Universidad Nacional Autónoma de México

Instituto de Investigaciones Económicas

Econometría Intermedia
Econometría Intermedia
INTRODUCCIÓN A
INTRODUCCIÓN A ECONOMETRÍA
ECONOMETRÍA

Mtro. Uberto Salgado Nieto

ubertosalgado@comunidad.unam.mx

Especialidad en Econometría
Posgrado de Economía UNAM
Semestre 2020-I
 ¿Qué es la Econometría?

.
 ¿Qué es la Econometría?

 Existen diversas definiciones:

 Intriligator (1984) “La econometría es la aplicación de las

matemáticas y los métodos estadísticos al análisis de los
datos económicos”

.
 ¿Qué es la Econometría?

 Existen diversas definiciones:

 Intriligator (1984) “La econometría es la aplicación de las

matemáticas y los métodos estadísticos al análisis de los datos
económicos”

 Maddala (1996) “La econometría es la aplicación de métodos

estadísticos y matemáticos al análisis de datos económicos con el
propósito de dar contenido empírico a las teorías económicas y
verificarlas o refutarlas”

.
 ¿Qué es la Econometría?

 Existen diversas definiciones:

 Intriligator (1984) “La econometría es la aplicación de las

matemáticas y los métodos estadísticos al análisis de los datos
económicos”

 Maddala (1996) “La econometría es la aplicación de métodos

estadísticos y matemáticos al análisis de datos económicos con el
propósito de dar contenido empírico a las teorías económicas y
verificarlas o refutarlas”

 Saber conjugar teoría, datos y técnicas estadísticas es lo mas difícil

pero también lo más atractivo
 ¿Por qué estudiar econometría?

 Permite utilizar la información para probar una teoría o

estimar una relación

 Permite analizar modelos económicos formales

 Debido a que la teoría no es precisa en cuanto a los efectos

que las medidas de política pueden traer, la econometría es un
instrumento que permite evaluar programas de política
económica
 Las escuelas de la econometría

 Enfoque teórico
 Interés se centra en el desarrollo de nuevas técnicas de estimación y
pruebas de hipótesis
 El análisis de la aplicación de distintos métodos y supuestos
 Enfoque aplicado
 Se centra en el uso de las técnicas y el análisis de los datos del
“mundo real”.
 La distinción es más bien sutil entre ambos existen muchas
interrelaciones
 El interés del curso está en un enfoque de econometría aplicada
 LA NATURALEZA DE LA
ECONOMETRIA
 La Econometría necesita de la Teoría Económica para que
le proporcione un marco conceptual concreto.

 Por ejemplo la teoría de Keynes proporciona un marco en

el que se relacionan dos variables económicas:

 La relación Consumo-Ingreso.

 Postula que C es una función del ingreso es decir C=f(Y) y

no a la inversa.
 Es una disciplina que requiere de la utilización
de datos reales para realizar inferencias
 Es importante para aplicar y validar la teoría
económica al mundo real
 El modelo económico es un modelo matemático determinista que
no toma en cuenta una multitud de factores presentes en los datos
empíricos
C=f(Y)
 El análisis cuantitativo de tal relación con datos empíricos debe
tener en cuenta la existencia de los otros factores; incorporando al
modelo una variable aleatoria con unas propiedades
probabilísticas que denominamos término de error aleatorio y que
denotamos como u o ε
C=f(Y,U)
 La perturbación aleatoria convierte al modelo en estocástico,
dicho término sustituye a todas aquellas variables, que influyendo
en la variable objeto de estudio , han sido excluidas del modelo.

 En general el término se incorpora de forma aditiva, teniendo un

componente determinista y uno estocástico
C= α+βY+u
 Pasos en un estudio econométrico

1.Definir la pregunta de investigación y

relacionarlo con un modelo teórico
2.Transformar el modelo teórico en uno
econométrico
3.Utilizar métodos apropiados para estimar la
relación entre las variables
4.Validar los supuestos de ése método
5.Interpretar los resultados
 Definir la pregunta de investigación y
relacionarlo con un modelo teórico
 La teoría económica plantea interesantes relaciones entre
las variables económicas
 Por ejemplo la teoría de la maximización de la utilidad
permite plantear la demanda de las llamadas de los
teléfonos celulares

M  f  PM , PT , PE , PLL , I , Z 

 Donde M es la demanda, PM precio de la llamada, PT

tarifas o renta, PE precio de las llamadas entrantes, PLL
precio de la línea, I el ingreso y Z los gustos de los
consumidores
Transformar el modelo teórico en uno
econométrico
 La información
 Cualitativa vs cuantitativa
 Proxy variables
 Forma funcional
 Cómo se relacionan las variable matemáticamente es
decir que tipo de función se puede establecer de
acuerdo con la teoría
 Controlar los factores omitidos y los errores en la
medición
 Utilizar métodos apropiados para estimar la
relación entre las variables
 ¿Qué método es el apropiado para los diferentes
tipos de información?

