ECONOMETRÍA

ECONOMETRIA GUIA DE ESTUDIO
ADOLFO GUTIRREZ SOSA
DR.
ECONOMETRIA PRIMERA PARTE

1.1
Que es la Econometra?
Antes de comenzar a estudiar la econometra como rea de estudio es preciso

comprender que es lo que se entiende por econometra y los inicios de la
misma. En pocas palabras, la econometra consiste en la aplicacin estadstica
matemtica a la informacin econmica para dar soporte emprico a los
modelos construidos por la economa y de ese modo obtener resultados
significativos.
Por tanto, es plausible sealar que la econometra nos sirve para:
(a) Probar teoras econmicas, vale decir, se busca examinar las relaciones
que existen entre distintas variables explicativas y variables explicadas.
Verbigracia, un fenmeno econmico relevante generar teoras para
explicar sus causas.
(b) Pronosticar la economa, los econometristas al identificar relaciones
entre variables en el tiempo, pueden predecir con diversos grados de
exactitud los valores probables de stas.
(c) Disear polticas, se recomienda mediante estudios las polticas exactas
para obtener resultados deseables en la economa.
Ahora bien, es muy frecuente vincular la econometra con la economa como
una relacin unvoca y simbitica porque la economa abastece y otorga a la
econometra material para investigar, y la segunda devuelve investigaciones y
proyecciones que son empleadas por la economa, lo que no quiere decir, que
se necesitan mutuamente para existir, pero s estn altamente correlacionadas.
De hecho, es posible encontrar conceptos como microeconometra y

DR.
macroeconometra como subgrupos dentro de la econometra, siendo la

primera la encargada o enfocada en cuestiones propias de la microeconoma
(i.e., poniendo nfasis en las relaciones de ingresos y gastos, la funcin de
Cobb-Douglas, ahorro y gasto, etc.) y la segunda en cuestiones propias de la
macroeconoma vista desde la econometra aplicada (i.e., utilizando modelos
de series temporales, analizando regresiones espurias, series estacionarias,
etc.).
Sin embargo, tanto las categoras de aplicaciones mencionadas, como las
vinculaciones efectuadas con la economa no son excluyentes ya que la
econometra se puede utilizar para realizar estudios que no necesariamente
sean econmicos.
De este modo, es posible encontrar estudios sobre la delincuencia, la salud, el
comportamiento sexual, deportes, los negocios, las finanzas, ventas, etc. 1 En
definitiva, la econometra no es una herramienta con la que slo tengamos que
trabajar con ndices econmicos y series temporales, sino que es una
herramienta que nos sirve para analizar distintos mbitos que posteriormente
se pueden utilizar no slo para formar polticas pblicas por un gobierno,
tambin es dable la evaluacin de las polticas pblicas con distintas
ecuaciones para dichos fines. Asimismo, es posible realizar estimaciones de
ventas para algn negocio, proyectar las mismas ventas, explicar algunas
relaciones que satisfagan al empresario para innovar en la produccin del
algn producto, etc. Por lo tanto, la utilizacin de la econometra tanto en el
sector pblico como en el sector privado (si se desea analizar desde diferentes
esferas por las regulaciones que puedan existir), por un lado, se transforma en
un bagaje de alternativas para mejorar los ndices de gobernabilidad y por el
otro, otorga una ventaja para los negocios y aumentar las ventas. Por ejemplo,
para crear polticas adecuadas el gobierno precisa conocer la influencia de
1
Si el alumno se interesa por las diversas reas de investigacin, podr encontrar en la

bibliografa complementaria una serie de documentos de investigacin sobre diversos temas.

