Profesor : Hctor Allende O.

Departamento de Informtica
Universidad Tcnica Federico Santa Mara
Econometra
Estructura del Curso
1.- Introduccin.
2.- Modelos de Regresin Mltiple
3.- Construccin de Modelos de Regresin
4.- Verificacin de Supuestos: Linealidad,
Normalidad, Homocedasticidad, Independencia
5.- Contraste de Hiptesis y Estimacin.
6.- Modelos Estadsticos de Series de Tiempo:
Suavizamiento Exponencial, ARIMA,
7.- ANN: modelos de Regresin libre, Series de
Tiempo
8. Aplicaciones
HECHOS
DATOS
TEORAS
MODELOS
FENMENOS
INTUICIONES
Problema real
Depuracin de los datos
(Anlisis de datos)
Estimacin de los parmetros
(Teora de la estimacin)
Modelos Estadsticos
(Clculo de probabilidades)
Planteamiento del problema
Objetos y medios
Recoleccin de informacin muestral
(Tcnicas de muestreo ; diseo de experimentos)
Contrastes de Simplificacin
(Contrastes de hiptesis)
Crtica y Diagnosis del Modelo
(Anlisis de datos)
Nuevo Conocimiento
Previsiones Decisiones
Cmo disear un equipo de
mantenimiento
Cmo aumentar el
rendimiento de un proceso
MODELO












Variables:
- Nmero de averas (x
1
)
- Tiempo reparacin (x
2
)
Hiptesis: las averas
Se producen
independientemente
La probabilidad de no avera
disminuye exponencialmente
con el tiempo
Hiptesis:tiempo reparacin
Depende de muchos
pequeos factores
Dos ejemplos de modelos cuantitativos
PREGUNTA

Variables:
- Rendimiento en % (y)
- Temperatura x
1

- Concentracin x
2

Hiptesis:
El rendimiento aumenta en
promedio linealmente con la
temperatura y la
concentracin
Para valores fijos de x
1
y x
2

el rendimiento vara
aleatoriamente alrededor de
su valor medio
RECOLECCI N
DE
I NFORMACI N
Muestreo de mquinas para
estudiar sus averas y tiempo
de reparacin
Diseo de un experimento
que se varen x
1
y x
2
y se
mida y
ESTI MACI N
PARMETROS




Estimar:
, tasa media de averas
, tiempo medio de
reparacin
o , variabilidad en el
tiempo de reparacin
Estimar:
El efecto de la temperatura
(b) y el de la concentracin
(c) sobre el rendimiento
Variabilidad experimental

CONTRASTES
DE SI MPLI FI -
CACI N

Tienen todos los tipos de
mquinas el mismo ?
Los tipos de averas, el
mismo y o ?
Es el efecto de la
temperatura y concentracin
idntico (b=c ) ?

CR TI CA DEL
MODELO



Es cierta la independencia
entre las averas?
Son la variabilidad de x
1
y
x
2
en la muestra consistentes
con las hiptesis ?
Es la relacin entre y
(x
1
, x
2
) lineal?
Es la variabilidad de y para
x
1
, x
2
fijos, independ. de los
valores concretos de x
1
, x
2
?
Qu es la Econometra ?
Disciplina que se ocupa del anlisis cuantitativo de
fenmenos econmicos:Teora Econmica, Economa
Matemtica y el Modelado Estadstico de datos
Modelo Keynesiano del Consumo
Modelo de Klein
Modelo de Cuentas Nacionales
Modelo de produccin Cobb-Douglas
Rol de la econometra : Proporcionar mtodos
para estudiar y medir las relaciones de las variables
econmicas (teora v/s la realidad)
Aplicaciones de los modelos
Economtricos
Ciencias de la Ingeniera
Ciencias Econmicas
Ciencias Naturales
Ciencias Mdicas
Ciencias polticas y sociales

Modelo Keynesiano de Consumo
(Fu Consumo)
(Fu Ingreso)
t
U
t
Y
t
C + + =
1 0
o o
t t t
I C Y + =
donde:
=
t
C
Gasto de Consumo
=
t
Y
Ingresos
=
t
I
Gasto de Inversin (Ahorro)
=
t
U
Perturbacin Aleatoria
Modelo de Klein (I)
Fu Consumo
( )
t t t t t t
P W W P C
1 1 3 2 1 0
c o o o o + +
'
+ + + =

Fu Inversin
t t t t t
K P P I
2 1 7 1 6 5 4
c o o o o + + + + =

Demanda Trabajo
( ) ( )
t t t t t t t t
t W T Y W T Y W
3 11 1 1 1 10 9 8
c o o o o + +
'
+ +
'
+ + =

