Mtodos Cuantitativos (parte 4)

Mtodos Cuantitativos - Econometra

Escuela Militar de Ingeniera
Rolando Gonzales Martnez
Octubre 2011
Mtodos Cuantitativos (parte 4)
Introduccin
Introduccin
La Econometra puede denirse como la unicacin de la
teora econmica, la estadstica y las matemticas
1
.
El objetivo de la econometra es la modelizacin emprica de
los fenmenos econmicos.
La modelizacin emprica es la descripcin parsimoniosa de
un fenmeno estocstico observable utilizando modelos
estadsticos.
1
Frisch, R. , Note on the term "Econometrics", Econometrica, Volume 4,
Issue 1 (jan., 1936), 95. Frisch se atribuye el uso temprano del trmino en la
forma de la palabra francesa "conomtrie" en su artculo "Sur un problme
dconomie pure", pero reconoce que existe un uso anterior de la palabra, en la
forma alemana "Oekonometrie" por Pawel Ciompa en su libro de 1910.
Mtodos Cuantitativos (parte 4)
Introduccin
Modelos estadsticos y modelos economtricos
Modelos estadsticos (denicin). Sea la terna de probabilidad
(S,
E
, P). Los modelos estadsticos son mecanismos estocsticos
para describir los datos relacionados con esta terna mediante:
(i) Un modelo de probabilidad: = f (x; ) , , x R
x

(ii) Un modelo muestral: x := (x

1
, ..., x
n
) es una muestra aleatoria
Existen, en general, dos visiones de lo que es un modelo
economtrico:
1 Visin tradicional: La diferencia entre un modelo estadstico
y un modelo economtrico es que este ltimo incorpora la
teora econmica.
2 Visin moderna: La diferencia radica en la naturaleza de los
datos econmicos, ya que estos no pueden conceptualizarse
como resultados de una muestra aleatoria.
Mtodos Cuantitativos (parte 4)
Modelos economtricos
Visin tradicional
Visin economtrica tradicional
El enfoque-de-libro-de-texto tradicional hacia la modelizacin
economtrica asume que el proceso generador de datos (DGP)
coincide con el modelo teortico propuesto por la teora econmica,
exceptuando un trmino de error. Por ejemplo, sea el modelo
(determinstico) basado en la teora de consumo,
C = + Y, con > 0, 0 < < 1
En el enfoque tradicional este modelo se metamorfosea en el
modelo de regresin lineal estocstico,
C
t
= + Y
t
+
t
,
t
iid
~ N(0,
2
), t = 1, 2, ..., T
asumiendo (i) que las variables tericas coinciden con cualquier
dato observado disponible para medir estos conceptos, y (ii)
aadiendo un trmino ruido blanco gaussiano al modelo terico.
Mtodos Cuantitativos (parte 4)
Modelos economtricos
Visin tradicional
Visin economtrica tradicional (II)
La aproximacin economtrica tradicional es procusteriana:
fuerza la teora en los datos, asume causalidad de derecha a
izquierda en la ecuacin y presupone una clara intepretacin
teortica de los parmetros.
Y
i
output

= f (Z
i
)
input
+ u
i
perturbacin
Ntese adems que la teora econmica, via la clasula ceteris
paribus, asume un sistema casi aislado; sin embargo, los datos
son el resultado de un proceso multidimensional con factores
que van ms alla del control y la capacidad de observacin del
modelizador.
Mtodos Cuantitativos (parte 4)
Modelos economtricos
Visin moderna
Enfoque moderno de la econometra
La capacidad de manejar modelos estadsticos simples parte del
hecho de que la distribucin conjunta de una muestra puede ser
simplicada con el producto de sus (idnticas) distribuciones
marginales:
f (x
1
, ..., x
n
; )
i
=
n