DR.
ciertas variables en la conducta de los ciudadanos. En el caso de la

delincuencia es posible formular polticas que busquen disminuir los ndices de
delincuencia si se encuentra que estos aumentan (o disminuyen) por variables
como la educacin, el desempleo u otras variables que no son nicamente
econmicas. Luego, con la misma herramienta dentro de su gama de opciones
se podr evaluar el impacto de las polticas pblicas que se hayan
implementado (en este caso en el rea de la delincuencia). Anlogamente, si
se desea utilizar en el mbito de los negocios, se podra establecer una
relacin entre el salario de los ejecutivos de una empresa y las ventas junto con
el rendimiento de las acciones de la empresa. Especificacin que podra
generar una nueva estrategia en ventas, si los ejecutivos lo encontraran
pertinente. Y al igual que en el caso de la delincuencia, los ejecutivos podran
establecer un nuevo modelo para analizar el impacto de la estrategia que se
hubiese formulado, o se podran encontrar errores en las regresiones.
En suma, un punto relevante para trabajar con la econometra es desprenderse
del paradigma sobre el rea ocupacin de la misma, es decir, dejar de pensar
en la relacin de la econometra con la economa como una relacin absoluta.
Si bien las distintas reas de estudios que fueron mencionadas, son conocidas
como economa del crimen, economa del deporte o economa de la salud, sus
nombres solamente expresan una analoga con los supuestos bsicos de la
economa en relacin al comportamiento del hombre, es decir, el supuesto de
la racionalidad del hombre que busca siempre ms a menos, pero no implica
otra cosa. De esa manera, el investigador cuenta con un abanico de
oportunidades para proyectos, ya que lo que busca la econometra en esencia
es la utilizacin de modelos empricos para rechazar (o aceptar) una hiptesis
terica, pensando evidentemente en que la dificultad est en la construccin
del modelo como tambin en la recoleccin de datos suficientes para realizar
una regresin.
Por ltimo, es menester seala que la econometra se ha transformado en un
poderoso aliado, pero no implica ser una disciplina mesinica que sirva para

DR.
explicar y comprender todas las relaciones que intentemos realizar; adems

como se ver, la econometra no se supone como un determinismo, de ah la
importancia de la estadstica.
1.2
Metodologa de la Econometra
Para ilustrar los pasos que se siguen al elaborar un modelo economtrico que
tenga consecuencias prcticas, utilizaremos los casos de la economa de la
delincuencia y economa de las finanzas como ejemplos guas:
1.- Planteamiento de la teora o hiptesis: Se esboza una teora que
implique la utilizacin de variables que busquen encontrar una explicacin
hacia algn fenmeno o comportamiento particular del individuo. Por ejemplo,
segn Becker (1969) las personas se transforman en potenciales delincuentes
al analizar el costo-beneficio de su contexto, tomando por consideracin en el
vector de beneficios los ingresos que recibira por concepto de hurto (o robo), el
placer (adrenalina o factores incuantificables), prestigio, y el tiempo (analizado
desde el punto de vista del costo de oportunidad, es decir, cuanto dejo de
ganar trabajando legalmente si comienzo a delinquir). Mientras que en el vector
o grupo de costos, el sujeto tiene como variables el nmero de policas en las
calles, la probabilidad de ser detenido, la cantidad de aos en la crcel en caso
de ser detenido, y variables sicolgicas como la conciencia, moral o ser
denostado por sus pares2. Sin duda que es posible aadir un mayor nmero de
variables o factores que puedan afectar la decisin para delinquir en la teora
presentada, pero se considera innecesario indicar ms. Un punto que se debe
debatir en relacin a la teora planteada es que los delincuentes (a priori) no
realizan clculos de costo-beneficio cuando deciden delinquir, sino que los
realizan al estar influenciados por una serie de factores socio-econmicos y
socio-demogrficos. Por lo tanto, una vez que el investigador haya delineado
distintas tesis y anttesis y con ellas haya logrado complementar algunas
2
Para mayor inters sobre la economa de la delincuencia, se sugiere revisar la bibliografa

complementaria.

DR.
teoras, podemos decir que el investigador est en posicin de especificar un

modelo que busque respaldar su teora. Del mismo modo si pensamos en
alguna otra relacin, podemos llegar a similares conclusiones, es decir,
podemos postular en el rea de negocios que las ventas estn en funcin de la
publicidad que se haga del producto en el mercado como tambin de los
ingresos per cpita de sus consumidores (luego de un estudio de mercado),
podemos pensar en que las ventas pueden estar influenciadas de manera
autorregresiva, o sea, por su valor rezagado, o por valores rezagados de
variables cuantitativas. Tambin es posible pensar en aadir variables dummy o
cualitativas que indiquen categoras segn el mes del ao o el trimestre. Sin
embargo, tal como en la delincuencia hay factores que no podemos determinar
o que no se estn vinculando de manera
2.- Especificacin del modelo matemtico:
Y = 1 + 2X
donde:
Y = Variable dependiente, explicada, endgena

