Semana 1:

● La econometría se encarga de usar modelos de regresión para estimar las curvas de demanda
● Este mismo concepto usa matemática financiera, álgebra, matrices, regresiones entre otros.
● Se componen de la siguiente fórmula Y= B0 + B1X1 + B2X2 … BNXN + u
● Lo que se usa para la regresión es el Beta, las X y Y son valores que ya se deberían tener
● Siempre existen realidades diferentes y mientras más variables existan más cercano a la
realidad se hará el modelo.
● Se usan ciertos instrumentos para determinar las variables claves.
● El modelo de regresión se preocupa de preguntas concretas para dar números concretos.
● Existe una relación directa mejor calidad de preguntas, mejor calidad de resultados.
● Existe agarrar muestras en serie de tiempo (medir a un individuo en el tiempo), de corte
transversal (muchos individuos en un momento) y de panel de datos (muchos individuos en el
tiempo)
● Las variables Y se les llama endógenas y a las variables X se les conoce como exógenas
● Dentro de la ecuación se dividen en las determinísticas (X) y las aleatorias (el error, Y)
● Y= f(X;B) + u
● No confundir regresión (como la variable X explica la variable Y) con correlación (relación
que existe entre dos variables)
● El término regresión espúrea hace alusión a que pese a que dos variables tienen tendencias
similares no están relacionadas

Semana 2:
● El análisis de regresión como se dijo en la semana anterior es la relación de las variables
dependientes e independientes.
● Recordemos que una expresión clásica lineal es Y= B0+B1X1 + u
● La pendiente o B1 se calcula como: Variación de Y/ Variación de X
● El intercepto o B0 se calcula Y Promedio - (B1*X1)
● En el caso de los errores lineales la suma total debería resultar 0
● Con esos dos podrías armar tu curva de regresión lineal
● En caso exista error (u) este se calcula simplemente como: Y - Y Promedio
● La linealidad de los parámetros es dada por los Betas, no los X.
● Los errores existen por lo siguiente: La especificación del modelo, la aleatoriedad humana,
exponencialidad del modelo, no contar con todas las variables existentes.
● Entender que en realidad lo que uno calcula es una muestra no la población ya que es
imposible sacar una regresión poblacional exacta.
● Existen dos formas de calcular los Betas con Mínimos Cuadrados Ordinarios (MCO) o
Matrices
● La fórmula inicial de MCO es que el B0= Y Promedio - B1* X Promedio
● Finalizando la ecuación es igual a Beta = E(Y- Y Promedio) * (X- X Promedio) / E(X - X
Promedio)^2 o dicho de otra manera COV (Y;X)/ VAR (X)
● Se usa MCO porque es más fácil obtener las fórmulas estimadoras.
● El otro método matricial usa el concepto de álgebra matricial. Recordar que el concepto
mismo se usa filas x columnas para entenderlo. La fórmula es Y(nx1) = X(nxk) * B(kx1) +
u(nx1)
● Resultado al final que el matricial es B = (X´* X)^-1 * (X´*Y)
● En la metodología econométrica existen 8 pasos: 1. Planteamiento de la teoría o de la
hipótesis. 2. Especificación del modelo matemático de la teoría. 3. Especificación del modelo
 econométrico y 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.

Semana 3:
● Existen 10 supuestos del modelo de regresión lineal.
● #1: El modelo de regresión lineal es en los parámetros o betas, quiere decir que la linealidad
del modelo es determinada por estos mismos y no por el X.
● #2: Los valores de X son fijos en muestreo repetido. Es decir, que haciendo varios muestreos
es probable que pueda volver a sacar los mismos valores de la caja y llegará un punto en el
que todas mis muestras han sido tomadas.
● #3: El valor medio de la perturbación del error es 0, quiere decir que los errores suman 0
● #4: Homoscedasticidad o igual varianza del error, quiere decir que tienen una similar
distribución en los errores
● #5: No existe autocorrelación entre perturbaciones, es decir no hay relación causal entre
errores todos son independientes.
● #6: La covarianza entre el error y X es 0, ya que no están correlacionadas entre sí, sino no
permitiría aislar el efecto de X y el error sobre Y.
● #7: El número de observaciones N debe ser mayor que el número de parámetros a estimar o
dicho de otro modo el número de Y debería ser mayor que el número de variables explicativas
(n>k) o dicho de otro modo el total de ecuaciones de Y debería ser mayor que el número de
Betas
● #8: Existe variabilidad en los valores de X, es decir el valor de X no puede ser igual en todos
los casos, de lo contrario el modelo carecería de variabilidad y utilidad.
● #9: El modelo de regresión está correctamente especificado, es decir no hay sesgo de
especificación (todos los x´s son relevantes al modelo)
● #10: No existe multicolinealidad perfecta, es decir no hay relación perfectamente lineal entre
variables explicativas X o en dado caso no puede haber correlación de 1 o -1.

