Econ I Clases I Primer Parcial

UNIVERSIDAD DE GUAYAQUIL
FACULTAD DE ECONOMÍA
Econometría I
Econ. Mariana Cedeño Preciado, MSc.
Octubre/2018
Horario de Clases
Martes y Jueves
07H00 – 09H00
Exámenes
Primer parcial: 10 - 16 de diciembre/2018
Segundo parcial: 18 – 24 de febrero/2019
Recuperación: 25 de febrero - 6 de marzo/2019
Datos Generales
- Disciplina
- Puntualidad
- Celulares
- Conversar
- Fecha de entrega de tareas
Estructura de calificación
- Investigaciones
- Tareas – Deberes
- Lecciones
- Análisis de artículos del periódico 5 puntos
- Ensayos
- Talleres
- Aportes - Test
- Trabajo de fin de parcial
- Examen 5 puntos
Evaluaciones
- Lecciones semanales
- Aportes mensuales
- Proyecto al final de cada parcial
Bibliografía
- Damodar Gujarati: Econometría - Quinta edición

- Dominick Salvatore: Econometría - Cuarta edición
- Alfonso Novales: Econometría - Segunda edición
- Barbancho: Fundamentos y posibilidades de Econometría –
Cuarta edición
EDMODO
EDMODO
INTRODUCCIÓN
La medición en Economía – la Econometría – es un campo
científico de desarrollo relativamente reciente. Los
primeros trabajos que pueden ahora ser entendidos como
elementales investigaciones econométricas datan de la
segunda mitad del siglo XIX.
En la actualidad la Econometría constituye, sin duda, el
instrumento fundamental para el análisis de la realidad
económica. Si la Estadística es el método de la
investigación científica, la Econometría es el método de la
investigación económica.
Concepto de Econometría: Etimología
El término “Econometría” fue acuñado en 1930 para dar
nombre a una sociedad científica – la Econometric Society –
integrada por partidarios de la aplicación de métodos
cuantitativos a la Economía, que crean la revista Econométrica
como vehículo de transmisión de investigaciones teóricas y
aplicadas que, a medio plazo, proporcionaron los fundamentos
del cuerpo metodológico de la actual Econometría.
Desde un punto de vista etimológico el término proviene del
griego “oikos” (economía) y “metría” (medida), evidenciando la
vocación cuantitativa del naciente campo científico.
Concepto de Econometría: Aproximación
Su contenido y definición ha variado a lo largo del tiempo. En
una primera etapa, hasta mediados de los setenta, tendía a
identificarse con la estimación de los modelos
multiecuacionales macro-econométricos.
Con el auge de las técnicas basadas en el análisis de series de
tiempo, se amplió notablemente su campo de forma que en la
actualidad suelen integrarse en su objeto todas las técnicas
matemáticas y estadísticas utilizadas en el análisis económico.
Un elemento fundamental del método de la Econometría es su
carácter deductivo, es decir, su utilización para contrastar o
verificar una determinada Teoría Económica mediante
modelos.
Concepto de Econometría: Definiciones

“La econometría puede ser definida como el análisis
cuantitativo de fenómenos económicos reales basados en los
desarrollos simultáneos de la observación y la teoría,
relacionados mediante métodos apropiados de la inferencia”.
P.A. Samuelson, T. C. Koopmans, y J. R. N. Stone.
“Determinación empírica de las leyes económicas” H. Theil.
Aplicación de las matemáticas y método estadístico al

estudio de fenómenos económicos.” Malinvaud (1966)”
Elementos de la definición
 El objeto material de la Econometría es el análisis
de los fenómenos económicos.
 Tiene un carácter eminentemente cuantitativo.
 Trata de verificar teorías, formuladas mediante

modelos económicos, a través del análisis de datos
reales.
 Estima y contrasta modelos econométricos, de
naturaleza estocástica, basados en los modelos
económicos representativos de la teoría económica
estudiada, que son utilizados para predecir.
Relaciones con otros campos científicos
La Econometría utiliza técnicas matemáticas y estadísticas
para verificar teorías económicas, explicar fenómenos
económicos o predecir sus comportamiento.
Contenidos
La Econometría tiene como objeto la estimación, contraste
y predicción con modelos econométricos.
Econometría Teórica o Teoría Econométrica: estudia los
métodos estadísticos de estimación, contraste y
evaluación de modelos y puede ser interpretada como una
rama de la Inferencia Estadística, siendo sus métodos
utilizados actualmente en otros campos científicos.
Econometría Aplicada: conjunto de aplicaciones realizadas
mediante métodos econométricos en el ámbito del
análisis económico.
Evolución histórica de la Econometría
La Econometría, como rama científica que trata de conseguir
“el progreso de la Teoría Económica en su relación con la
Estadística y la Matemática” y la “unificación del método
cuantitativo-teórico con el método cuantitativo-empírico”
En líneas generales podemos estructurar su evolución
histórica, en las siguientes etapas:
1º Etapa pre-econométrica
2º Etapa de nacimiento de la Econometría
3º Etapa de aportaciones básicas o fundamentales
4º Etapa de desarrollo
- Métodos de estimación multietápicos de ecuaciones simultáneas