X = Variable independiente, explicativa, exgena
1 = Interseccin o Intercepto
2 =Pendiente
Esta relacin puede escribirse como una funcin:

y = f (X1, X2)
En el caso de la delincuencia, es decir, en la economa de la delincuencia,
podramos expresar la siguiente funcin:

DR.
y = f (X1, X2, X3, X4, X5, X6)

si se desea, de una forma ms precisa
ID = f (MJH, Det, Des, DI, NP, Esc)
La funcin muestra una relacin entre ID = ndice de la delincuencia (tasa de

delincuencia) con MJH = tasa mujeres jefas de hogar; Det = detenciones; Des
= tasa de desempleo; DI = distribucin del ingreso; NP = nmero de policas
(contingente) y Esc = tasa de escolaridad.
Mientras que en el ejemplo de negocios podramos expresarlo como sigue:
y = f (X1, X2, X3, X4)

o tambin como:
Ve = f (INPC, Pub, Ver, Pre)
Donde la funcin muestra una relacin entre Ve = Ventas (de un empresa) con
INPC = Ingreso per cpita de los consumidores; Pub = publicidad; ver = ventas
rezagadas; Pre = precios de los productos.
Es posible explicar de una forma determinista el ndice de delincuencia o las
ventas de un empresa? O dicho de otra manera se pueden explicar en funcin
de esas variables explicativas las variables regresadas exhaustivamente? Se
puede pensar que existen muchas variables que no son medibles y que son del
orden socio-mental y que pueden guardar relacin con las ventas o con la
delincuencia, por ello es que se especifica un modelo economtrico.

DR.
3.- Especificacin del modelo economtrico: la especificacin matemtica

es de inters limitado para el econometrista, porque como se habr ledo, se
supone que existe una relacin exacta o determinista entre las variables
endgena y exgena. Sin embargo, las relaciones entre las variables son
inexactas. Para dar cabida a relaciones inexactas entre variables, el
econometrista modificar la funcin matemtica o determinstica y escribir el
modelo de la siguiente manera:
Y = 1 + 2X +
(1.1)
En el caso de (1.1), se puede apreciar , que es conocido como el trmino de

perturbacin o de error. Dicho trmino es una variable aleatoria o estocstica
(i.e., que se pueden cometer errores) que tiene propiedades probabilsticas
definidas.
Para la comprensin del alumno, se entender como un trmino que puede
representar todos aquellos factores que afectan a alguna variable endgena,
pero que no son consideradas en el modelo de manera explcita.
Considerando nuestra relacin matemtica en relacin al ndice de
delincuencia, ahora podemos expresarlo del siguiente modo:
Yrt = 1 + 2X2rt + 33rt + 44rt + rt

Sean:
Y: La tasa de denuncias por robo (o ndice de delincuencia)
X: Un vector de variables sociodemogrficas (e.g., mujeres jefas de hogar)
: Un vector de variables socioeconmicas (e.g., tasa desempleo, distribucin
ingreso)
: Variable relacionado con los costos de delinquir (e.g., cantidad de policas,)
(1.2)

DR.
Lo que se puede apreciar en (1.2) es que se ha agregado el trmino de

perturbacin estocstico puesto que como se mencion anteriormente existen
variables que pueden afectar el comportamiento delictivo de una persona y que
no son medibles (variables de orden sicolgica), o bien no se pueden recopilar
por dificultad o simplemente no se ha pensado que puede tener alguna
vinculacin. Asimismo, para reunir las variables que se deseen utilizar el
modelo expresa una simplificacin al emplearse vectores que incluyen todas
las variables que comparten ciertas caractersticas. El alumno debe apreciar
que no se estn utilizando variables dummy o cualitativas y que podran ser
agregadas (e.g., se podra agregar el estado civil, religin, etc.). Por ltimo,
como se ver ms adelante, en cuanto a las variables explicativas: cantidad no
implica calidad, vale decir, no por agregar ms variables a un modelo
economtrico ste ser ms preciso o ms apreciado. En relacin al caso de
las ventas la especificacin economtrica es similar.
4.- Obtencin de informacin: Es evidente que para estimar el modelo

