UNIVERSIDAD: UNELLEZ

VICERRECTORADO: PLANIFICACIÓN Y DESARROLLO SOCIAL

PROGRAMA: CIENCIAS DEL AGRO Y DEL MAR
SUBPROGRAMA: ECONOMÍA AGRÍCOLA

ECONOMETRIA

PROFA. NEIDA SIMANCAS

MÓDULO I: FUNDAMENTOS TEÓRICOS DE LA
ECONOMETRÍA
1. CONCEPTOS BÁSICOS:
PROCESO ESTADÍSTICO
PROPIEDADES DE LOS ESTIMADORES:
2. CONTRASTE DE HIPÓTESIS
3. NIVELES DE ANÁLISIS DE LA ECONOMETRIA:
TEORÍA DE LA PROBABILIDAD
TEORIA DE ESTIMACIÓN
TEORIA SOBRE LA CONSTRUCCIÓN DE MODELOS
PROYECCIONES CON MODELOS ECONOMETRICOS
4. COMPONENTES DE LOS MODELOS ECONOMETRICOS
5. ENFOQUE DE LA COMISIÓN DE COWLES
6. TIPOS DE BASES DE DATOS
7. CONCEPTO DE ECONOMETRÍA

MSc. Neida Simancas/1

MÓDULO I: FUNDAMENTOS TEÓRICOS DE LA
ECONOMETRIA

Breve repaso estadístico:

Un PROCESO ESTADÍSTICO es una secuencia de variables aleatorias,

donde cualquier elemento de la secuencia puede tomar un valor particular
de un rango determinado en cada realización.

Si cada realización del proceso estocástico tiene un elemento por cada

instante o período específico de tiempo entonces al conjunto conformado
por estos valores se le denomina SERIE DE TIEMPO y podemos
denotarla como Xt (que representa la X1,X2,..., Xt).

Si todas las variables aleatorias estocásticas tienen media (valor esperado)

y varianza, podemos describir estos parámetros como series que dependen
de t:μt y σ2t y adicionalmente la covarianza entre cualesquiera dos
variables de la secuencia Xt y Xt+j se denota Tt,t+j.
MSc. Neida Simancas/2
PROPIEDADES DE LOS ESTIMADORES:

INSESGABILIDAD: Un estimador es insesgado si la media de su distribución

muestral es igual al verdadero valor del parámetro.
EFICIENCIA: Un estimador insesgado es eficiente si entre la clase de los
estimadores insesgados es el que posee menor varianza.
PROPIEDADES ASINTÓTICAS:
Una sucesión de variables aleatorias converge en probabilidad a una constante c,
si para cualquier ξ > 0. Esto es:
Lim Prob (ӀXn- cӀ >ξ) = 0 Demostración de Convergencia

O también por Notación:

Límite en probabilidad Si E(Xn)=C ,o sea, n crece
PLIM Xn = C Límite Var (Xn) = Lim σ 2n = 0
^ ^
CONSISTENCIA: Un estimador θ de θ es consistente si y solo si:
^ ^ ^
PLIM θ = θ Que la sucesión θ converge en probabilidad al verdadero
^
valor (desconocido) del parámetro θ MSc. Neida Simancas/3
CONVERGENCIA EN DISTRIBUCIÓN LÍMITE: Sí consideramos una
secuencia de variables aleatorias y1, y2, y3, ... con sus correspondientes funciones
de distribución F1, F2, F3..., se dice que esta secuencia converge en distribución a
una variables aleatoria Y con función de distribución F, si Fn (X) converge a F (X)
cuando n → ∞ , para todos los puntos de continuidad de F.
^
INSESGABILIDAD ASINTÓTICA: El estimador θn basado en una muestra de
tamaño n, es asintóticamente insesgado si la media de la distribución límite de
^ ^
√n (θn – θ) es cero, y escribimos:
^
1. AE (θn) = θ considerando la media de la distribución limite
^
2. Lim E (θn) = θ considerando el limite de la media
n→∞
VARIANZA ASINTÓTICA:
^
AE [√n (θn – θ)]2 considerando la varianza de la distribución límite
^
Lim E [√n (θn – θ)]2 considerando el límite de las varianzas
n→∞ MSc. Neida Simancas/4
CONTRASTE DE HIPÓTESIS:
Según HENDRY se define como contrastar, contrastar y contrastar. Por lo tanto
plantearemos algunos puntos fundamentales relacionados con este tema:
Una hipótesis estadística es una declaración o afirmación sobre los valores de
algunos parámetros en la población hipotética de donde se ha extraído la muestra.
Si la hipótesis especifica un valor determinado para un parámetro implica hipótesis
puntual o simple.
Si la hipótesis especifica un intervalo para el parámetro implica hipótesis interna o
compuesta.
El C.H. responde a la pregunta sobre si la diferencia observada entre el valor
muestral y el valor poblacional hipotético es real o es debida a variación casual.
La hipótesis a contrastar (H0) se llama hipótesis nula y la alternativa la H1.
La probabilidad de rechazar H0 cuando en realidad es cierta es llamada nivel de
significación o tamaño del test (α: error tipo I).
Para contrastar si la diferencia observada entre los datos y lo que esperaríamos
bajo H0 es real o debida a variación casual usamos un estadístico de contraste.

