Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Econometra I
Econometra
La Econometra se ocupa del estudio de
estructuras que permitan analizar
caractersticas o propiedades de una
variable econmica utilizando como
causas explicativas otras variables
econmicas.
Modelo
Un modelo es la representacin
simplificada de cualquier fenmeno,
proceso, institucin y en general de
cualquier sistema.
Un sistema es un conjunto de elementos
que se encuentran en interaccin.
Tipos de modelo
Modelo mental: Representacin no explcita o
exteriorizada.
Modelo verbal: Descripcin del modelo mental
en lenguaje ordinario.
Modelo fsico: Representacin de un sistema en
forma material o mediante objetos.
Modelo matemtico: Descripcin del sistema
con la ayuda del lenguaje matemtico.
Mario Bunge
Mg. Beatriz Castaeda
10
Aceptacin de la
teora si es compatible
con lo datos
Rechazo de la teora
si es incompatible
con lo datos
Revisin de la teora
si es incompatible
con lo datos
Confrontacin con
nuevos datos
Mg. Beatriz Castaeda
11
Conjunto de
datos 1
Conjunto de
datos 2
Conjunto de
datos N-1
Conjunto de
datos N
Modelo economtrico 1
Modelo economtrico 2
Modelo economtrico N
Confirma eventualmente
la bondad de la teora
Rechazo
de la teora
Bsqueda de nuevos
caminos tericos
Nuevos
desarrollos
tericos
Nuevos
modelos
economtricos
y aplicacin
con nuevos
12
datos
Yt b0 b1 X t b2 Z t
b)
c)
13
MODELO ECONOMETRICO
LINEAL
Uniecuacional
NO LINEAL
Multiecuacional
Uniecuacional
Multiecuacional
14
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Dada una muestra de tamao n, tenemos:
Y1 1 2 X 21 ... K X K 1 1
Y2 1 2 X 22 ... K X K 2 2
............
Yn 1 2 X 2 n ... K X Kn n
Mg. Beatriz Castaeda
15
Notacin matricial
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Y1 1 2 X 21 ... K X K 1 1
Y2 1 2 X 22 ... K X K 2 2
............
Yn 1 2 X 2 n ... K X Kn n
y1 1 x 21 x31
y 1 x
x 32
22
2
... ... ... ...
yn 1 x2n x 3n
... xk 1
... x k 2
... ...
... xkn
1 1
2 2
... ...
k n
Y = X +
Mg. Beatriz Castaeda
16
E ( )
.....
E
(
0
n
2
V ( ) E ( ) E
... 1
...
E ( 12 )
E ( 1 2 )
...
E ( 1 n )
E ( 2 1 )
...
E ( n 1 )
E ( 22 )
...
E ( n 2 )
...
...
...
E ( 2 n )
...
E ( n2 )
...
0
2
...
0
... 0
... 0
... ...
... 2
17
18
Propiedades de matrices y
Distribuciones de probabilidad
1. A es simtrica
2. A es idempotente
AT = A
An = A
3. A es simtrica e idempotente
4. Si AB y BA
19
Propiedades de matrices y
Distribuciones de probabilidad
5. Si X(kx1) es N(, V) y si Tpxk es una matriz de coeficientes con (T) = p
TX tiene distribucin N(T, TVT)
AB=0
20
Yi 1 2 X 2 i .... k X ki i , para i 1, n
1
Dado el estimador
...
k
Yi 1 2 X 2 i 3 X 3 i ... k X ki
y el residuo o error de estimacin
e i Yi Yi Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )
Mg. Beatriz Castaeda
21
i 1
i 1
S ( ) ee e1
e2
... e n
e1
e
n
2
e2
i
...
i 1
en
Y1 Y1
Y Y
Y Y
......
Yn Yn
S ( ) ee (Y Y )(Y Y ) (Y X )(Y X )
22
Para minimizar S ( )
respecto a cada
e igualamos a 0
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki ) ( 1) 0
i 1
1
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki ) ( X 2 i ) 0
i 1
2
.
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )( X ki ) 0
k
i 1
23
i 1
i 1
i 1
i 1
Yi n1 2 X 2 i 3 X 3i ... k X ki
n
Y
i 1
X 2i
i 1
i 1
i 1
i 1
1 X 2 i 2 X 22i 3 X 2 i X 3 i ... k X 2 i X ki
.
n
i 1
i 1
i 1
i 1
i 1
Yi X ki 1 X ki 2 X ki X 2i 3 X ki X 3 i ... k X ki2
1 1 1
x x x
21 22 23
... ... ...
xk 1 xk 2 xk 3
... 1
... x2 n
... ...
