
un modelo adecuado, si es el caso se pueden hacer pronósticos. Finalmente, en el paso ocho, se usa
el modelo para fines de control de metas a partir de hacer diferentes escenarios dado un valor a la
variable X.

1.2 ANÁLISIS DE REGRESIÓN

El análisis de regresión trata del estudio de la dependencia de la variable Dependiente (Y), respecto
a una o más variables (variables explicativas, X) con el objeto de estimar y/o predecir el valor
promedio poblacional de la primera en términos de los valores conocidos o fijos (en muestras
repetidas) de los últimos.

Tal como se muestra en la literatura, la famoso Ley de regresión universal de Galton, ¿Cómo cambia
la estatura promedio de los hijos conociendo la estatura de los padres?

3
 Gráfico Nº3: Modelo de regresión modelo Universal de Galton

Recta de
Regresión

Fuente: (Gujarati, 2010)

En un análisis de regresión interesa la dependencia estadística entre las variables, pero no la

funcional o determinística. Además, en las relaciones estadísticas se trabaja con variables aleatorias.
Lo anterior implica variabilidad intrínseca o aleatoria en la variable dependiente la que no puede ser
explicada en su totalidad.

Una relación estadística sin importar que tan robusta sea, no podrá establecer por si sola una
conexión causal. La causalidad debe venir de estadísticas externas y en último término de una u
otra teoría.

En el caso de la regresión hay asimetría en el tratamiento de las variables. La variable dependiente

es estadística o aleatoria, la variable explicativa (X) toma valores fijos (no estocástica).

La correlación es simétrica en el tratamiento de las variables y supone aleatoriedad de las variables.

Las variables tienen diferentes nombres en la literatura, pero es lo mismo, tal como se muestra en
la siguiente figura:

4
 Figura Nº1: Diferentes nombres a las variables dependientes e independiente

Fuentes de información

1.- Series de Tiempo: es un conjunto de observaciones sobre los valores que toma una variable
en diferentes momentos del tiempo. Forma Diaria (Acciones), Semanales, Mensual, Trimestral,
Anual. Ej.: PIB.

Gráfico Nº4: Ejemplo PIB

2.- Corte Transversal: consiste en datos de una o más variables recogidas en el mismo
momento del tiempo. Ej.: Censo, encuestas de opinión. La misma variable. Muchos

5
 Tabla Nº1: Datos transversales de una encuesta

sexo edad contagio vacunado tipo_vacuna Tiempo_vac est_laboral inf_vac region ingresos_miles personas_casa

0 22 0 1 1 2 0 1 0 300 2
0 32 0 1 0 2 1 1 0 10 3
0 22 1 1 1 2 0 0 0 600 3
0 21 0 1 0 2 0 0 0 560 3
0 22 0 1 1 2 0 1 0 1000 1
0 22 0 1 1 0 0 0 0 600 4
0 23 0 1 1 0 0 0 0 850 2
0 54 0 1 1 0 2 0 0 900 1
0 50 0 1 1 2 1 1 1 500 3
0 60 0 1 1 0 2 0 0 50 2
0 49 0 1 1 2 1 1 0 600 1
0 32 0 1 1 1 1 0 1 150 1
0 25 0 1 0 0 0 1 0 15 3
0 22 1 1 0 2 0 0 0 60 3
0 32 0 1 1 0 1 1 0 90 3
0 23 1 1 2 0 1 0 0 150 3
0 49 0 1 1 2 1 1 0 700 2
0 21 0 1 0 2 0 0 0 65 5
0 25 0 1 0 0 0 1 1 700 4
0 27 1 1 0 2 0 0 0 650 4
0 22 0 1 1 0 0 0 0 800 1
0 25 0 0 4 3 1 0 0 960 2
0 24 0 1 2 0 0 0 0 1200 2

3.- Información Combinada o Datos de Panel (Micro panel)

Es una combinación de datos transversales con series de tiempo.