MSc. Neida Simancas/5

NIVELES DE ANÁLISIS DE LA ECONOMETRIA:
EJERCICIO:
Distinguiremos con el lanzamiento de un dado cuatro niveles de conocimiento
potencialmente disponible para un investigador.
TEORÍA DE LA PROBABILIDAD:
En un primer nivel (A) asumiremos que la estructura de probabilidad de todos
los eventos a analizar es conocida.
Lanzamiento del Dado:
Dado simétrico y balanceado con seis superficies numeradas 1,2,3,4,5,6
Cada lanzamiento es independiente
P (1) = (2) = . . . = (6) = 1/6
En términos econométricos se requiere conocer el PGD, lo cual constituye una
falsa guía para la realidad, puesto que en la práctica conocemos muy poco sobre
la estructura de la mayoría de los mecanismos económicos.

MSc. Neida Simancas/6

TEORIA DE ESTIMACIÓN:
En un segundo nivel asumamos que el dado tiene seis caras etiquetadas del 1 al
6 y que cada lanzamiento es independiente y deseamos conocer la probabilidad
de un resultado buscado P(.)=? en distintos lanzamientos. No podemos
deducir teóricamente tal probabilidad, ya que no conocemos que tan perfecto es
el dado.
La estimación podrá realizarse luego de observar los resultados de lanzar el
dado un gran números de veces y registrar con qué frecuencia ocurre ., para
entonces apelar a la teoría basada en el nivel de análisis A.

La estimación óptima estará fundamentada sobre el conocimiento del PGD

(nivel A), sin embargo éste supuesto es poco realista, ya que la certeza de que el
dado tiene seis caras y permanecerá inalterado en el tiempo, correspondiente a
un nivel de conocimiento que va más allá de los que podemos alcanzar en el
estudio de la economía. (Ej. Estimación de una especificación teórica de la
función de inversión).

MSc. Neida Simancas/7

TEORIA SOBRE LA CONSTRUCCIÓN DE MODELOS:

En este nivel suponemos que:

Existe un dado con algunas superficies numeradas y se plantea obtener (.).
Ahora no conocemos cuántas caras tiene el dado, cuántas están etiquetadas ., si el
dado está cargado, si cada realización es independiente de las demás y c/u de ellas
son conducidas bajo las mismas condiciones, etc.
La única estrategia será registrar todos los resultados que obtenemos al lanzar el
dado, construir y estimar un modelo de comportamiento en base al limitado
conjunto de información y calcular la probabilidad de . mediante el uso del
modelo.
Este problema es análogo a los confrontados en la práctica del análisis
econométrico empírico. (Ejemplo: No sabemos si  la función de inversión así que
usamos resultados teóricos y empíricos, sobre el comportamiento de la inversión,
obtenidos en investigaciones anteriores). Aquí no se sabe cuál es la variable que lo
afecta más.

MSc. Neida Simancas/8

PROYECCIONES CON MODELOS ECONOMETRICOS:
Generalmente requerimos modelos econométricos a fin de predecir lo que ocurrirá
en situaciones que abarquen más de lo contenido en los datos análisis.
(Simulaciones, Proyecciones). Entonces nos planteamos: P (.)=? en el próximo
lanzamiento si el dado todavía existe.
Por cuanto el proceso probabilístico no es conocido, no podemos saber si estamos
realizando predicciones sobre la misma entidad que previamente estimamos.
Luego la construcción de modelos que capten las posibles variaciones relacionadas
con el fenómeno económico objeto a estudio, constituye un aspecto de interés
dentro del análisis econométrico.
Puede ser que los determinantes de ahora ya no sirvan para predecir el futuro.