economtrico necesitamos obtener datos. Esta etapa que algunas veces es
despreciada porque se considera y se supone que la recoleccin de
informacin es fcil y segura, es una parte medular dentro de la elaboracin del
modelo. Qu pasa si no puedo encontrar los datos de alguna variable que se
consider importante para explicar algn fenmeno? En el tema de la
delincuencia, verbigracia en Chile no existen datos acerca de la tasa (o ndice)
de delincuencia, por lo que se utiliza frecuentemente en investigaciones la tasa
de denuncias (que es un dato negro). Por consiguiente, a menudo este paso
puede transformarse en una limitante para el modelo y tambin en algo
engorroso por el tiempo que se necesita para recopilar informacin.
5.- Estimacin del modelo economtrico: una vez se han recopilado los
datos, se calculan y encuentran los estimadores o parmetros. En el caso

DR.
estudiado, sera el estimar 1 y 2 de la ecuacin (1.1). As, conociendo los

parmetros es posible conocer cunto influye la variacin de X sobre Y. Por
ejemplo, si formulamos una relacin sobre delincuencia:
Yi = 1 + 2Esc + 3Det + 4MJH + i

Y lo que se estima es:
Yi = 1 + -1.84Esc + 30.020 + 467.91 + i
(1.3)
La estimacin (1.3) nos permite realizar algunas afirmaciones sobre como

algunas variables X escogidas afectan el comportamiento de Y.
6.- Prueba de hiptesis: suponiendo que el modelo ajustado es una

aproximacin razonable de la realidad, se desarrollan criterios para encontrar si
los valores estimados obtenidos en la ecuacin concuerdan con las
expectativas de la teora. Tal confirmacin o refutacin de las teoras
econmicas con base en evidencia muestral est basada en lo conocido como
inferencia estadstica o prueba de hiptesis. Punto crucial ya que se analiza si
las variables y el modelo construido es significante o no.
7.- Proyeccin: Si el modelo confirma la hiptesis o la teora, se puede utilizar

para predecir o proyectar el valor futuro de la variable en cuestin. Es de gran
inters para algunos centros de investigacin pronosticar algn fenmeno en
particular, por lo que etapa nos permite pronosticar o bien la media o un valor
individual.
8.- Fines del modelo: Uso del modelo con fines polticos, es decir, fines de
control para poder realizar polticas pblicas por un gobierno o la eleccin de

DR.
polticas econmicas. Si nuestro modelo es significante y podemos generar

proyecciones, es plausible entonces utilizarlo con fines de elaboracin de
poltica pblica3.
Ahora bien, es posible resumir esta metodologa de 8 pasos en slo 4, a saber:
A)
B)
C)
D)
2.-
2.1
Especificar
Estimacin
Inferencia
Proyeccin
ANALISIS DE REGRESION
Introduccin
El anlisis de regresin trata del estudio de la dependencia de la variable

dependiente, respecto a una o ms variables ( las llamadas variables
3
Esta metodologa no representa un modo ni tampoco es una gua para realizar una
investigacin acadmica, simplemente menciona los pasos bsicos a seguir para correr un
modelo y evaluar su impacto.

DR.
explicativas o exgenas), con el propsito de estimar y/o predecir la media o

valor poblacional de la variable dependiente, Y.
Relaciones Estadsticas v/s Relaciones determinsticas: En el anlisis de

regresin nos interesa lo que se conoce como dependencia estadstica
entre las variables, pero no la relacin funcional o determinstica propia de
la fsica.
En las relaciones estadsticas entre variables tratamos esencialmente con
variables
aleatorias
estocsticas,
sea,
variables
que
tienen
distribuciones de probabilidad.
Por ejemplo, consideremos la dependencia del ejemplo que hemos
sealado anteriormente en el captulo anterior, a saber, el ndice de
denuncias
(en relacin a la delincuencia
obviamente).
Analizando la
dependencia del ndice de denuncias respecto de variables como el ingreso,

mujeres jefas de hogar, desempleo, educacin, miedo o variables proxy o
no cuantificables;
es posible distinguir una dependencia de naturaleza
estocstica. Por qu? Debido a que las variables explicativas no nos

permiten predecir de manera exacta el ndice de denuncias
dada la
existencia de los errores involucrados en la medicin de estas variables y

en rezn de otra serie de factores (otras variables no consideradas o no
incluidas en el modelo) que afectan colectivamente el ndice de denuncias
de delincuencia, pero que dada su naturaleza son difciles de identificar
individualmente.
Regresin v/s causalidad: una relacin estadstica sin importar que tan
fuerte y sugestiva sea, nunca podr establecer una conexin causal, esto
es, una relacin de causa-efecto. Para mayor claridad, una relacin
estadstica no puede por si misma implicar en forma lgica una causalidad.