Identidades
t t t t t
G I C T Y + + = +
t t t t
P W W Y + +
'
=
t t t
I K K + =
1
C : Gasto de Consumo
I : Gasto de Inversin
G : Gasto de Gobierno
T : Impuesto
Y : Ingreso descontado impuesto
K : Existencia Capital
W : Nmina Sector Privado
W : Nmina Sector Pblico
t : Tiempo
P : Ganancias
3 2 1
, , c c c : Perturbaciones estocsticas
Relaciones Funcionales (Tpicas)
Modelos Estructurales (Metamodelos)
a) MODELO LINEAL
Estocstico
c | | + + = X Y
1 0
b) MODELO CUADRATICO
c | | | | | + + + + + =
2
2 4 2 1 3 2 2 1 0
X X X X X Y
c) MODELO EXPONENCIAL
c |
| |
+ =
2 1
2 1 0
X X Y
d) etc.
Formulacin de Modelos
E1: Conocimiento profundo del fenmeno : Observacin cuidadosa y
identificacin de posibles elementos relevantes. (variables)

E2: Estado del Arte : Revisar los postulados teoricos existentes, formular
hiptesis.(nuevo conociemiento.

E3: Determinar los Pocos Vitales : Pareto, causalidad.

E4: Validacin : Probar con Datos Empricos, Hiptesis.

Sepamos buscar como quien espera encontrar y encontrar
como quien espera buscar
Teora Econmica
Contraste de Hiptesis
Validacin de Modelo
Anlisis Explorativode Datos (DM)
Formulacin de Hiptesis
Estimacin de Parmetros
Informacin
previa
Datos
Modelo Economtrico
CLASES DE MODELOS: Funcin, Estructura,
Referencia del Tiempo, Referencia de la
Incertidumbre, Generalidad
Descriptivos, Explicativos, Predictvos
Icnicos, Analgicos, Simblicos
Estticos, Dinmicos
Determinsticos, Probabilsticos, de Juego
Generales, Especializados


Estticos Dinmicos

Explicativos

y = + u
(Primera parte)
Descriptivos
Extrapolativos
y = + | x + u
(Tercera y cuarta
parte)
y = + | y
t-1
+ u
t

(Quinta parte)
y = + | x +
| y
t-1
+ u
t

(Quinta parte)
DATA MINING
Y
Mtodos Estadsticos
Cuantitativos
Knowledge Discovery in
Data Bases (KDD)
Es un proceso de identificacin de patrones
vlidos, innovativos, potencialmente tiles,
no explcitos y comprensibles a partir de los
datos.
KDD
Etapas del KDD :
1. Seleccin de Datos
2. Depuracin
3. Enriquecimiento
4. Codificacin
5. Data Mining
6. Reportes


Information Requirement
Data Bases
Action

External Data
Data Selection
Cleaning:
-Domain consistency
-De-duplication
- Outliers detection

Enrichment

Coding

Data Mining
- Association
- Clustering
- Classification
- Regression

Reporting

Feedback
KDD
Data Mining (DM)
Etapa de reconocimiento de patrones, a travs de
algoritmos automticos o semiautomticos de
grandes bases de datos con el objeto de apoyar a la
toma de decisiones dentro de una organizacin.
DM permite construir modelos mediante
algoritmos automticos
SM permite construir modelos orientado por un
experto.

DM v/s SM
Capacidad o poder predictivo
Manejabilidad
Perfomance
legibilidad
Rapidez
Tamano
Existen diversos algoritmos en Data Mining los que se
pueden clasificar:
Estadsticos
Machine Learning
Redes Neuronales etc.
Actividades de Data Mining:
Preparacin de los datos
Aplicacin de algoritmos de DM
Anlisis de datos
Algoritmos en DM
Algoritmos de DM:
Estadsticos
-Clustering
-Clasificacin
-Regresin
-Pronsticos
DM
Energa: Apoyo a la toma de decisiones en plantas energa
elctrica (centro de despacho de cargas)
Medicina: Mejora de diagnsticos y asignacin de
tratamientos en base a reconocimiento de patrones.
Marketing: informacin demogrfica y sistemas de
informacin geogrficos, patrones de compra, segmentacin de
mercados.
Finanzas: prediccin de valores y riesgo en el mercado de
opciones.
Aplicaciones
Una superficie de respuesta: Es un grfico de la variable
respuesta como una funcin de varias variables (factores).
Un metamodelo: Es una representacin algebraica, con los
factores como variables independientes (determinsticas o
estocsticas) y la variable respuesta como variable
dependiente. La que representa una aproximacin de la
superficie de respuesta.
Metamodelos tpicos usado en muchas aplicaciones son:
a) Regresin multiple
b) Markovianos
c) ANN