k=1
f
k
(x
k
;
k
)
iid
=
n

k=1
f (x
k
; )
para todo x := (x
1
, x
2
, ..., x
n
) R
n
. En el caso de muestras no
aleatorias (como las de variables econmicas), existe una ausencia
de independencia y homogeneidad de la distribucin,
f (x
1
, ..., x
n
; )
noiid
,=
n

k=1
f (x
k
; ) ,
para todo x := (x
1
, x
2
, ..., x
n
) R
n
.
Mtodos Cuantitativos (parte 4)
Modelos economtricos
Visin moderna
Enfoque moderno de la econometra (II)
Con muestras no aleatorias es necesario introducir la nocin de
condicionamiento secuencial, simplicando la distribucin conjunta,
f (x
1
, ..., x
n
; )
noiid
= f
1
(x
1
;
1
)
n

k=2
f
k
(x
k
[x
k1
, ..., x
1
;
1
) , \x R
n
X
Es decir, las distribuciones marginales se intercambian por
distribuciones condicionales, que permiten modelizar la
dependencia y/o heterogeneidad de los datos econmicos.
Simplicando para el caso de dos variables,
f (x, y; ) = f (y[x;
2
) f (x;
1
) , para todo (x, y) R
X
R
Y
El objetivo principal de los modelos de regresin es modelizar
f (y[x;
2
), (x, y) R
X
R
Y
, mediante momentos condicionales.
Mtodos Cuantitativos (parte 4)
Modelos economtricos
Visin moderna
Enfoque moderno de la econometra (III)
Funcin de regresin lineal
Funcin de regresin (denicin). La funcin de regresin se
dene como la media condicional de Y dado X = x, interpretada
como una funcin de x:
E(Y[X = x) = h (x) , x R
X
Funcin de regresin lineal (denicin). Si la media condicional
h (x) toma la forma,
E(Y[X = x) =
0
+
1
x, Var (Y[X = x) =
2
,x R,

0
= (
1

1

2
) R,
1
=

12
22
R,
2
=
_

11

2
12
22
_
R
+
la funcin de regresin se dice lineal en x.
Mtodos Cuantitativos (parte 4)
Modelos economtricos
Visin moderna
Enfoque moderno de la econometra (III)
Funcin de regresin lineal gaussiana
La anterior denicin viene de considerar una distribucin
gaussiana bivariante de la forma,
_
Y
X
_
~ A
__

2
_
,
_

11

12

12

22
__
con
1
= E (Y),
2
= E (X),
11
= Var (Y),
22
= Var (X),

12
= Cov(X, Y). Las distribuciones condicionales y marginales
toman la forma:
(Y[X = x) ~ A
_

0
+
1
x,
2
_
, x R, X ~ A (
2
,
22
)

0
=
1

1

2
,
1
=

12
22
,
2
=
11

2
12
22
.
Ntese que pueden realizarse extensiones al caso gaussiano
multivariante.
Mtodos Cuantitativos (parte 4)
Modelos economtricos
Visin moderna
Enfoque moderno de la econometra (IV)
En este enfoque, la teora econmica es el punto de partida
del anlisis emprico pero no la conclusin de un estudio
emprico, dejando que muchos aspectos de los modelos sean
determinados por los datos
2
.
El enfoque moderno considera que los modelos economtricos
empricos son descomposiciones ortogonales de datos
observados en lugar de entidades causales
3
:
Y
i
observado

= g (Z
i
)
explicado
+
i
residuo
2
La teora econmica sugiere qu variables estn relacionadas y en qu
forma, qu parmetros son de inters, posiblemente la forma funcional de
algunas relaciones.
3
Este enfoque es coherente si se considera que los datos econmicos no son
experimentales sino observacionales.
Mtodos Cuantitativos (parte 4)
Modelos economtricos
Visin moderna
Modelizacin emprica
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
Modelizacin emprica
La modelizacin emprica concierne,
1 El proceso de especicacin (la eleccin de un modelo
estadstico/economtrico)
2 La estimacin (de los parmetros del modelo postulado)
3 Validacin (anlisis de errores de especicacin,
misspecication) de los supuestos probabilisticos del modelo
postulado.
4 Re-especicacin (la eleccin alternativa de un modelo)
Estos pasos son particulares para datos observacionales (los
pasos 1 y 4 son menos relevantes en el caso de datos
experimentales). Con datos observacionales, slo se tiene a los
datos para especicar y validar un modelo.
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
1. Especicacin
Modelo de Regresin Lineal Gaussiano
(i) DGP estadstico: Y
j
=
0
+
1
x
1j
+ +
n
x
nj
+ u
j
(ii) Modelo de probabilidad:
= f (y
j
[x
1j
, ..., x
nj
; ) =
1