DR.
Regresin v/s correlacin: es frecuente cometer un error con estos

conceptos puesto que generalmente se piensa que describen lo mismo, sin
embargo, son conceptos muy distintos.
El anlisis de correlacin tiene como objetivo medir la fuerza o grado de
asociacin entre variables (2 variables). Por ejemplo, se puede hablar de
correlacin entre el hbito de fumar y el cncer al pulmn, las altas
calificaciones en el colegio y las altas calificaciones en la universidad. En
cambio, en la regresin se trata de estimar o predecir el valor promedio de
una variable sobre la base de valores fijos de otras variables. Como se
podr observar, la diferencia sustancial entre ambos conceptos radica en la
simetra de las variables, ya que en la correlacin las variables son
simtricas, vale decir, no hay diferencias entre explicativa y explicada. Por
otro lado, en la regresin las variables son asimtricas, la variable
endgena Y es aleatoria y la variable explicativa X tiene valores fijos.
Avanzando paulatinamente en el estudio de la econometra, el lector se

podr encontrar con distintos tipos de datos sobre los que se trabaja y
con los que se formulan diversos modelos economtricos. As, es
posible mencionar 3 tipos de datos:
a) Datos de corte transversal, se denotan con el subndice i (e.g., Xi ).
Tabla 2.1
Estudiante
1
2
3
4
5
6
7
8
9
10
11
12
Calificacin
Horas de
100
70
65
40
90
20
85
72
48
67
59
35
estudio
16
15
16
10
13
8
14
13
9
12
10
8

DR.
b) Datos de serie de tiempo, se escriben con el subndice t (e.g., Xt ).
Ao
Tasa
Tasa de
1980
1981
1982
1983
1984
1985
1986
1987
Ao
1988
1989
1990
1992
1991
1994
1992
1996
1998
2000
2003
2006
renuncia
1.3
1.2
1.4
1.4
1.5
1.9
2.6
Tabla2.3
2.3
Tasa de
2.5
denuncias
2.7
321.8
2.1
401.2
1.8
438.8
2.2
506.7
619.6
764.7
1246.6
1778.1
desempleo
6.2
7.8
5.8
5.7
5.0
4.0
3.2
3.6
Detenciones
3.3
3.3
2120
5.6
2841
6.8
3485
5.6
4253
5470
7117
14326
9733
Tabla 2.2
c) Datos de panel (unin de datos de corte transversal y de serie de

tiempo), al ser la unin de los tipos anteriores, estos datos se
expresan como it (e.g., Xit )

Ao
Tasa de
REGION RM
REGION V
1990
1992
1994
1996
1998
2000
2003
2006
denuncias
658.5
775.6
926.6
1051.3
1027.4
1333.6
2027.4
2223.2
8546
10578
12259
14635
18279
26851
55723
44402
Ao
Tasa de
Detenciones
1990
1992
1994
1996
1998
2000
2003
2006
denuncias
453.4
581.2
602.3
780.9
833.2
1046.6
1720.7
2102.4
2102
2950
2903
3722
4454
7818
12212
10787
Ao
Tasa de
Detenciones
1990
1992
1994
1996
1998
2000
2003
2006
denuncias
284.6
300.2
354.3
425.0
572.0
769.3
1823.2
1721.4
987
1021
1174
1452
1901
2534
3189
3698
REGION VIII
2.2
Detenciones
DR.
Ideas bsicas sobre regresin
Como se ha descrito anteriormente, el anlisis de regresin se relaciona

esencialmente con la estimacin de la media (de la poblacin) o valor promedio

DR.
de la variable dependiente. No obstante, es posible que leyendo esa breve

descripcin no sea posible comprender, por tanto, para verlo ms claramente
se toma el ejemplo de una poblacin de 60 familias que se dividen en 10
grupos de ingresos (de 80 a 260) y se analiza cmo cambia su gasto en
consumo dado su ingreso. La informacin se resume en la siguiente tabla:
Tabla 2.4
X
80
100
120
140
160
180
200
220
240
260
55
60
65
70
75
325
65
70
74
80
85
88
462
79
84
90
94
98
445
80
93
95
103
108
113
115
707
102
107
110
116
118
125
678
110
115
120
130
135
140
750
120 135
136 137
140 140
144 152
145 157
160
162
685 1043
137
145
155
165
175
189
966
150
152
175
178
180
185
191
1211
65
77
89
101
113
125
137
161
173
Y
Gasto
de
consumo
familiar
semanal Y
Total
E (Y/X), medias
condicionales
149
de Y
De este modo, es posible vislumbrar 10 valores fijos de X y los