- Modelos ARIMA de series de tiempo
- Modelos de retardos distribuidos
- Modelos de respuesta cualitativa
- Cointegración y corrección de errores
- Selección de modelos, contrastes de especificación y evaluación
- Técnicas bayesianas
- Modelos de datos de panel
- Modelos de fronteras estocásticas
-Modelos de supervivencia
- Difusión de paquetes econométricos
-Acceso masivo a la información económica
Métodos de la Econometría
La teoría tradicional clásica que predomina en la
investigación empírica en economía se realiza en los
términos siguientes:
 Planteamiento de la teoría o de la hipótesis
 Especificación del modelo matemático de la teoría
 Especificación del modelo econométrico o estadístico de la
teoría
 Obtención de datos
 Estimación de los parámetros del modelo econométrico
 Prueba de hipótesis
 Pronóstico o predicción
 Utilización del modelo para fines de control o de política
Aplicaciones de la Econometría.
Explicar la economía de un agente económico (como una empresa o un
consumidor), o la de un agregado de agentes económicos, como podría
ser un sector del mercado, o una zona de un país, o todo un país, o
cualquier otra zona económica.
Su evolución en el tiempo (por ejemplo, decir si ha habido o no cambio
estructural),
Predecir futuros valores de la variables.
Sugerir medidas de política económica conforme a objetivos deseados
(por ejemplo, para poder aplicar técnicas de optimización matemática
para racionalizar el uso de recursos dentro de una empresa, o bien para
decidir qué valores debería adoptar la política fiscal de un gobierno
para conseguir ciertos niveles de recaudación impositiva).
Tipos de datos
Series de tiempo: Es un conjunto de observaciones sobre
los valores que toma una variable en distintos momentos
de tiempo (análisis macroeconómico).
Corte transversal: consiste en datos de una o más
variables recogidas en el mismo momento del tiempo
(análisis microeconómico).
Información combinada (panel): con distintos individuos
en distintos periodos de tiempo, los datos contienen
elementos de series de tiempo y de corte transversal
reunidos (análisis microeconómico).
Estructura de los datos
Datos Sin transformar
• En niveles
Datos transformados
• Proporción (Índices)
• Diferencias
• Tasas de variación
• Logaritmos
Fuentes de Datos
Se entiende por datos, los diferentes valores que toma una
variable.
Los datos pueden corresponder a los valores de una variable
en el tiempo (serie temporal), o a valores para diferentes
sujetos en un momento dado (datos de corte transversal).
 Agencias Gubernamentales: BCE, INEC
 Agencias Internacionales: FMI, BM
 Organizaciones Privadas: S&P, BVG
• Datos experimentales y no experimentales.

• Internet: Ha revolucionado la recopilación de datos.
Escalas de medición
Escala de proporción: una variable pertenece a esta categoría si satisface tres
propiedades
 la proporción X1/X2
 la distancia (X2 –X1)
 ordenamiento natural (ascendente o descendente) comparaciones como X2 <X1
o X2 > X1.
La mayoría de las variables económicas pertenecen a esta categoría
Escala de intervalo: satisface las dos últimas propiedades de la variable de
escala de proporción, pero no la primera.
Escala ordinal : Una variable pertenece a esta categoría sólo si satisface la
tercera propiedad de la escala de proporción (es decir, el orden natural).
Ejemplo son los sistemas de calificaciones (A, B, C)
Escala nominal: Las variables de esta categoría no tienen ninguna de las
características de las variables de escala de proporción, simplemente denotan
categorías. Ejemplo: el género (masculino, femenino).
Modelos
Un modelo “no es más que una representación simplificada de la
realidad” [Sampedro, J.L.].
Es un sistema de conceptos relacionados que permiten representar
abstractamente los hechos que se pretende conocer y explicar.
Los modelos pueden ser expresados verbalmente, gráficamente,
matemáticamente, etc. Nos interesan los modelos matemáticos.
“Cuando en un grupo de fenómenos observables se tiene la evidencia
de una regularidad confirmada se intenta establecer la correspondiente
teoría matemática. Dicha teoría puede ser considerada como el modelo
matemático del conjunto de los hechos empíricos que constituyen los
datos” [Cramer, H., (1953)].
Modelos Económicos
“Un Modelo Económico es la expresión matemática de una
determinada teoría económica” [Barbancho, A. G, (1969)].
Un modelo económico es una representación teórica del
funcionamiento pretendido de los diversos procesos de la
economía, utilizando variables y relaciones lógicas entre las
mismas.
“Es una imagen idealizada del mundo real, en la que las
interrelaciones entre las diferentes variables económicas se
representan con la ayuda del simbolismo y el proceso ordinario
de deducción se reemplaza por operaciones matemáticas”
[Chakravarty, A. G, (1959)].
Modelos Económicos
Modelo verbal
Ley de la Demanda: la cantidad que se desea adquirir por unidad de tiempo
será tanto mayor cuanto menor sea el precio, ceteris paribus.
Modelo matemático
p = precio de adquisición del bien
q = f(p)
q = cantidad adquirida del bien
Modelos Econométricos
Cuando hay que abordar la realidad que trata de
explicar la teoría, se requieren una serie de
especificaciones que faciliten su aplicación.
“Un modelo econométrico es un conjunto de
ecuaciones concebidas para proporcionar una
explicación cuantitativa del comportamiento de las
variables económicas” [Christ (1968)].
Tratan de explicar el comportamiento de una o más
variables en función de la evolución de otras
variables que se consideran explicativas.
Modelos Econométricos
Modelo de demanda: para un mercado concreto, denotando por qi a la i-ésima
observación de la cantidad demandada y por pi al precio observado
correspondiente, entonces podemos formular el modelo
Pi = β0 + β1 qi + μi ∀ i = 1,2,...,n
donde β0 y β1 son parámetros y μi es una perturbación aleatoria que
suponemos se distribuye normalmente con media cero y varianza constante σ2.
Diferencias entre modelos económicos y econométricos
La diferencia entre el modelo económico y

econométrico es que este último requiere:
 una especificación más precisa,
 una relación funcional definida
 una definición temporal y/o espacial concreta
 un carácter aleatorio expresado en la significación