_
2
exp
_

(y
t

1
x
1j

n
x
nj
)
2
2
2
_
,
, y
j
, x
nj
R
:= (
1
, ...,
n
)
:=
_
,
2
_
, := R
n
R
+
(iii) Modelo muestral:(Y
1
, ..., Y
n
) es una muestra de
f (y
j
[x
1j
, ..., x
nj
; )
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
2. Estimacin
Mtodo de mnimos cuadrados
Sea un modelo de regresin,
y
(n1)
= X
(nk)(k1)
. .
(n1)
+
(n1)
en el que,
y
(n1)
=
_

_
y
1
y
2
.
.
.
y
n
_

_
,
(n1)
=
_

2
.
.
.

n
_

_
, X
(nk)
=
_

_
x
11
x
1k
x
21
x
2k
.
.
.
.
.
.
.
.
.
x
n1
x
nk
_

_
,
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
2. Estimacin
Mtodo de mnimos cuadrados
y se busca obtener estimadores OLS (

) de,

(k1)
=
_

2
.
.
.

k
_

_
.
Defnase la suma de residuos al cuadrado (SSR),
SSR(

) = (y X

)
/
(y X

)
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
2. Estimacin
Estimador MCO
El estimador OLS

es aquel que minimiza esta funcin,

= arg min

SSR(

)
matricialmente este resultado se obtiene con,

= (X
/
X)
1
X
/
y
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
2. Estimacin
Teorema Gauss-Markov
Considrese las condiciones,
1 Linealidad,
y
i
=
1
x
i 1
+ +
k
x
k1
+
i
(i = 1, .., n)
2 Exogeneidad estricta. E[[X] = 0
3 El rango de la matriz de datos (n k), X, es k con
probabilidad 1.
4 Errores esfricos.
Var [[X] =
2
I
n
con
2
la varianza y I
n
una matriz identidad (n n). Esto
implica,
E[
2
i
[X] =
2
E[
i

j
[X] = 0 (para i ,= j )
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
2. Estimacin
Teorema Gauss-Markov
1 Teorema Gauss-Markov. Si se cumplen las condiciones (1),
(2), (3) y (4), el estimador

es el mejor estimador
linealmente insesgado (MELI, o BLUE, Best Linear Unbiased
Estimator).
Adems Var (

[X) _ Var (b[X), y son propiedades para

muestras nitas.
Para nes de inferencia, es necesario adems que,
[X ~ A(0,
2
I
n
)
ya que, por el Teorema del Lmite Central, el trmino de error
debera contener factores iid no capturados por los regresores que
deberan conformar una distribucin gaussiana. (La propiedad iid
resulta del hecho de que si dos variables son conjuntamente
normales, y E[
i

j
[X] = 0 (para i ,= j ), entonces son
independientes.)
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
2. Estimacin
Mxima verosimilitud
Si [X ~ A(0,
2
I
n
), y dado que y = X +, entonces,
y[X ~ A(X,
2
I
n
)
La densidad condicional de y dado X ser,
f (y[X) =
_
2
2
_
n/2
exp
_

1
2
2
(y X)
/
(y X)
_
y se tendr la funcin de verosimilitud logaritmizada,
log/
_
,
2
_
=
n
2
log (2)
n
2
log
2