Superficies de Respuesta y Metamodelos
A travs de un metamodelo la metodologa de
superficie de respuesta (RSM) trata de encontrar
la respuesta ptima de un conjunto de factores.
La Experimentacin con un metamodelo es
comnmente un mtodo de adquirir informacin
Un proceso de diseo de experimento asume un
particular forma funcional o estructura dentro del
metamodelo (Lineal model, Quadratic model, etc).

PT B T B P B B T P C E
12 2 1 0
)] , ( [ + + + =
Meta-modelos
Los mtodos de Regresin son usados para
determinar la mejor relacin funcional entre las
variables.
Supongamos que la relacin funcional puede ser
representada por:
E(Y) = f (X
1
, ..., X
p
/ B
1
, ..., B
E
)

donde E(Y) es el valor esperado de la variable de
respuesta Y; los X
1
, ..., X
p
son factores; y los
B
1
, ..., B
E
son los parmetros de la forma funcional;

E(Y) = B
1
+ B
2
X
1
+ B
3
X
2
+ B
4
X
1
X
2+

Conceptos de Anlisis de Regresin
La observacin de un valor de la respuesta Y, para
un conjunto de X s, es asumida como una variable
aleatoria dada por:
Y = f (X
1
, ..., X
p
/B
1
, ..., B
E
) +

Donde , es una variable aleatoria con media
igual a 0 y varianza . Los valores de B
1
,...,B
E

son obtenidos por algn mtodo de estimacin
conveniente ( LS, M, GM etc.).
u
u
2
u
o
Conceptos de Anlisis de Regresin

La metodologa de superficie de respuesta
(Response surface methodology RSM) involucra
una combinacin de metamodelos (i.e., regresin
lineal y no lineal) y procedimientos secuenciales
de optimizacin (iterative optimization).



Mtodos en Superficie de Respuesta
Modelo Estadstico (Lineal)
x , y son variables independiente y dependiente
respectivamente. Adems u una variable
estadstica que representa el error.

Los parmetros |
0
y |
1
pueden ser estimados a partir
de los datos {(x
i
, y
i
)}
i=1,...,n
mediante mtodo de
mnimos cuadrados.


Entonces
u x y + + =
1 0
| |
i i i i i
x y y y e
1 0
| |

= =
Sea ;
Modelo de Regresin simple


ij
u
i
x
ij
Y + + =
1 0
| |
i
n j d i ,..... 2 , 1 ; ,.... 2 , 1 = =
Supuestos:
ij ij
u y ,
v.a.
1 0
, | |
parmetros
i
x
Variable de control
ij
u
Perturbacin Aleatoria, con esperranza nula,
variancia constante, distribuida normalmente con
independencia
Hiptesis Estructural
Consecuencias de los supuestos
i
X
i
x
ij
Y E a
1 0
) / ( ).. | | + =
2
) / ( ). o =
i
x
ij
Y V b
), / ( )
i
x
ij
Y f c
Dist. Normalmente

= =
=
n
i
n
i
i ij ij
x y min e min
1 1
2
1 0
2
) (
1 0 1 0
| |
| | | |

=
=
n
i
i E
e SC
1
2
x
xy
SC
SC
=
1
|

x y
1 0
| |

=

=
=
n
i
i x
x x SC
1
2
) ( ) )( ( y y x x SC
i
n
i
i xy
=

=1

=
=
n
i
i
e VNE
1
2
)) ( , (
0
0 0
^
| |
|
V N ~
Distribucin de los Parmetros mnimo cuadrticos
)) ( , (
1
1 1
^
| |
|
V N ~
Ejemplo de Regresin Simple
t 0 1 2 3 4 5 6
V(t) 30 60 46 32 10 4 17
20 40 26 14 8
20 12
V(t) 25 40 46 29 12 6 17
Sea x
t
= sen t y
t
= V(t)

Luego y(t) = a + b x
t
+ u
t

=
t
t t
b a b a
bx a y min b a Q min
2
, ,
) ( ) , (
3 25,

= = x b y a
20
2
= =
x
S
y x
b
) , cov(

1276
2
=
y
S

= 45 22
2
, )

(
t t
y y
% de Ajuste del Modelo =
% % ,

98 100 98 0 1
2
2
= - =

y
t
S
e