... x kn
y1 n
y x
2 2i
... ...
yn xki
XY = (XX)
Mg. Beatriz Castaeda
x
x
2i
2
2i
...
x2i xki
x
x x
3i
2i 3i
...
...
...
...
x3i xki ...
x
x x
1
2 i ki 2
... ...
2
x ki k
ki
( X X ) 1 X Y
24
S ( ) ee (Y X )(Y X ) (Y X ) (Y X )
Y Y X Y Y X X X
Y Y 2 X Y X X
S ( )
2 X Y 2( X X ) 0
X Y ( X X )
( X X ) 1 X Y
25
E ( )
( X X ) 1 X Y ( X X ) 1 X ( X ) ( X X ) 1 X
Funcin lineal de las obs. Y
E ( ) [( X X )1 X ]E ( )
2)
2
1
V ( ) ( X X )
( X X ) 1 X
1
1
V ( ) E[( )( )] E[( X X ) X X ( X X ) ]
( X X ) 1 X E ( ) X ( X X ) 1 ( X X ) 1 X ( 2 I ) X ( X X ) 1
2 ( X X ) 1
Mg. Beatriz Castaeda
26
Teorema de Gauss-Markov
El estimador MCO es el estimador lineal insesgado ptimo, en el sentido de
que cualquier otro estimador lineal insesgado tiene una matriz de
covarianzas mayor que la del estimador MCO
Demostracin
~ ~
~
Sea A Y un estimador lineal de y sea A A ( X X ) 1 X ; matriz kxT , de mod o que
~ [ A ( X X ) 1 X ]Y [ A ( X X ) 1 X ]( X ) AX [ A ( X X ) 1 X ]
~
Luego E ( ) AX
~
as ser insesgado slo si A es tal que AX 0
~
[ A ( X X ) 1 X ]
~
La matriz de convarianzas de ser
~
~
~
V ( ) E[( )( )] E ([ A ( X X ) 1 X ] )([ A ( X X ) 1 X ] )
2 AA 2 ( X X ) 1 2 ( X X ) 1 V ( MCO )
Mg. Beatriz Castaeda
27
Estimador de 2
e Y X X X ( X X ) 1 X Y
1
X X (X
X
)
X ( X )
1
X ( X X ) X
[ I X ( X X )1 X ] M
M es simtrica e idempotent e
M [ I X ( X X ) 1 X ] I X ( X X ) 1 X M
MM [ I X ( X X ) 1 X ][ I X ( X X ) 1 X ]
I X ( X X ) 1 X X ( X X ) 1 X X ( X X ) 1 X X ( X X ) 1 X
I X ( X X ) 1 X M
Mg. Beatriz Castaeda
28
S ( ) ei2 ee ( M )( M ) M M M
E ( e ) E ( M ) E
2
i
a
i 1
ii
2
i
2 aij i j
i j
aii 2 2 aij E ( i j )
2 Traza ( M ) 2 ( n k )
Traza ( M ) Traza ( I nxn X ( X X ) 1 X )
Traza ( I ) Traza ( X ( X X ) 1 X )
n Traza (( X X ) 1 X X ) n Traza ( I kxk ) n k
2
e
i
ee
nk nk
2
Es un estimador insesgado de
29
Clculo de
S
2
2
e
2
e
i
ee
nk nk
2
ee Y Y 2 X Y X X
ee Y Y 2 X Y X X [( X X ) 1 X Y ]
ee Y Y X Y
Y Y ( X Y )
S
nk
2
2
e
30
Yi 1 2 X 2 i 3 X 3 i 4 X 4 i i , para i 1, n
Obtenemos los estimadores de los parmetros con la siguiente informacin
resumida de la data obtenida para una muestra:
Y`Y = 10 X Y
3
3
2 0
( X X ) 1 X Y
4 2 0
8
X `X
10
4
0.52
0.64
0.16
0.38
0
0
( X `X ) 1
0.0455
0.0227
0.1818
0
0
0
0.125
Y Y ( X Y ) 10 4,9205
S
0,8466
nk
6
2
2
e
31
Yi 1 2 X 2 i 3 X 3 i 4 X 4 i i , para i 1, n
Modelo:
Modelo estimado
S e 0,9201
0
0.1154 0.058 0.0385
0.058 0.1347 0.019
V ( ) S e2 ( X `X ) 1
0.0455 0.019 0.1539
0
0
0
0
0.1058
32
Coeficiente de determinacin R2
Yi 1 2 X i
y
yi
Yi y
(Y
SCR
R2
SCT
i 1
( y y )
(Y y )
(Y y
Y )
i 1
SCT
Variacin
no explicada
error
SCE
( y i y )
Variacin
explicada por
la regresin
( y
i 1
Y )2
SCR
SCE
R2 1
1
SCT
Mg. Beatriz Castaeda
(Yi y i )
Variacin
Total
xi
(Y
2
i
y )2
33
SCE
R 1
1
SCT
2
R2
2
2
(
Y
Y
)
e
i
i
(Yi Y )
(Y
2
i
y )2
2
2
Y
n
Y
(Y Y X Y )
i
2
2
Y
n
Y
i
n
Y
R2
Y Y n Y 2
34
(Y
2
i
y )2
R 1
[ SCE /( n k )]
n1
1
(1 R 2 )
[ SCT /( n 1)]
nk
35
2
N
(
0
,
entonces:
1
1
1) ( X X ) X Y ( X X ) X
tiene
dist
.