Utilidades de los Modelos Econométricos
El modelo econométrico tiene tres utilidades principales:
• Análisis estructural: sirve para conocer como inciden en
la endógena variaciones de las variables explicativas.
• Predicción: Es posible predecir los valores que tomará a
futuro la variable objeto de estudio.
• Simulación o evaluación de políticas: Efectos que tienen
sobre la endógena diferentes estrategias
Elementos de un modelo econométrico
Los elementos fundamentales de todo modelo
econométrico son:
a) Las variables que intervienen
b) Las ecuaciones o relaciones matemáticas
c) Los parámetros o magnitudes a estimar
d) La perturbación aleatoria
e)Las hipótesis establecidas sobre los componentes del
modelo
Las variables
Se entiende por variable al concepto económico que queremos analizar.
Una variable es un símbolo que designa a cualquier elemento
perteneciente a un conjunto específico, que se denomina dominio de la
variable. Las variables pueden clasificarse en:
a) Cualitativas dicótomas o ficticias (“dummy”): X = 0 ó X = 1
b) Ordinales: 1°, 2°, 3°…
c) Cardinales o magnitudes: X = 1, 2, 3, 4, 5, 6, ...
d) Proxies
Las variables, representativas de un fenómeno económico concreto,
deben estar referidas a un “espacio” y “tiempo” determinado.
Variables explicativas y explicadas
Las ecuaciones de un modelo son relaciones matemáticas causales, es
decir, que tratan de explicar el comportamiento de unas variables
(efecto) observables mediante otras variables (causa) también
observables, incorporando también variables no observables.
Matemáticamente las variables efecto reciben también el nombre de
variables dependientes mientras que las variables causa se dice que
son independientes.
Estadísticamente, en la teoría de la regresión, las variables efecto se
denominan variables explicadas (regresadas) mientras que las
variables causa se dice que son variables explicativas (regresoras).
Sin embargo, dado que frecuentemente las variables suelen estar
interrelacionadas, deben buscarse denominaciones más precisas.
Variables endógenas, predeterminadas y exógenas
La más importante clasificación de las variables es la que
distingue entre endógenas y predeterminadas. Las primeras,
son las explicadas por el modelo, las determinadas por éste,
mientras que las predeterminadas son variables explicativas
no determinadas por el modelo.
Pero hay variables endógenas que puede actuar como
explicativas o predeterminadas cuando actúan con ciertos
retardos – endógenas retardadas.
Las variables exógenas no son explicadas por el modelo en
ningún periodo de tiempo considerado. Pueden clasificarse en
controlables y no controlables en función de que su valor
pueda o no ser conocido por el usuario del modelo cuando éste
se utiliza para realizar predicciones o simulaciones
Ejemplo sobre las variables
En el modelo de demanda, referido a observaciones de series de tiempo:
qt = β0 + β1 pt + μt
La variable pt (precio) es la variable independiente o regresora y es una
variable exógena, dado que su comportamiento está explicado fuera del
modelo. La variable qt (cantidad) es una variable dependiente o regresada y se
supone que es endógena.
Si suponemos que el precio del periodo anterior es relevante para explicar el
comportamiento actual, podemos reescribir el modelo como
pt = β0 + β1 qt + β2pt-1 + μt
donde el precio retardado pt-1 actúa como variable predeterminada y regresora,
a pesar de ser una variable endógena (endógena retardada)
Las ecuaciones
Las relaciones cuantitativas o algebraicas que
conjugan a las variables de un modelo se
denominan ecuaciones, que incorporan cantidades
fijas pero desconocidas que se denominan
parámetros y que deben estimarse.
Una ecuación explica una ley de comportamiento
económico, comportamiento de un grupo en el
consumo, ley de producción, etc.
Es una relación funcional.
Las ecuaciones
Suelen clasificarse en:
1º. Relaciones de comportamiento, que recogen las acciones de los
sujetos económicos (funciones de consumo, por ejemplo).
2º. Relaciones institucionales, describen el impacto del ordenamiento
jurídico sobre el fenómeno o fenómenos analizados (impacto de una
reforma fiscal, por ejemplo).
3º. Relaciones técnicas, hacen referencia las condiciones tecnológicas
de un determinado proceso productivo o de fabricación (funciones de
producción, por ejemplo).
4º. Relaciones contables o definiciones, expresan la identidad
cuantitativa entre magnitudes económicas.
Tipos de Modelos Econométricos
Tipos de
modelos
Número de Forma Momento del