 Sección cruzada
 Series de tiempo
 Paneles

 ¿Cuáles son los supuestos necesarios?

 ¿Cuáles son los métodos para diagnosticar y

checar la validez de nuestro modelo?
 Interpretar los resultados

 Calcular con precisión la relación entre las variables

analizando su validez
 Hacer las pruebas estadísticas necesarias para poder
realizar inferencias sobre los resultados
PASOS PARA LA FORMULACIÓN DE UN
MODELO ECONOMÉTRICO
T e o r í a E c o n ó m ic a

M o d e lo E c o n ó m e t r ic o D a to s

E s t im a c ió n

C h e c a r p ru e b a s d e
e s p e c i f ic a c i ó n y
d ia g n ó s t ic o

¿ E s adecuado
e l m o d e lo ?

N o S i

P ru e b a s d e
u n a h i p o t e s is

U s a r e l m o d e lo
p a r a p r e d i c c io n e s
y p o lí t ic a
 Tipos de datos:
Datos de sección cruzada
 Corte transversal la muestra se obtuvo de manera aleatoria (empresas,
familias, etc)

 Cada observación es un individuo (empresa consumidores) con

información en un punto en el tiempo

 Si la muestra no se obtuvo de manera aleatoria podemos tener problemas

de sesgo
 Series de tiempo
 Las series de tiempo tienen una observación para cada periodo de
tiempo (pib)

 A diferencia de los datos de sección cruzada es necesario tomar

en consideración problemas distintos.

 Por ejemplo la tendencia y la estacionalidad deben considerarse

Datos tipo panel

 Corte transversales en periodos de tiempo.

 Se les conoce como datos en forma de panel o datos

longitudinales.
 MODELO DE REGRESION LINEAL
 La Econometría se ocupa de la construcción de modelos.
 Un punto interesante para comenzar la investigación es
considerar la pregunta, "¿Cuál es el modelo?"
 La construcción de un "modelo” generalmente comienza
con una observación o una proposición en el sentido de
que:
 Una variable "es causada por otra”
 "varía con otra”,
 Alguna declaración cualitativa acerca de una relación entre una variable o más
variables que se espera estén relacionadas con la variable en cuestión
 La construcción del modelo econométrico comienza con una idea de algún
tipo de relación.

 El siguiente paso es traducir esa idea en un conjunto de ecuaciones, con

una noción de las características que nos permitan responder a las
preguntas sobre la variable de interés.
Desde el punto de vista estadístico, el investigador tiene en
mente:

1. Una variable y por ejemplo: la demanda de atención de la salud (H), y un vector de

variables x (ingresos (I), seguros (T)

2. Una distribución de probabilidad conjunta : P (Y, x).

En este ejemplo p(Y, x) = p(Y|x)p(x), es decir se descompone

en dos eventos

 La probabilidad de interés es la probabilidad condicional p(Y|

x)

De interés secundario es p(x) , la probabilidad de los ingresos y

la cobertura de los seguros
 La idea de la distribución condicional proporciona un punto de
partida útil para pensar acerca de la relación entre una variable
de interés y, y un conjunto de variables x

 Por tanto pensando en la cuestión de "¿cuál es el modelo?”

podríamos preguntarnos desde el punto de vista estadístico:
¿Qué características tiene la distribución condicional?

 Por tanto el investigador debe pensar en términos de las

características de la distribución condicional, en otras palabras
centrar la atención en E [y | x], es decir, la función de
regresión,
 MODELO DE REGRESION LINEAL
 El modelo de regresión lineal multivariada se usa para cuantificar una
relación estocástica unidireccional entre :
 Variable Y (variable dependiente) y
 K ≥1 variables X1,X2 ,…,Xk (variables explicativas), sobre las que
se dispone de una colección de datos o muestra.
 La forma general del modelo es

Y = f(x1,x2,…,xK,β1, β2,…βK) + 
Y = β0 + β1x1 + β2x2 + . . . βkxk + 

Esta función se conoce con el nombre de ecuación de la población de Y

 Se supone que cada observación de yi se genera por el
proceso descrito por
yt = β1+ xi2β2 + xi3β3 + … + xiKβK + i

 Por tanto el valor observado de yi está compuesto por

dos partes una determinística y otra aleatoria ().