( n k )
2
2
36
3)
( )[V ( )] ( )
2
[ X ( )] [ X ( )] ( N )( N ) N
2
2
X ( ) X X Y (Y ) (Y Y )
M ( I M ) ( X ( X X ) 1 X ) N
Traza(N) = K
Mg. Beatriz Castaeda
37
( n k ) S e2 M
2
tiene
dist
.
( n k )
2
2
N
1
2
( )[V ( )] ( )
tiene
dist
.
(k )
2
MN M ( I M ) M MM 0
Entonces las dos formas cuadrticas son independientes
Luego
[( ) X X ( )] / k
F
tiene dist . F( k , n k )
2
Se
38
Como i es N ( i , 2 a ii )
y
( n k ) S e2
tiene dist . (2n k )
2
( i i )
t 1 / 2
- t1-/2
t1-
t(n-k)
a ii
( n k ) S e2
( n k ) 2
( i i )
es t ( n k )
S e a ii
( i i )
T
t 1 / 2
S e a ii
Obtenemos
L i t1 / 2 S
39
Prueba de Hiptesis
H 0 : i i*
H 1 : i i*
Estadstica de la Prueba
( i i* )
T
es t ( n k ) si H 0 es cierta
S e a ii
Decisin
Rechazar la H0 a favor de H1 si
T t 1 / 2 o
- t1-/2
t1-
t(n-k)
T t 1 / 2
40
2. Para
( n k ) S e2
2
tiene
dist
.
( n k )
2
1-
2
/2
Obtenemos
12 / 2
(2n k )
( n k ) S e2
Li
12 / 2
2
/2
( n k ) S e2
2
1 / 2
2
( n k ) S e2
Ls
2 / 2
41
10
0
2
0
....
0
k
Prueba de Hiptesis
H0 : 0
H1 : 0
Estadstica de la Prueba
[( 0 )[ X X ]( 0 )] / k
F
tiene dist . F( k , n k ) si H 0 es cierta
2
Se
Decisin
Rechazar la H0 a favor de H1 si
F > F1-
F1-
F(k ,n-k)
42
Yi 1 2 X 2 i .... 5 X 5 i i , para i 1, n
Para el cual se formula las siguientes hiptesis
3 3 5 8
1. H 0 : 4 4 1 0
3 2
5 2
Restricciones lineales
H 0 : R r
1
0 0 3 0 1 2
1 0 0 4 0
0 1 0 0 3 4
R
Mg. Beatriz Castaeda
8
0
2
r
43
H 0 : R r
H 0 : R r
Rqxk ; q k
Rango( R ) = q (las restriciones son
linealmente independientes)
es N ( , 2 ( X X ) 1 )
E ( R r ) R E ( ) r R r 0
V ( R r ) R[V ( )]R
( R r ) es N (0, R[V ( )] R)
W ( R r )[ 2 R ( X X ) 1 R]1 ( R r ) es (2q )
W ( R r )[ S e2 R ( X X ) 1 R]1 ( R r ) (2q )
Mg. Beatriz Castaeda
12
(2n k )
44
2. Prueba F
H 0 : R r
H 0 : R r
Rqxk ; q k
{( R r )[ R ( X X ) 1 R]1 ( R r )} / q
F
es F( q ,n k )
ee /( n k )
F1
F( q ,n k )
W ( R r )[ 2 R ( X X ) 1 R]1 ( R r ) es (2q )
( n k ) S e2 ee
2
tiene
dist
.