Tipos de datos Transformación
ecuaciones funcional tiempo
Tipos de
modelos
Número de
ecuaciones
Uni- Multi-
ecuacionales ecuacionales
Simples Múltiples
Tipos de
modelos
Forma
funcional
No
Lineales Lineales
Tipos de
modelos
Momento del
tiempo
Dinámicos Estáticos
Autorregresivos
Con
Retardos
Tipos de
modelos
Tipos de
datos
Series de Corte
Panel
tiempo Transversal
Tipos de
modelos
Transformación
Tasas de
En Niveles Logaritmicos
Variación
Dado el modelo macroeconómico:
𝐶𝑡 = 𝛼0 + 𝛼1 𝑌𝑡 + 𝛼2 𝐶𝑡−1 + 𝜇1𝑡
𝐼𝑡 = 𝛽0 + 𝛽1 𝐵𝑡 + 𝜇2𝑡
𝑊𝑡 = 𝛿0 + 𝛿1 𝑌𝑡 + 𝛿2 𝑡 + 𝜇2𝑡
𝑌𝑡 = 𝐶𝑡 + 𝐼𝑡 + 𝐺𝑡
𝐵𝑡 = 𝑌𝑡 − 𝑊𝑡
Donde: C = consumo nacional; I= inversión neta; Y = renta nacional; G =

gasto público; W = ingresos de los asalariados; B = ingresos de los no
asalariados, y t = tiempo.
Fases en la elaboración de un modelo econométrico
Fases en la elaboración de un modelo econométrico
Expresión del modelo de Regresión
La expresión formal del modelo básico de regresión lineal, que es el modelo
básico en econometría queda formulada como se expresa a continuación:
𝑌𝑖 = 𝛽1 + 𝛽2 𝑋2𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘𝑖 + 𝜇𝑖
Y: es la variable endógena o explicada cuyo comportamiento se quiere analizar
X: cada una de las variables exógenas o explicativas y que son consideradas
como las causas que crean transformaciones en la variable endógena.
ß: son los parámetros cuyo valor desconozco y voy a estimar.
μ: perturbación aleatoria que recoge el efecto conjunto de otras variables no
directamente explicitadas en el modelo, cuyo efecto individual sobre la
endógena no resulta relevante.
i: es el subíndice que hace referencia a las diversas observaciones para las
cuales se establece su validez.
Parámetros
Los coeficientes ß de la recta de regresión, son conocidos como los
parámetros del modelo son, respectivamente, los coeficientes de la
intersección y de la pendiente.
La principal utilidad que tienen los parámetros es la de cuantificar las
relaciones que existen entre las variables explicativas y la variable
endógena.
El análisis de los parámetros estimados permite conocer la estructura
económica del fenómeno que estamos analizando, entendiendo por
estructura el patrón de comportamiento de acuerdo con el cual se
desarrolla una acción. Una vez estimado el modelo, admitimos que la
estructura permanece constante para todo el periodo de estimación.
Esto es, que los parámetros son los mismos para toda la muestra y que
las relaciones permanecen constantes para todo el periodo analizado.
Interpretación de los coeficientes.
El coeficiente que corresponde al término constante debe
ser interpretado como el valor que toma la variable
endógena cuando el resto de variables explicativas valen
cero.
El resto de parámetros que acompañan a las variables
explicativas miden la relación entre éstas y la variable
endógena a través de su signo y su cuantía.
El signo mide si la relación entre las variables es directa o
inversa. La cuantía sirve para medir la importancia de la
relación entre la variable explicativa y la variable
endógena.
Perturbación aleatoria
Recoge el efecto conjunto de otras variables no directamente
explicitadas en el modelo, cuyo efecto individual sobre la
endógena no resulta relevante. Significa un determinado grado
de perturbación. Técnicamente es conocido como perturbación
estocástica, término de error estocástico o ruido blanco. Es un
sustituto para todas aquellas variables que son omitidas del
modelo pero que colectivamente afectan a la variable
dependiente (Y).
La pregunta obvia es: ¿por qué no se introducen estas
variables en el modelo explícitamente? Planteado de otra
forma, ¿por qué no se desarrolla un modelo de regresión
múltiple con tantas variables como sea posible?.
Las razones son:
 Vaguedad de la teoría
 No disponibilidad de información
 Variables centrales vs. variables periféricas
 Aleatoriedad intrínseca en el comportamiento humano.
 Variables proxy (representantes) inadecuadas
 Principio de parsimonia
 Forma funcional incorrecta
Análisis de Regresión
Se trata de una relación de causa-efecto que debe
tener su origen, en la teoría económica.
Si la relación no se sustenta en alguna teoría
económica y estadísticamente se cumple una
relación de dependencia, ello no es válido para
asumir una relación de causalidad.
No debe confundir con el análisis de correlación, el
cual consiste en medir el grado de relación lineal
entre las variables, a diferencia del análisis de
regresión que mide relaciones de causalidad.
Trata del estudio de la dependencia de la variable
dependiente, respecto a una o más variables (las
variables explicativas), con el objetivo de estimar y/o
predecir la media o valor promedio poblacional de la
primera en términos de los valores conocidos o fijos
(en muestras repetidas) de las últimas.
El análisis de regresión se relaciona en gran medida
con la estimación y/o predicción de la media (de la
población) o valor promedio de la variable
dependiente, con base en los valores conocidos o
fijos de las variables explicativas.
A estos valores medios los conocemos como los
valores esperados condicionales, en vista de que
dependen de los valores dados a la variable
(condicional) X.
En forma simbólica, los denotamos como E(Y/X), lo
cual se lee como el valor esperado de Y, dado el
valor de X.
Resulta importante distinguir dichos valores
condicionales esperados del valor esperado
incondicional .
Si unimos los valores de las medias condicionales,
obtenemos lo que se conoce como la recta de regresión
poblacional (RRP). Es la regresión de Y sobre X.
Desde el punto de vista geométrico, una curva de
regresión poblacional es simplemente el lugar geométrico
de las medias condicionales de la variable dependiente
para los valores fijos de la(s) variable(s) explicativa(s). En
palabras más simples, es la curva que conecta las medias
de las subpoblaciones de Y que corresponden a los
valores dados del regresor X.
Por lo tanto, como una primera aproximación o como una
hipótesis de trabajo, podemos suponer que la FRP E(Y/Xi)
es una función lineal de Xi, digamos del tipo:
Donde β1 y β2 son parámetros no conocidos pero fijos que se

