Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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.
Se pueden responder varias situaciones utilizando las herramientas econométricas como, por
ejemplo:
1
1.1 METODOLOGÍA
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.
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)
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:
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.
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
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.
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.
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
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):
En el fondo muestra como la media (o respuesta promedio) de “Y” varía con “X”.
Planteamiento de Hipótesis: El interés del análisis de regresión es estimar la FRP, es decir β1 y β2.
7
En regresión lineal se refiere a la linealidad de la E(Y/Xi) que es función lineal de los parámetros βs.
Por ejemplo:
¿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.
Interpretación
La cantidad demandad de un producto, dado su nivel de precios, puede expresarse como la suma
de 2 componentes.
Sustituto de aquellas variables omitidas del modelo pero que colectivamente afectan a Y.
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:
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:
10