(
n k )
2
2
Mg. Beatriz Castaeda
W qF
45
File
New
workfile
File
New
workfile
46
2. Frequency
anual
Range
OK
47
3. Ingreso de datos:
Quick
Empty group
48
Aparece una planilla en blanco en la que se asigna nombre a las variables y se ingresa los
datos como en una planilla excel
49
3. Estimacin de la ecuacin:
Quick
Estimate equation
50
51
52
Modelo estimado
Coefficient
Std. Error
t-Statistic
Prob.
5.228449
29.00686
0.180249
0.8587
PNB
0.213205
0.011921
17.88539
0.0000
-0.828817
3.239046
-0.255883
0.8005
R-squared
0.941937
41.13333
Adjusted R-squared
0.936407
20.97122
S.E. of regression
5.288459
6.285400
587.3238
Schwarz criterion
6.432656
F-statistic
170.3368
Prob(F-statistic)
0.000000
Log likelihood
Durbin-Watson stat
Mg. Beatriz Castaeda
-72.42479
0.787335
53
Se escribe el nombre
OK
Se escribe la especificacin
54
Yi 1 2 X 2 i .... k X ki i , para i 1, n
1) Anlisis de significancia de la variable Xi
H0 : i 0
H1 : i 0
Estadstica de la Prueba
i
T
S
es t ( n k ) si H 0 es cierta
i
- t1-/2
t1-
t(n-k)
55
q 1
q 2
H0 :
.....
R 0 qxs I sxs
sx 1
0
0
...
0
0
0
...
...
...
...
1
...
sx 1
...
...
sxk
q 1
q 2
...
k
0
0
...
sx 1
kx 1
1 X 21
1 X
22
X
... ...
1 X 2 n
Mg. Beatriz Castaeda
X1
X X1 X 2
...
X q1
X q 1 1
...
...
...
...
X q2
...
X qn
X q 1 2
...
X q 1 n
...
...
...
X2
X k1
X k 2
...
X kn
56
X X1 X 2
B1
B2
Y X1 X 2
H 0 : B2 0
B1
B X 1 B1 X 2 B2
2
H 1 : B2 0
H 0 : R 0 sxq I sxs
A11
R ( X X ) R 0 I
A21
1
B1
B B2 0
2
A12 0
A22
A22 I
57
B11
X X
B21
B12
B22
A11
( X X )
A21
1
A12
A22
1
A11 ( B11 B12 B22
B21 ) 1
1
A12 B11
B12 A22
1
A21 B22
B21 A11
X 1'
X X
'
2
X1
X 1' X 1
X 1' X 2
'
X 2 X1
X 2' X 2
X2
Y X 1 B1 1
58
H 0 : B2 0
H 1 : B2 0
H 0 : R 0 sxq I sxs
B1
B B2 0
2
Entonces la estadstica
{( R r )[ R ( X X ) 1 R]1 ( R r )} / q
F
es F( q ,n k )
ee /( n k )
Se reduce a:
2' [ X 2' M 1 X 2 ] 2 / s
F
es F( s , n k )
2
Se
Mg. Beatriz Castaeda
59
H 1 : B2 0
Modelo restringido
Y X1 X 2
e MY
Modelo restringido
(MR)
B1
B2
B1
B X 1 B1 X 2 B2
2
SCE ( MSR ) ee Y M Y
Y X 1 B1 1
SCE ( MR ) e1e1 Y M 1 Y
e1 M 1Y
60
En el MSR
Y X 1 B 1 X 2 B 2 e
M 1Y M 1 X 1 B 1 M 1 X 2 B 2 M 1e M 1 X 2 B 2 e
M 1 X 1 1 [ I X 1 ( X 1' X 1 ) 1 X 1' ] X 1 1 0
X Y ( X X )
Luego
X 1'
X 1' e
0
e '
'
X2
X 2 e 0
X (Y X ) X e 0
M 1e [ I X 1 ( X 1' X 1 ) 1 X 1' ]e e
61
M 1Y M 1 X 2 B 2 e
( M 1Y )( M 1Y ) ( M 1 X 2 B 2 e )( M 1 X 2 B 2 e )
Y M 1Y B 2 X 2 M 1 M 1 X 2 B 2 B 2 X 2 M 1 e e M 1 X 2 B 2 ee
2 X 2 M 1e 2 X 2 e 0
e M 1 X 2 2 [ 2 X 2 M 1e ] 0
Y M 1Y B 2 X 2 M 1 X 2 B 2 ee
SCE(MR)
Luego
SCE(MSR)
SCR(MSR)
Mg. Beatriz Castaeda
SCR(MR)
62
H 0 : B2 0
H 1 : B2 0
Estadstica de la prueba
2' [ X 2' M 1 X 2 ] 2 / s
F
es F( s , n k )
2
Se
Equivale a:
es F( s , n k )
SCE ( MSR ) /( n k )
SCE ( MSR ) /( n k )
[ X Y 1 X 1Y ] / s
F
[Y Y X Y ] /( n k )
Mg. Beatriz Castaeda
63
Fuente de variacin
Suma de cuadrados
G.L.