denominan coeficientes de regresión. La ecuación es conocida
como la función de regresión lineal poblacional, se la conoce
también como modelo de regresión lineal poblacional o
regresión lineal poblacional. Se consideran sinónimos los
términos regresión, ecuación de regresión y modelo de
regresión.
Modelos Lineales
Linealidad en las variables: Significa que las
variables están elevadas a potencia 1, en caso
de estar una potencia mayor no es lineal.
Linealidad en los parámetros: Significa que los
parámetros estarán elevados a potencia 1. Los
modelos pueden no ser lineales en las variables,
pero sí en los parámetros.
Rectas de regresión muestral: éstas representan la
recta de regresión poblacional, pero debido a
fluctuaciones muestrales pueden ser consideradas
en el mejor de los casos sólo como una
aproximación de la verdadera RR. En general, se
obtendría N FRM diferentes para N muestras
diferentes y estas FRM no necesariamente son
iguales.
Un estimador, conocido también como estadístico (muestral), es una
regla, fórmula o método que dice cómo estimar el parámetro
poblacional a partir de la información suministrada por la muestra
disponible. Un valor numérico particular obtenido por el estimador en
una aplicación es conocido como estimado
Se puede expresar la FRM de la siguiente manera:
El objetivo principal en el análisis de regresión es estimar la FRP:
con base en la FRM: porque son más frecuentes los casos en que el
análisis está basado en una muestra tomada de una población. Pero
debido a fluctuaciones muestrales el estimado de la FRP es, en el mejor
de los casos una aproximación.
Para X = Xi , se tiene una observación (muestral) Y = Yi. En
términos de la FRM, la Yi observada puede ser expresada
como:
Y en términos de la FRP, puede ser expresada como:
Ahora, Y estimada sobreestima la verdadera E(Y|X) para una X

dada. De la misma manera, para cualquier X, a la izquierda del
punto A, la FRM subestimará la verdadera FRP. Esta
sobreestimación y subestimación del modelo poblacional es
inevitable debido a las fluctuaciones muestrales.
La pregunta crítica es ahora: dado que la FRM es apenas
una aproximación de la FRP ¿se puede diseñar una regla o
método que haga que esta aproximación sea lo más
“ajustada” posible?
En otras palabras, ¿cómo se debe construir la FRM para
que β1 y β2 estimadas estén tan cerca de los verdaderos
β1 y β2 como sea posible aun cuando nunca se llegue a
conocer los verdaderos β1 y β2?
Esto se puede hacer con varios métodos aun cuando
realmente nunca se llegue a determinar la propia FRP.
Trabajo a realizar
Índice
INTRODUCCIÓN
- Tema seleccionado
- Justificación de la selección
- Metodología empelada en el estudio (aplicación de un modelo econométrico)
ESPECIFICACIÓN DEL MODELO
 Planteamiento de la teoría o de la hipótesis
 Especificación del modelo matemático de la teoría
 Especificación del modelo econométrico o estadístico de la teoría
 Explicar y determinar el modelo
 Definición de las variables
 Explicar los parámetros estructurales que acompañan a las variables
 Las ecuaciones y su formulación matemática
 Perturbación aleatoria
 Datos Estadísticos
Estimadores MCO
Los estimadores obtenidos se conocen como estimadores de
mínimos cuadrados, ya que éstos se derivan del principio de
mínimos cuadrados.
Los estimadores obtenidos por método MCO presenta
propiedades numéricas y propiedades estadísticas:
Propiedades numéricas son aquellas que se mantienen como
consecuencia del uso de mínimos cuadrados ordinarios, sin
considerar la forma como se generaron los datos.
Las propiedades estadísticas de los estimadores MCO, son las
"que se mantienen sólo bajo ciertos supuestos sobre la forma
como se generaron los datos".
 Los estimadores MCO están expresados únicamente en
términos de las cantidades observables. Por consiguiente,
pueden ser fácilmente calculados.
 Son estimadores puntuales, esto es, dada la muestra,
cada estimador proporcionará un solo valor (puntual) del
parámetro poblacional relevante.
 Una vez obtenidos los estimadores de MCO de la
información muestral, la recta de regresión muestral
puede obtenerse fácilmente. La recta de regresión así
obtenida tiene las siguientes propiedades:
 Pasa a través de las medias muéstrales de Y y X.
 El valor promedio o medio del y estimado es igual al valor
medio del Y real.
Método de los Mínimos Cuadrados Ordinarios