Gasto de
correspondientes
consumo 200 valores de Y para cada uno de los valores X. A pesar de la
familiar del gasto en consumo para cada grupo de ingreso, en promedio el
variabilidad
E (Y/X)
consumo semanal se incrementa en la misma medida que el ingreso. El
siguiente grfico muestra el promedio de cada grupo:
150
100
50
80
260
100 120 140 160 180 200 220 240

Ingreso Semanal

DR.
A estos valores medios los conocemos como los valores esperados

condicionales en vista de que dependen de los valores dados a la variable X.
Se anota en forma simblica como E (Y/X). As, saber el nivel de ingreso nos
permite predecir mejor el valor medio del gasto de consumo que si no
supiramos esa informacin.
2.2.1 Concepto de Funcin de Regresin Poblacional (FRP)
En el ejemplo dado cada media condicional E (Y/X i) es funcin de Xi, donde Xi
es un valor dado de X.
E (Y/Xi) = f (Xi)
funcin de regresin
poblacional
Esta funcin denota nicamente que el valor esperado de la distribucin de Y
dada Xi est relacionada funcionalmente con X i. Es decir, nos dice cmo la
media o respuesta promedio de Y vara con X. Ahora bien, es importante
recalcar que la forma funcional de la FRP depender del estudio que se est

DR.
efectuando. Por tanto, si se supone que la relacin entre X e Y es lineal se

tiene la siguiente funcin lineal:
E (Y/Xi) = 1 + 2Xi
Donde 1 y 2
parmetros no conocidos pero fijos que se denominan
coeficientes de regresin. A 1 se le conoce como el intercepto o interseccin

de la funcin en Y, mientras que 2 es conocido como la pendiente de
regresin.
2.2.2 Linealidad
Para el estudio de la econometra podemos hablar de linealidad tanto en las
variables como en los parmetros. Para las variables: una funcin de regresin
E (Y/Xi) = 1 + 2Xi2 no es una funcin lineal porque la variable explicativa X
aparece elevada a una potencia. Lo lgico sobre linealidad en las variables
sera esperar una regresin E (Y/X i) = 1 + 2Xi.
En los parmetros: cuando la esperanza condicional de Y, E (Y/X i) es una
funcin lineal en los parmetros, los i (y no en las Xi). En cuanto a la variable
explicativa, sta puede ser lineal o no serlo, depender de la especificacin de
investigador o lo que postule la teora. Por ejemplo, el modelo: 1 + 2Xi3, es un
modelo de regresin lineal (en los parmetros).
En definitiva, a lo largo de la econometra, el trmino de regresin lineal
siempre significar una regresin que es lineal en los parmetros, los i (vale
decir, los parmetros elevados a la potencia de uno).
2.2.3 Especificacin estocstica

Se puede expresar la desviacin de Yi individual alrededor de su valor
esperado:

DR.
i = Yi - E (Y/Xi)
(2.1)
Yi = E (Y/Xi) + i
(2.2)
Donde en (2.1), la desviacin i es una variable aleatoria que toma valores

positivos o negativos. Se conoce como perturbacin estocstica o trmino de
error estocstico.
Entonces, aludiendo al ejemplo del ingreso y el gasto semanal de una familia,
se puede decir lo siguiente: 1) E (Y/X i), representa simplemente la media del
gasto de consumo de todas las familias con el mismo nivel de ingreso. Este es
el componente determinstico, y 2) Mientras que i, que es el componente
aleatorio. Se puede decir que la perturbacin estocstica representa todas las
variables omitidas o ignoradas que puedan afectar a Y, pero que no estn (o
pueden no estar) incluidas en el modelo.
Yi = E (Y/Xi) + i
(2.3)
Yi = 1 + 2Xi + i
Si se aplica valor esperado a (2.3):