Tabla Nº2: Datos de panel

Año Comuna TasaMort ImpCer Comuna 1 Comuna 2 Comuna 3 Comuna 4 Comuna 5
1982 1 2,1284 1,5394 1 0 0 0 0
1983 1 2,3485 1,7890 1 0 0 0 0
1984 1 2,3364 1,7143 1 0 0 0 0
1985 1 2,1935 1,6525 1 0 0 0 0
1986 1 2,6691 1,6099 1 0 0 0 0
1987 1 2,7186 1,5600 1 0 0 0 0
1988 1 2,4939 1,5014 1 0 0 0 0
1982 4 2,4991401 0,21479714 0 1 0 0 0
1983 4 2,26738004 0,20642203 0 1 0 0 0
1984 4 2,82877998 0,29670331 0 1 0 0 0
1985 4 2,80200999 0,38135594 0 1 0 0 0
1986 4 3,07106005 0,37151703 0 1 0 0 0
1987 4 2,76728009 0,36000001 0 1 0 0 0

Curva poblacional v/s Curva de una muestra

Cuando trabajamos con datos poblacionales, y dado la E (Y/X : Valor esperado condicional y la E(Y):
Valor esperado incondicional ¿Cuál es mejor predictor? Como por ejemplo conocer el nivel de
ingreso permite predecir mejor el valor medio de gasto en consumo.

Ya se sabe que la curva de regresión lineal poblacional es una curva que conecta las medias de las
subpoblaciones que corresponden a los valores dados del regresor. Es la regresión de Y sobre X o
bien es el lugar geométrico de las medias condicionales de la variable dependiente para los valores

6
fijos de las variables explicativas. Tal como se muestra en el siguiente gráfico de una curva
poblacional o función de regresión poblacional (FRP):

Gráfico Nº5 Curva Poblacional

En el fondo muestra como la media (o respuesta promedio) de “Y” varía con “X”.

¿Qué forma toma la FRP?

Planteamiento de Hipótesis: El interés del análisis de regresión es estimar la FRP, es decir β1 y β2.

Linealidad en las Variables

En general una función lineal cumple los siguientes puntos:

1. Y = f (Xi) es lineal en X, si X aparece elevado a una potencia de 1.

2. Tasa de cambio de Y con respecto a X es independiente del valor de X.
Ej: Y = 4X (es lineal es independiente de X. Si deriva queda la tasa igual a 4).
Y = 4X2 (no es lineal es dependiente de x. Si deriva sigue dependiendo de X).
3. X no está dividido o multiplicado por otra variable.

7
En regresión lineal se refiere a la linealidad de la E(Y/Xi) que es función lineal de los parámetros βs.
Por ejemplo:

E (Y/Xi) = β1 + β2Xi2 es lineal en los parámetros, cumple la condición

E (Y/Xi) = β1 + β22Xi no es lineal en los parámetros, no cumple la condición.

Especificación Estocástica de la FRP

¿Qué podemos decir sobre la relación entre la cantidad demandada de un producto y el nivel dado
de precios?

Que está agrupado alrededor del promedio de la cantidad de demandada del producto en ese nivel
de precios (Xi). Es decir, alrededor de su esperanza condicional.

Entonces la desviación de un Y (cantidad demandada) esta dada por:

Interpretación

La cantidad demandad de un producto, dado su nivel de precios, puede expresarse como la suma
de 2 componentes.

- E(Y/X): Componente sistemático o determinístico

- µi: Componente aleatorio o No sistemático

Perturbación Estocástica o componente aleatorio (µi)

Sustituto de aquellas variables omitidas del modelo pero que colectivamente afectan a Y.

¿Por qué no se incluyen?

1. Vaguedad de la Teoría: no se conoce a cabalidad la teoría podría estar en proceso de

desarrollo.
2. No hay disponibilidad de la Información.
3. Variables Centrales vs. Variables Periféricas: es posible que la influencia conjunta (de las
variables omitidas) sea muy pequeña o no sistemática y para fines prácticos no se justifique
su introducción explícita al modelo.
4. Aleatoriedad Intrínseca en el comportamiento humano: siempre hay alguna aleatoriedad.
5. Variables Proxy (representantes) inadecuadas: puede haber errores de medición de las
variables.
6. Principio de Parsimonia: en general se proponen modelos más sencillos.
7. Forma Funcional Incorrecta.

8
Función de Regresión Muestral

Hasta ahora se ha considerado a toda la población y no una muestra. La idea es estimar la FRP con
base a información muestral. ¿Se puede estimar la forma FRP a partir de la información muestral?

Ejemplo: Graficando:

Gráfico Nº6: Funciones de regresiones muestrales 1 y 2

Así, pueden obtenerse n FRMs para n muestras. La Recta de regresión lineal (RRM) representan la
RRP (recta de regresión poblacional), pero son sólo una aproximación. Por lo tanto, cuando se
estima a partir de una muestra se plantea:

9
Estimador ó Estadístico: Muestra la forma como estimar el parámetro poblacional a partir de la
información muestral.

Entonces ya se puede plantear la función de regresión muestral y se puede graficar con la función
de regresión poblacional:

Gráfico Nº7: FRM vs FRP

10