El método de mínimos cuadrados ordinarios se
atribuye a Carl Friedrich Gauss, un matemático
alemán. Bajo ciertos supuestos, el método de
mínimos cuadrados tiene algunas propiedades
estadísticas muy atractivas que lo han convertido
en uno de los más eficaces y populares del
análisis de regresión.
Ecuaciones Normales
Pruebas de Significancia:
- Global
- Individual
Significancia Global
Se puede demostrar la capacidad de las variables X para explicar el
comportamiento de Y. Es decir: ¿Es posible estimar la variable
dependiente sin basarse en las variables independientes?.
Validamos si todas las X tomadas en conjunto explican
significativamente la variabilidad observada de Y.
Mediante esta prueba se investiga si es posible que todas las variables
independientes tengan coeficientes de regresión (los parámetros) cero.
Para probar la hipótesis de que todos los coeficientes son cero se usa la
distribución F.
Se plantea la siguiente hipótesis:
𝐻0 : 𝐵1 = 𝐵2 = 𝐵3 = ⋯ 𝐵𝑘 = 0  Ninguna variable es significativa
𝐻1 : 𝐵𝑖 ≠ 𝐵2 ≠ 𝐵3 ≠ ⋯ 𝐵𝑘 ≠ 0  Al menos una variable es significativa
El estadístico F utilizado para esta prueba es el siguiente:
𝑆𝐶𝐸 = 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑒𝑥𝑝𝑙𝑖𝑐𝑎𝑑𝑎 𝑒𝑛 𝑙𝑎 𝑟𝑒𝑔𝑟𝑒𝑠𝑖ó𝑛 = σ 𝑌෠ − 𝑌ത 2
𝑆𝐶𝑅 = 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑑𝑒 𝑙𝑜𝑠 𝑟𝑒𝑠𝑖𝑑𝑢𝑜𝑠 = σ 𝑌 − 𝑌෠ 2
𝑆𝐶𝑇 = 𝑆𝑢𝑚𝑎 𝑑𝑒 𝑐𝑢𝑎𝑑𝑟𝑎𝑑𝑜𝑠 𝑇𝑜𝑡𝑎𝑙𝑒𝑠 = σ 𝑌 − 𝑌ത 2
𝑆𝐶𝑇 = 𝑆𝐶𝐸 + 𝑆𝐶𝑅
𝑆𝐶𝐸
𝐹=
𝑆𝐶𝑅
Nivel de significancia α
Rechazar o no una hipótesis nula depende del nivel
de significancia que se la conoce como la
probabilidad de cometer error tipo I (la probabilidad
de rechazar la hipótesis cuando es verdadera) o
error tipo II (la probabilidad de aceptar la hipótesis
cuando es falsa). Los niveles de significancia más
usados son 1%, 5% y 10%. El problema de la
selección de α se evita al emplear el valor p del
estadístico de prueba.
La regla de decisión de esta prueba será:
Rechazar H0 sí y solo sí el valor F calculado es mayor al valor F de tabla.
Esta prueba de significancia también se la puede hacer usando el valor
p (p value), este valor representa la probabilidad que el valor de los
coeficientes esté tan lejos de cero como el valor observado obtenido de
la regresión, este valor se compara con el nivel de significancia utilizado
(0,05 ó 5%).
La regla de decisión será:
Rechazar H0 sí y solo sí el valor p del estadístico F es menor al nivel de
significancia (α)
Significancia Individual
A menudo nos preguntaremos ¿en realidad Y depende de
X?. Con frecuencia esta pregunta se plantea como: ¿Es X
una variable explicativa significativa de Y?
Si B ≠ 0 entonces, Y depende de X (es decir Y varía cuando
X varía) y no depende de X si B = 0.
Para esta prueba se utiliza el estadístico t de Student con
n – (k + 1) grados de libertad, siendo n el número de
observaciones y k el número de variables independientes
y de acuerdo al nivel de significancia escogido.
Se plantea la siguiente hipótesis:
𝐻0 : 𝐵𝑖 = 0  Xi no es una variable significativa
𝐻1 : 𝐵𝑖 ≠ 0  Xi es una variable significativa
El estadístico t utilizado para esta prueba es el siguiente:
𝑏𝑖 − 𝐵𝑖𝑜
𝑡=
𝑆𝑏𝑖
En nuestro caso el valor Bio es 0 ya que es lo que plantea la hipótesis
nula, la ecuación se simplifica así:
𝑏𝑖
𝑡=
𝑆𝑏𝑖
La regla de decisión de esta prueba será:
Rechazar H0 sí y solo sí el valor t calculado del coeficiente es
mayor al valor t de tabla.
Esta prueba de significancia también se la puede hacer
usando el valor p (p value), este valor representa la
probabilidad que el valor de b esté tan lejos de cero como el
valor observado obtenido de la regresión, este valor se
compara con el nivel de significancia utilizado (0,05 ó 5%).
La regla de decisión será:
Rechazar H0 sí y solo sí el valor p del coeficiente es menor al
nivel de significancia (α)
Errores Estándar de la Estimación
Es evidente que los mínimos cuadrados estimados son función de los datos
muestrales. Se requiere alguna medida de "confiabilidad" o precisión de los
estimadores. En estadística la precisión de un valor estimado es medida por su
error estándar (ee). Los errores estándar de los MCO estimados pueden
obtenerse de la siguiente manera:
Coeficiente de determinación r2
El coeficiente de determinación múltiple. Al estudiar el análisis de correlación
simple, medimos la fuerza de la relación entre dos variables, utilizando el
coeficiente de determinación de la muestra, r2. Este coeficiente de
determinación es la fracción de la variación total de la variable dependiente Y
que se explica con la ecuación de estimación.
Similarmente, en la correlación múltiple mediremos la fuerza de la relación
entre tres variables utilizando el coeficiente de determinación múltiple, R2, o
su raíz cuadrada, R (el coeficiente de correlación múltiple). Este coeficiente de
determinación múltiple es también la fracción que representa la porción de la
variación total de Y que “explica” el plano de regresión.
Esto nos dice que las variables independientes explican un tanto por ciento de
la variación total de Y.
Coeficiente de determinación r2
Se considera la bondad del ajuste de la recta de regresión
ajustada a un conjunto de datos; es decir, demuestra qué tan
"bien" se ajusta la recta de regresión a los datos. Si todas las
observaciones fueran a caer en la recta de regresión, se
obtendría un ajuste "perfecto", pero raramente se presenta este
caso.
Generalmente, hay algunas μi positivas y algunas μi negativas. Se
tiene la esperanza de que estos residuos alrededor de la recta de
regresión sean lo más pequeños posibles.
El coeficiente de determinación r2 (caso de dos variables) o R2
(regresión múltiple) tiene valores entre 0 y 1.
Cálculo de r2
Primero debemos definir las sumas de cuadrados.
 Variación total de los valores reales de Y con respecto a la
media muestral, son llamados suma total de cuadrados (STC).
 La variación de los valores Y estimados alrededor de su
media, la suma de los cuadrados debida a la regresión [es
decir, debida a la(s) variable(s) explicativa(s)], o explicada por
ésta, o la suma explicada (de la regresión) de cuadrados (SEC)
.
 La variación residual o no explicada de los valores de Y
alrededor de la recta de regresión, o la suma de residuos al
cuadrado (SRC) .
SCR
SCT
El r2 así definido se conoce como el coeficiente de