 La intención es estimar los parámetros del modelo

que dependerá de los supuestos y las características
de la información
 Al término ε se le conoce como la “distorsión aleatoria” porque no proviene
de una relación “estable” con la variable dependiente
 Esta distorsión proviene de varias razones:
1. No es posible capturar todos los efectos sobre la variable dependiente no
importa que tan elaborado sea el modelo. Los efectos negativos o positivos
de estos factores omitidos están capturados en esta distorsión
2. Los sesgos que provienen de la medición de las variables independientes.
Por ejemplo es difícil encontrar medidas adecuadas de las ganancias, las
tasas de interés, los acervos de capital
3. Los casos en los que no es posible encontrar una contraparte empírica a una
variable teórica
 Por ejemplo
 Queremos analizar la relación entre los ingresos y la educación
 Podemos plantear
 Ingresos = 0 + 1 Educación + 
 Por ejemplo
 Queremos analizar la relación entre los ingresos y la educación
 Podemos plantear
 Ingresos = 0 + 1 Educación + 
 Sin embargo sabemos que los ingresos aumentan con la edad entonces
 Ingresos = 0 + 1 Educación + 3Edad + 
 Por ejemplo
 Queremos analizar la relación entre los ingresos y la educación
 Podemos plantear
 Ingresos = 0 + 1 Educación + 
 Sin embargo sabemos que los ingresos aumentan con la edad entonces
 Ingresos = 0 + 1 Educación + 3Edad + 
 Pero a cierta edad los ingresos empiezan a disminuir

 Ingresos = b0 + b1 Educación + b3Edad +b4 Edad2 + e

 Ejemplo
 Distintos supuestos e información pueden brindar distintas estimaciones.
Supuestos del modelo
 H1. Linealidad
 El modelo especifica
donde:
Yi =f(x1,x2,…,xK, β1, β2,…βK)= yi = β1+ xi2β2 + xi3β3 + … +
xiKβK + i
= xiβ, i=1,…,n
Yi = es la variable dependiente
xi = (1, xi2,xi3,…,xik) las variables independientes
β=(β1 , β2,…, βK) coeficientes
n= número de observaciones o tamaño de la muestra
K= número de variables independientes
El modelo en forma matricial

Notar que la matriz X corresponde a un modelo con término

constante, 0 .
 La linealidad se refiere a la relación entre Y y los
parámetros que se estiman no entre las variables
originales por ejemplo

 Y = αxβ

 Es lineal si se toman logaritmos de ambos lados.

 Modelos lineales
 Modelo lineal simple: E[y|x]=x’β
 Modelo cuadrático: E[y|x]= α + β1x + β2x2
 Modelo log-log: E[lny|lnx]= α + Σk lnxkβk
 Modelo Semilog: E[y|x]= α + Σk lnxkβk

 Todos son lineales, existen muchos modelos

lineales
 H2 No dependencia lineal
 No hay ninguna relación lineal entre las variables
independientes. Es decir ninguna variable xK puede ser una
función lineal de otra variable del modelo

 rango( X)=K, con K=número de variables independientes

 Además, se supone que K < n, con n=número de

observaciones de cada variable.
 Por ejemplo supongamos que queremos determinar cómo se fija el precio de
pinturas en una subasta pensemos en este modelo
 Lnprecio = 0 + 1 lnTamaño + 2 ln Aspecto + 3 ln Altura +
 Lnprecio = 0 + 1 X1 + 2 ln X2+ 3 ln X3+

 Donde : Tamaño= ancho por altura y Aspecto= Ancho entre altura.

 Con un trabajo aritmético se puede demostrar que x1/x3=x2*x3

 Esto hace que el modelo no se pueda estimar porque no se pueden identificar
los parámetros
 Ello se puede explicar en la notación matricial del modelo

 y1   x11 x12  x1K    1    1 

  
 y2   x21 x22  x2 K    2   2 
y   
            
       
 y n   x n1 x n 2  x nK   K   n 
Y= Xβ + ε

Por tanto el rango de la matriz X es k o bien

es de rango completo
H3 Exogeneidad de las variables
independientes
 Esto quiere decir que E(i/x1,x2…..xk)=0
 Es decir el valor esperado de i dada la muestra
no es función de las variables independientes, no
contienen información del valor esperado del
vector de los errores.
Los supuestos H1 y H3 implican:
 H4 Homoscedasticidad y no
autocorrelación

Cada i tiene la misma varianza (σ2) y no está correlacionada con ninguna otra j
con i diferente a j
 Esto significa que:

Var[ε|X] = σ2I.
En forma Matricial
 H5 Normalidad
 Los errores tienen una distribución normal con media cero y varianza constante
Proposición.

 Bajo los supuestos H1-H5, el vector de n-variables aleatorias

y=(y1,y2,…,yn) dado x tiene una distribución normal multivariada
con vector de medias

 y matriz de varianzas y covarianzas

 En suma los supuestos son

1. Linealidad = Yi= β1+ Xi2β2 + Xi3β3+ … +XiKβK + εi

2. Rango completo = La matriz nxK de las X tiene rango completo

3. Exogeneidad de las variables independientes: E(εi /x1,x2…..xk)=0

4. Homscedasticidad y no autocorrleación: Cada error εi tiene la misma

varianza σ2 y no está correlacionado con otro error εi

5. Distribución normal: Los errores tienen una distribución normal