MSc. Neida Simancas/9

COMPONENTES DE LOS MODELOS ECONOMETRICOS:
Supongamos que queremos determinar los componentes de un modelo económico
que representa el comportamiento de la oferta y la demanda de un producto
agrícola. Además supongamos que para cada periodo tenemos información
separada de la oferta y de la demanda, y que los precios son dados.
Al tipo de variables determinadas por el modelo se les conoce como VARIABLES
ENDÓGENAS.
Por otro lado a las variables determinadas fuera del sistema se les llama
VARIABLES EXÓGENAS.
Al conjunto conformado por las variables exógenas y endógenas rezagadas se les
conoce en la econometría tradicional como VARIABLES PRE-
DETERMINADAS.
Cuando el sistema de ecuaciones representa la formulación teórica desde el punto
de vista económico (estructura económica) se conoce con el nombre de FORMA
ESTRUCTURAL.
En la representación, donde se han expresado las variables endógenas únicamente
en función de las exógenas en forma de coeficientes es conocida como FORMA
REDUCIDA.
MSc. Neida Simancas/10
ENFOQUE DE LA COMISIÓN COWLES:
El modelo tradicional es planteado en una FORMA DETERMINÍSTA, sin embargo
las relaciones económicas no son, en general, de este tipo ya que existen una serie de
factores adicionales en ellas que justifican la presencia de un término de error aleatorio
que hace que la relación entre la variable endógena y explicativas sea de FORMA
ESTOCÁSTICA.
Ejemplo:
Expectativas, gustos / crédito interno al sector privado.
Variables que no pueden ser medidas, o al menos no directamente.
Variables que aportan demasiado poco a la explicación de un fenómeno y
cuya inclusión en el modelo sólo desmejoraría la calidad de las estimaciones.
Errores de medición en las variables a ser incluidas en el modelo.
La forma funcional es solo una aproximación.
Aleatoriedad del comportamiento humano.
Entonces el Modelo Econométrico asociado será:
qdt = 1 + 11 Pt + 12 Zt + U1t
qot = 2 + 21 Pt + 22 Zt + U2t
Donde U1t y U2t son los términos de perturbación aleatorios que recogen los efectos
arriba mencionados. MSc. Neida Simancas/11
TIPOS DE BASES DE DATOS

SERIES DE TIEMPO:
Se dispone de información acerca de una unidad económica, a lo largo del tiempo.
Se utiliza el subíndice t para demostrar las observaciones.
Ejemplo: Yt = f (X1t, X2t , . . , Xnt) para t = 1, . . . , t

SECCIÓN CRUZADA (CORTE TRANSVERSAL):

Se dispone de información para diversos agentes económicos de una naturaleza
similar, en un mismo instante del tiempo.
Ejemplo: Yi = f (X1i, X2i , . . . , Xni) para i = 1, . . . , n

DATOS DE PANEL:
Se dispone de información para diversos agentes económicos de una naturaleza
similar, a lo largo del tiempo.
Ejemplo: Yit = f (X1it, X2it , . . . , Xnit ) para i = 1, . . . , n
t = 1, . . . , t

MSc. Neida Simancas/12

EJERCICIO:
Escriba un modelo lineal para cada uno de los casos que se plantean a continuación,
haciendo un comentario a cuál es el tipo de datos que se trata en cada uno de ellos
(series de tiempo, sección cruzada).
CASO 1: Variación de la cantidad demandada de un activo financiero, AF, de la
Bolsa de Valores de Caracas, por 20 agentes a lo largo de un año, en función de sus
rendimientos, el riesgo de cartera, y la renta de cada agente.
CASO 2: Evolución de las ventas mensuales de una empresa, en función de el
número de artículos negociados, el salario real de los consumidores y los gastos en
publicidad con datos mensuales para los últimos 5 años.

CONCEPTO DE ECONOMETRÍA:
Dado todo lo anterior, definiremos ECONOMETRÍA como:
“La ciencia que se encarga del estudio de la aplicación de los métodos estadísticos,
matemáticos y computacionales para el análisis de los fenómenos económicos,
basada en la medición y contrastación empírica de las hipótesis, utilizando los
resultados de la estadística económica para cuantificar relaciones entre variables
que tienen vinculaciones en sus comportamientos”.
MSc. Neida Simancas/13