determinación (muestral) y es la medida más
frecuentemente utilizada de la bondad del ajuste de
una recta de regresión. Verbalmente, r2 mide la
proporción o el porcentaje de la variación toral en Y
explicada por el modelo de regresión.
Propiedades del Coeficiente de Determinación
Pueden anotarse dos propiedades de r2:
 Es una cantidad no negativa.
 Sus límites son 0 < r2 < 1. Un r2 de 1 significa un
ajuste perfecto, es decir, Y estimada = Y
verdadera para cada observación. Por otra parte,
un r2 de cero significa que no hay relación alguna
entre la variable dependiente y la variable
explicativa (es decir, ß2= 0).
Propiedades del Coeficiente de Correlación
1) Puede tener signo positivo o negativo, dependiendo del signo del término
en el numerador el cual mide la covariación muestral de dos variables.
2) Cae entre los límites de -1 y +1; es decir, -1 < r < 1.
3) Es simétrico por naturaleza; es decir, el coeficiente de correlación entre X y
Y es el mismo que entre Y y X.
4) Es independiente del origen y de la escala.
5) Si X y Y son estadísticamente independientes, el coeficiente de correlación
entre ellos es cero.
6) Es una medida de asociación lineal o dependencia lineal solamente; su
uso en la descripción de relaciones no lineales no tiene significado. Así en
ecuación Y = X2 es una relación exacta y aún r es cero.
7) Aunque es una medida de asociación lineal entre dos variables, esto no
implica necesariamente alguna relación causa-efecto.
Supuestos básicos de los Mínimos Cuadrados
Ordinarios
Los supuestos hechos sobre la(s) variable(s) Xi y el
término de error son muy críticos para lograr una
interpretación válida de los valores estimados de la
regresión.
El modelo de Gauss, modelo clásico o estándar de
regresión lineal, (MCRL), el cual es el cimiento de la
mayor parte de la teoría econométrica, plantea 10
supuestos.
Supuesto 1: Modelo de regresión lineal.

El modelo de regresión es lineal en los parámetros,
Puesto que los modelos de regresión lineal en
parámetros son el punto de partida del MCRL, se
mantendrá este supuesto a lo largo de nuestro
estudio.
Es de recordar que la variable dependiente Y y el
regresor X pueden no ser lineales en sí mismos.
Supuesto 2: Los valores de X son fijos en muestreo
repetido.
Los valores que toma el regresor X son considerados
fijos en muestreo repetido. Más técnicamente. X se
supone no estocástica.
Es muy importante entender el concepto de "valores
fijos en muestreo repetido".
El análisis de regresión es un análisis de regresión
condicional, esto es, condicionado a los valores
dados del (los) regresor(es) X.
Supuesto 3: El valor medio de la perturbación u,

es igual a cero.
Dado el valor de Xi, la media, o el valor esperado
del término aleatorio de perturbación ui, es cero.
Técnicamente, el valor de la media condicional
de ui, es cero.
Simbólicamente, se tiene E(ui|Xi) = 0
Supuesto 4: Homoscedasticidad o igual varianza de
u i.
Dado el valor de X, la varianza de ui es la misma
para todas las observaciones. Esto es, las varianzas
condicionales de ui son idénticas. Simbólicamente,
se tiene que:
= E(u2 |Xi)
= σ2
Supuesto 5: No existe autocorrelación entre las
perturbaciones.
Dados dos valores cualquiera de X1 Xi y Xj (i≠j), la
correlación entre dos μi, μj cualquiera (i ≠ j) es cero.
Simbólicamente:
=0
Donde i y j son dos observaciones diferentes
Supuesto 6: La covarianza entre μi y Xi es cero, o
E(μiXi) = 0.
Formalmente,
cov(μi , Xi) = E[μi- E(μi))[Xi – E(Xi)]
= E[μi(Xi - E(Xi))], puesto que E(μi) = 0
= E(μiXi) - E(Xi)E(μi), puesto que E(Xi) es
no estocástica
= E(μiXi), puesto que E(μi) = 0
= 0.
La perturbación μi y la variable explicativa Xi no están
correlacionadas.
Supuesto 7: El número de observaciones n debe