Semana 4:
● Las matrices son útiles para poder demostrar cómo se calcula los betas desde el inicio con
álgebra matricial, los resultados son los betas ordenados desde el B0 hasta el Bfinal.
● El objetivo de la regresión es graficar un modelo que permita saber qué va a pasar en el futuro
con la variable que deseo predecir.
● Recordemos que según teoría el MCO es el mejor modelo lineal para acercarnos a la realidad
poblacional donde MCO = Min E(u)^2.
● Esto mismo se demuestra con el teorema de Gauss que explica el porqué el modelo es mejor
que el resto en regresión lineal siempre y cuando se cumplan tres condiciones: Linealidad,
Insesgadez, Varianza mínima.
● #1: Linealidad: Indica que el modelo es lineal en sus componentes constantes (X,B) y existe
un aleatorio (Y,u).
● #2: Insesgadez: Cuando calculo el B tiende a apuntar a ser el valor real del parámetro
poblacional, siempre y cuando se asuma que haya linealidad de parámetros y que los errores
sumen 0.
● #3: Varianza mínima: La varianza es lo ancho de la distribución de los valores estimados de
Beta a comparación del real, queriendo demostrar que el método MCO es aquel que genera un
menor ancho que el resto. Esto se demuestra con lo siguiente: Var(B) es menor porque el
Var(otro B) tiene que sumarse un error que siempre da positivo
Semana 6:
● Existe en una función de Y=B0+b1x1+u una parte que se puede explicar y una parte que no se
puede explicar de manera adecuada.
● El análisis ANOVA es la desagregación de la varianza.
● Convirtiendo la expresión que tenemos arriba a la varianza quedaría la siguiente expresión:
E(Y-Ypromedio)^2 = E(Yestimado - Ypromedio)^2 + E(Y - Yestimado)^2
● En el caso de su denominador este está dado por los grados de libertad del modelo siendo que
la expresión sería: (n-1) = (k-1) + (n-k)
● Esto da como resultado hallar el análisis ANOVA, ya que el numerador se traduciría como
como una suma de cuadrados: STC/(n-1) = SCE/(k-1) + SCR/(n-k).
● Para hallar el R^2 = SCE/STC, esto se expresa como el % de variabilidad que logramos
predecir del modelo, mientras más cercano a 1 mejor.
● En este caso el denominador (n-1) es así porque es un muestral y se pierde un grado de
libertad al no ser exacto al poblacional, en el caso del (k-1) se le resta uno porque dentro de
las K está el intercepto a usar.
● Ra^2 es aquel expresión que va más allá del R^2, ya que este último mientras más variables le
agrego más cercano a 1 se hace, no es muy explicativo,por ello el R ajustado se usa para
determinar si es conveniente o no agregar dicha variable.
● Ra^2= 1 - (n-1)/(n-k) * (1-R^2)

Semana 7:
● La prueba t es para descartar variables que no son buenas para el modelo usando la tabla del
mismo con 95% de confianza para identificar las colas y luego se triangula la posición de
cada variable mediante Coeficiente/Error Estadístico sacado del Eviews. Si cae en la zona de
95% es un H0 o que el B=0, si cae en las colas es un H1 o B distinto de 0 y se aprueba.
● Además de esto tenemos otra fórmula donde se usa los intervalos de confianza para
determinar si es distinto de cero, esta fórmula intervalo se halla de la siguiente manera
recordado que para cada variable se debe hacer [Bestimado - t*error estadístico , Bestimado +
t*error estadístico].
● Otra prueba a parte de la t es la prueba F, que determina si la variable aunque sea buena sea
relevante al modelo, en este caso es una distribución de 1 cola y se triangula el valor ese valor
en una tabla como Fc(k-1,n-k) y se compara con el F estadístico del eviews para ver donde
cae.
● Otro dato de importancia es que debemos saber que nivel de R^2 es el óptimo para el modelo,
es decir cuan bajo como máximo puede llegar a ser en este caso para determinar cuánto
debería ser el R^2 es (((k-1)/(n-k))*Fc )/1+(k-1/n-k)*Fc y eso me dará el R^2 mínimo para mi
evaluación.
● Con un ejemplo sencillo se puede evaluar las variables y sobre todo con los coeficientes hacer
tu propio cálculo del estimado de un valor para compararlo por cuanto se alejó del real siendo
Yreal-Yestimado.