1
2
2
(y X)
/
(y X)
y los estimadores de mxima verosimilitud de
_
,
2
_
sern los que
maximizen esta funcin. Para el caso de se tiene que,

MV
= (X
/
X)
1
X
/
y
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
2. Estimacin
Inferencia en el modelo de regresin lineal gaussiano
La hiptesis ms usual en anlisis de regresin es que el
k-coeciente
k
es (individualmente) igual a cero,
H
0
:
k
= 0
esta hiptesis es contrastada con el estadgrafo t
+
k
,
t
+
k
=

k
_

2
(X
/
X)
1
Para el clculo,
2
se reemplaza con su estimador s
2
y
k
se
reemplaza con

k
. t
+
k
sigue una distribucin t de Student con
n k grados de libertad. Si no se cumple Var [[X] =
2
I
n
,

es
an insesgado pero deja de ser eciente. Por la prdida de
eciencia, los errores estandar de

son sesgados y pueden llevar a
una inferencia incorrecta.
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
3. Validacin
Congruencia
Un modelo vlido es un modelo congruente
4
, uno que satisface las
siguientes condiciones,
1 E[
2
i
[X] =
2
y E[
i

j
[X] = 0 (para i ,= j )
2 E[[X] = 0
3
i
= (i = 1, ..., n) en :=
_
,
2
_
4 Estructuras identicables, concordantes con la teora
5 Formulaciones admisibles a partir de los datos (i.e. modelos
que no puedan producir resultados imposibles).
Ya que muchos aspectos de los datos no son explicados por los
datos, en la visin moderna de la modelizacin economtrica es
necesario "armonizar" el marco teortico con las observaciones, en
lugar de simplemente estimar un modelo pre-especicado.
4
Congruente en el sentido de Hendry.
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
3. Validacin
Patologas del modelo de regresin lineal gaussiano
La condiciones del teorema Gauss-Markov son supuestos
probabilsticos que subyacen al modelo de regresin clsico. El
alejamiento de estas condiciones da lugar a ciertas patologas
5
, e.g.
Multicolinealidad: El rango de la matriz de datos (n k),
X, no es k con probabilidad 1.
Si los errores no son esfricos, puede existir adems:
Heteroscedasticidad: E[
2
i
[X] ,=
2
Autocorrelacin: E[
i

j
[X] ,= 0, (para i ,= j )
Para inferencia, la ausencia de normalidad de los residuos limita
el uso de contrastes de hipotesis.
5
La visin moderna de la econometra considera a las patologas como
sntomas de un modelo incompleto.
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
3. Validacin
Estadgrafos de inters para la validacin
El ajuste del modelo: y = X

Residuos del modelo de regresin: e = y X

Suma de los residuos al cuadrado: e

/
e
El estimador MCO de
2
= Var ([X):s
2
=
e
/
e
nk
Error estndar de la regresin:
_
s
2
Suma (total) de cuadrados (STC): y
/
y
Descomposicin de la STC: y
/
y =y
/
y+e
/
e
Coeciente de determinacin (no centrado): r
2
= 1
e
/
e
y/y
Coeciente de determinacin (centrado): R
2
=

/
X
/
yny
2
y
/
yny
2
Coeciente de determinacin ajustado:
R
2
adj
= 1
_
1 R
2
_
n1
nk
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
3. Validacin
Multicolinealidad
La multicolinealidad es la relacin lineal perfecta o casi
perfecta entre las variables explicativas de un modelo de
regresin.
Si existe multicolinealida perfecta, la diagonal de

2
(X
/
X)
1
= y los estimadores

sern indeterminaciones.
La consecuencia de la multicolinealidad casi perfecta es que
los intervalos de conanza de los estimadores sern ms
amplios, pudiendo llevar a una inferencia inadecuada. Ms
expecicamente, las varianzas contenidas en
_
s
2
(X
/
X)
1
sern ms grandes, reduciendo el valor de los estadgrafos t
+
.
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
3. Validacin
Heteroscedasticidad
Si la diagonal de la matriz varianza covarianza de residuos no es
constante, E[
2
i
[X] ,=
2
, se tendr una problema de
heteroscedasticidad E[
2
i
[X] =
2
i
,
E[
2
i
[X] := =
_
_
_
_
_