ser mayor que el número de parámetros por
estimar.
Alternativamente, el número de observaciones n
debe ser mayor que el número de variables
explicativas.
Supuesto 8: Variabilidad en los valores de X.

No todos los valores de X en una muestra dada
deben ser iguales. Técnicamente, Var(X) debe ser
un número positivo finito.
Si todos los valores de X son idénticos, entonces
Xi = X media, haciendo esto que la estimación de
β2 y, por consiguiente, de β1 sea imposible.
Supuesto 9: El modelo de regresión está

correctamente especificado.
Alternativamente, no hay un sesgo de
especificación o error en el modelo utilizado en el
análisis empírico.
La metodología econométrica clásica supone
implícitamente, cuando no lo hace explícito, que
el modelo utilizado para verificar una teoría
económica está "especificado correctamente".
Supuesto 10: No hay multicolinealidad perfecta.

Es decir, no hay relaciones perfectamente
lineales entre las variables explicativas.
Qué tan reales son los supuestos?
La "realidad de los supuestos" es una pregunta que desde
hace muchos años ha sido planteada en la filosofía de las
ciencias. Algunos argumentan que no interesa si los
supuestos son realistas. Lo que interesa son las
predicciones basadas en esos supuestos.
Entre quienes apoyan la "tesis de la irrelevancia de los
supuestos" sobresale Milton Friedman. Para él, la
irrealidad de los supuestos es una ventaja positiva: "para
que una hipótesis sea importante... debe ser
descriptivamente falsa en sus supuestos".
Propiedades de los estimadores MCO
Las propiedades estadísticas de los MCO están basadas
en los supuestos del MCRL y están avaladas por el famoso
teorema Gauss-Markov.
Dados los supuestos del modelo clásico de regresión
lineal, los valores estimados de mínimos cuadrados
poseen algunas propiedades ideales u óptimas. Estas
propiedades están contenidas en el muy conocido
teorema Gauss-Markov.
Para entender este teorema se necesita considerar la
propiedad del mejor estimador lineal insesgado.
Se dice que un estimador, es decir, el estimador MCO β2, es el
mejor estimador lineal insesgado (MELI) de β2 si se cumple lo
siguiente:
Es lineal, es decir, función lineal de una variable aleatoria, tal
como la variable dependiente Y en el modelo de regresión.
Es insesgado, es decir, su valor promedio o esperado, E(β2), es
igual al valor verdadero β2.
Tiene varianza mínima dentro de la clase de todos los
estimadores lineales insesgados; un estimador insesgado con
varianza mínima es conocido como un estimador eficiente.
Consistente: a medida que se aumenta el tamaño de la
muestra se acerca más al verdadero valor
Teorema Gauss-Markov
Dados los supuestos del modelo clásico de
regresión lineal, los estimadores de mínimos
cuadrados, dentro de la clase de estimadores
lineales insesgados, tienen varianza mínima, es
decir, son MELI.
Las propiedades estadísticas que se acaban de
exponer se conocen como propiedades de muestra
finita: estas propiedades se mantienen sin importar
el tamaño de la muestra sobre la cual estén
basados los estimadores.

Econ I Clases I Primer Parcial

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Econ I Clases I Primer Parcial

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD DE GUAYAQUIL

Econ. Mariana Cedeño Preciado, MSc.

- Damodar Gujarati: Econometría - Quinta edición

Concepto de Econometría: Definiciones

“Determinación empírica de las leyes económicas” H. Theil.

Aplicación de las matemáticas y método estadístico al

 Trata de verificar teorías, formuladas mediante

- Métodos de estimación multietápicos de ecuaciones simultáneas

• Datos experimentales y no experimentales.

Diferencias entre modelos económicos y econométricos

La diferencia entre el modelo económico y

 una definición temporal y/o espacial concreta

 un carácter aleatorio expresado en la significación

Tipos de Modelos Econométricos

Número de Forma Momento del

Donde: C = consumo nacional; I= inversión neta; Y = renta nacional; G =

Donde β1 y β2 son parámetros no conocidos pero fijos que se

El objetivo principal en el análisis de regresión es estimar la FRP:

Y en términos de la FRP, puede ser expresada como:

Ahora, Y estimada sobreestima la verdadera E(Y|X) para una X

Método de los Mínimos Cuadrados Ordinarios

El r2 así definido se conoce como el coeficiente de

Supuesto 1: Modelo de regresión lineal.

Supuesto 3: El valor medio de la perturbación u,

Supuesto 7: El número de observaciones n debe

Supuesto 8: Variabilidad en los valores de X.

Supuesto 9: El modelo de regresión está

Supuesto 10: No hay multicolinealidad perfecta.

También podría gustarte