ESQUEMA DE LA IMPORTANCIA DE LA

ECONOMETRÍA

NOMBRE: ISRAEL CHAMBILLA CABEZAS

DOCENTE: BENIGNO CABALLERO
PARALELO: 4-D3
FECHA:

ORURO, 15 de marzo de 2023

1. Elaborar el esquema de la importancia de la econometría tomando en cuenta una
hipótesis que sea conveniente.
1) Teoría Económica

Supongamos que el consumo de un determinado producto depende del ingreso

familiar y de que tenga o no vivienda en propiedad.

2) Economía Matemática
C 1 = a 0 + a1 R 1 + a2 F 1 + U 1
Donde:
C =el consumo del producto
R = el ingreso familiar
F = una variable ficticia que tomara el valor 1 si la familia tiene vivienda en propiedad y
0 en caso contrario.

3) Estadística Económica

Recolección, procesamiento y presentación de datos por medio de tablas, gráficos y

cuantificación de indicadores, correspondiente a las variables del consumo de un
determinado producto dependiendo del ingreso familiar y de que tenga o no vivienda
en propiedad.

4) Estadística Matemática

a0 =1200
a1 = 2500
a2 = 1
C1 = 1200 + 2500 R1 + 1 F1 + U1
5) Inferencia Estadística

Como el modelo cuantificado responde a la teoría económica, donde las variables del
consumo de un determinado producto dependiendo del ingreso familiar y de que tenga
o no vivienda en propiedad, entonces podemos aceptar la hipótesis.

2. Hacer conocer 5 razones del porque se considera el termino estocástico “u” en un

modelo econométrico.

1) Vaguedad de la teoría: De existir una teoría que determine el comportamiento de Y,

podría estar incompleta, y con frecuencia lo está. Se tendría quizá la certeza de que el
ingreso semanal X afecta el consumo semanal Y, pero también ignoraríamos, o no
tendríamos la seguridad, sobre las demás variables que afectan a Y. Por consiguiente, u
sirve como sustituto de todas las variables excluidas u omitidas del modelo.

2) Falta de disponibilidad de datos: Aunque se conozcan algunas variables excluidas y se

considerara por tanto una regresión múltiple en lugar de una simple, tal vez no se
cuente con información cuantitativa sobre esas variables. Es común en el análisis
empírico que no se disponga de los datos que idealmente se desearía tener. Por
ejemplo, en principio se puede introducir la riqueza familiar como variable explicativa
 adicional a la variable ingreso para explicar el consumo familiar. Pero, por desgracia, la
información sobre riqueza familiar por lo general no está disponible. Así, no habría más
que omitir la variable riqueza del modelo a pesar de su gran relevancia teórica para
explicar el consumo.

3) Variables centrales y variables periféricas: Suponga en el ejemplo consumo-ingreso que

además del ingreso X1 hay otras variables que afectan también el consumo, como el
número de hijos por familia X2, el sexo X3, la religión X4, la educación X5 y la región
geográfica ca X6. Pero es muy posible que la influencia conjunta de todas o algunas de
estas variables sea muy pequeña, o a lo mejor no sistemática ni aleatoria, y que desde
el punto de vista práctico y por consideraciones de costo no se justifique su
introducción explícita en el modelo. Cabría esperar que su efecto combinado pueda
tratarse como una variable aleatoria u.

4) Aleatoriedad intrínseca en el comportamiento humano: Aunque se logre introducir en

el modelo todas las variables pertinentes, es posible que se presente alguna
aleatoriedad “intrínseca” en Y que no se explique, a pesar de todos los esfuerzos que se
inviertan. Las perturbaciones, u, pueden reflejar muy bien esta aleatoriedad intrínseca.

5) Forma funcional incorrecta: Aunque se cuente con variables teóricamente correctas

para explicar un fenómeno y se obtengan datos sobre ellas, con frecuencia no se
conoce la forma de la relación funcional entre la variable regresada y las regresores. ¿Es
el consumo una función lineal (invariable) del ingreso, o es una función no lineal
(invariable)? Si se trata de lo primero, Yi β1 + β2 X1 + hui es la relación funcional
adecuada entre Y y X, pero en el segundo caso, Yi =β1 + β2Xi + β3X2i + u puede ser la
forma funcional correcta. En los modelos con dos variables, la forma funcional de la
relación a menudo se puede inferir del diagrama de dispersión. Sin embargo, en un
modelo de regresión múltiple no es fácil determinar la forma funcional apropiada, pues
los diagramas de dispersión no se visualizan gráficamente en múltiples dimensiones.

Por todas estas razones, las perturbaciones estocásticas u asumen un papel muy valioso en el
análisis de regresión, que apreciaremos a medida que avancemos