C.M.
Razn F
SCR
K 1
SCR / k 1
SCE / n k
SCR2
kr
SCR2 / k r
SCE / n k
SCR2
k2 / a kk
SCE / n k
SCE
nk
Debido a X2, , XK
SCR X Y nY 2
k-1
Debido a X2, , Xr
SCR1 1 X 1 Y nY 2
r-1
Debido a Xr+1, , XK
SCR2 X Y 1 X 1 Y
SCR1 X Y nY 2 k / a kk
Debido a XK
SCR2 k2 / a kk
k-r
k-2
Debido al error
SCE Y Y X Y
n-k
Total
Y Y nY
n-1
64
Yi 1 2 X 2 i .... k X ki e i , para i 1, n
Y 1 2 X 2 .... k X k ya que
1 Y ( 2 X 2 .... k X k )
Yi Y 2 ( X 2 i X 2 ) .... k ( X ki X k ) ei
yi 2 x 2 i .... k x ki ei
y xB 2 e
x:
65
Yi 1 2 X 2 i .... k X ki ei , para i 1, n
Modelo en desviaciones
y xB 2 e
B 2 ( x x ) 1 x y
E ( B 2 ) B2
1 Y ( 2 X 2 .... k X k )
V ( B 2 ) 2 ( x x ) 1
2
V ( 1 )
2 X 2 ( x x ) 1 X 2
n
V ( 1 ) V [Y ( 2 X 2 .... k X k )] V [Y X 2 B 2 ] V (Y ) X 2 V ( B 2 ) X 2
cov( 1 , B 2 ) Cov[Y X 2 B 2 , B 2 ] X 2 V ( B 2 ) 2 X 2 ( x x ) 1
Mg. Beatriz Castaeda
66
y xB 2 e
ee
y y B 2 x y
nk nk
nk
2
i
e y xB 2
SCE
y y B 2 x y
R 1
1
SCT
y y
2
ee y y B 2 x y
B 2 x y
R
y y
2
67
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Yi 1 2 X 2 i 3 X 3 i ... k X ki X 'i
Si i es N (0, 2 )
T
Yi E (Yi )
2
e
'
i
S X ( X X ) X i
es t ( n k )
L Yi t1 / 2 S e2 X i' ( X X ) 1 X i
68
Yi 1 2 X 2 i .... k X ki i
Yi 1 2 X 2 i 3 X 3 i ... k X ki X 'i
E (ei ) 0
e i Yi Yi X i' i X i'
Si i es N (0, 2 )
T
V (ei ) 2 X 'i V ( ) X i
Yi Yi
1
S (1 X ( X X ) X i )
2
e
'
i
es t ( n k )
L Yi t1 / 2 S e2 (1 X i' ( X X ) 1 X i )
Mg. Beatriz Castaeda
69
Coeficientes estandarizados
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Yi Y 2 ( X 2 i X 2 ) .... k ( X ki X k ) i
Yi Y
SX2
2 S
SY
Y
j j
*
X 2i X 2
SX j
S X2
....
S Xk
SY
X 2i X 2
S X2
Variables en su nivel
Variables en
desviaciones de media
Variables estandarizadas
SY
70
Correlacin Parcial
En el modelo de regresin mltiple interesa medir cun relacionada est la
variable dependiente con cada una de las variables independientes, luego de
eliminar completamente el efecto de las otras variables independientes en el
modelo.
Ejemplo
Sea el modelo:
Yi 1 2 X 2 i 3 X 3 i i
1) Yi 1 2 X 3 i
2) X 2 i 1 2 X 3 i
de 1) Y * Yi Yi
de 2) X *2 i X 2 i X 2 i
71
y X2
y X3
y X3
rYX 2 rYX 3 rX 2 X 3
2
1 rX22 X 3 1 rYX
3
X2
Y
X3
y X 2 ( controlada por X 3
SY .3
2 rY 2.3
S 2.3
72