2
n
0 0
0
2
n
0
.
.
.
.
.
.
.
.
.
.
.
.
0 0
2
n
_
_
_
_
_
Aunque E
_

_
= , ahora la expresin de la varianza ya no ser

2
(X
/
X)
1
, sino,
Var
_

_
=
_
X
/
X
_
1
X
/
X
_
X
/
X
_
1
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
3. Validacin
Autocorrelacin
La autocorrelacin se produce cuando el coeciente de
correlacin entre cualesquiera dos pares de observaciones no
es igual a cero, E[
i

j
[X] ,= 0 (para i ,= j ).
En el caso de que exista autocorrelacin, la matriz no ser
diagonal, y su forma, ser, de hecho, desconocida.
Los estimadores MCO

en este caso, como en el de
heteroscedasticidad, siguen siendo insesgados y consistentes,
pero dejan de ser ecientes, y los valores de los estadgrafos t
+
podran sobre-estimar o subestimar la signicancia de un
parmetro.
Mtodos Cuantitativos (parte 4)
Modelizacin emprica
3. Validacin
Normalidad de los residuos
Contraste Jarque-Bera
La propiedad [X ~ A(0,
2
I
n
) puede contrastarse con el test
Jarque-Bera (Jarque y Bera, 1987) que evala la hiptesis nula de
que los residuos siguen una distribucin normal (Gauss-Laplace).
El estadgrafo Jarque-Bera (JB),
JB

=
n
6
_
sesgo
2

+
(curtosis

3)
2
4
_
sigue una distribucin chi-cuadrado con dos grados de libertad,
JB
d
=
2
df =2
.
Mtodos Cuantitativos (parte 4)
Ilustraciones
Nmeros aleatorios de una p.d.f. gaussiana
-4
-3
-2
-1
0
1
2
3
4
250 500 750 1000
.0
.1
.2
.3
.4
.5
-4 -3 -2 -1 0 1 2 3 4
Histogram
Normal
D
e
n
s
i
t
y
Mtodos Cuantitativos (parte 4)
Ilustraciones
Nmeros aleatorios de una p.d.f. chi-cuadrado con 4 gl
0
4
8
12
16
20
250 500 750 1000
.00
.04
.08
.12
.16
.20
.24
-4 0 4 8 12 16 20
Histogram
Kernel
D
e
n
s
i
t
y
Mtodos Cuantitativos (parte 4)
Ilustraciones
Cul es la diferencia de los datos econmicos que los hace
especiales?
5
6
7
8
9
10
11
12
1975 1980 1985 1990 1995 2000 2005
Tipo de cambio Corona danesa/US$
.0
.1
.2
.3
.4
.5
.6
4 6 8 10 12 14
D
e
n
s
i
t
y
Tipo de cambio Corona danesa/US$
Mtodos Cuantitativos (parte 4)
Ilustraciones
Cul es la diferencia de los datos econmicos que los hace
especiales?
5
6
7
8
9
10
11
12
1980 1981 1982 1983 1984
Tipo de cambio Corona danesa/US$
0.0
0.4
0.8
1.2
1.6
2.0
5.0 5.5 6.0 6.5 7.0 7.5
Histogram Kernel
D
e
n
s
i
t
y
Tipo de cambio Corona danesa/US$
5.4
5.6
5.8
6.0
6.2
6.4
6.6
6.8
7.0
1990 1991 1992 1993 1994
Tipo de cambio Corona danesa/US$
.0
.1
.2
.3
.4
.5
2 4 6 8 10 12 14
Histogram Kernel
D
e
n
s
i
t
y
Tipo de cambio Corona danesa/US$