E (Y/Xi) = E [E (Y/Xi)] + E (i /Xi)
E (Y/Xi) = E (Y/Xi) + E (i /Xi)
E (i /Xi) = 0
2.2.4 Sobre la perturbacin estocstica
(2.4)

DR.
Por qu no se introducen ciertas variables (no incluidas) en el modelo? Por

qu no se desarrolla un modelo con muchas variables que intenten explicar
algn fenmeno interesante? La respuesta a estas preguntas tiene directa
relacin con el trmino de perturbacin estocstica. El error estocstico puede
englobar las siguientes situaciones:
1 Vaguedad de la teora: Es posible que el investigador ignore la existencia de
variables que afectan el comportamiento de Y, tambin puede suceder que no
est seguro sobre la variacin que puede tener Y con la inclusin de una
variable. En este sentido, podemos hablar de problemas de la teora que no
dejan bien especificado la relacin entre X e Y (ver paso 1 en metodologa de
la econometra).
2 No se dispone de informacin cuantitativa de las variables explicativas: Se
puede dar el caso en que el investigador no logre reunir los datos suficientes
para satisfacer lo postulado en la teora, por lo que tendr que dejar variables
de lado, que pasarn a formar parte del error estocstico (ver paso 4 en
metodologa de la econometra).
3 Aleatoriedad en el comportamiento de las personas: No se puede conocer
determinsticamente el comportamiento de algn sujeto en relacin a alguna
actividad, es por esa razn que el trmino de perturbacin estocstica incluye
todas aquellas variables insospechadas e impensadas.
En general, es difcil reflejar perfectamente la realidad a travs de un modelo.
No se le puede pedir a un Banco Central que reduzca la oferta de dinero en un
20%, manteniendo todos los dems factores constantes y ver qu sucede
despus. Siempre va a existir un acervo de variables aleatorias que van a
afectar la variable endgena o fenmeno que se intenta explicar. Asimismo, es
dable que no se pueda medir Y con exactitud y se manipulen variables proxy.

DR.
As, como muestra la ecuacin (2.1), el proceso estimador no se ajustar

perfectamente, tendiendo algunos puntos con valores mayores que Y, como
tambin habr otros puntos con valores ms bajos.
2.3
Estimacin: funcin de regresin muestral (FRM)
Concretamente la tarea de la FRM consiste en estimar la FRP con informacin

muestral (por la dificultad de contar con alguna poblacin o la imposibilidad
misma de medirla).
Debido a fluctuaciones muestrales pueden ser consideradas en el mejor de los

casos slo como una aproximacin de la verdadera regresin poblacional (RP).
La FRM se denota del siguiente modo:
Yi =
1 +
Xi
2Xi +
Es posible notar , smbolo

que se conoce como residuo
muestral, conceptualmente
es anlogo a i y puede ser
considerado un estimado de
i.
Por tanto, el objetivo principal es estimar la FRP:
Yi = 1 + 2Xi + i
En base en la FRM:
Yi =
Xi +

Yi =
(2.5)
= Yi -
= Yi -
Yi =
DR.
Xi +
(2.6)
Muestra que los residuos
son
simplemente
las
diferencias entre los valores
observados de y los valores
estimados de Y.
(2.7)
1
Xi
Como se quiere obtener una regresin muestral lo ms cercana posible de la

real, se busca que la suma de los residuos sea la menor posible.
Min = i = (Yi -
Pero al realizar esta sumatoria se le est dando el mismo peso a todos los
errores. Adems algunos pueden ser negativos y otros positivos, provocando
que la suma sea muy pequea incluso si existe una gran dispersin de los
errores en torno al valor observado.
Recordar: El residual no es lo mismo que el trmino de perturbacin

estocstico, el residual viene a ser la distancia entre el punto de datos y la lnea
estimada, el trmino de error es la distancia entre el punto de datos y la lnea
verdadera. Nunca conoceremos el valor del trmino de error porque tampoco
conocemos 1 y 2, el intercepto y la pendiente. En general una lnea estimada
ser mejor si produce residuales ms pequeos, significar que est ms cerca
de los datos y que tender a la lnea verdadera. Por tanto, lo que buscamos es
escoger la lnea estimada que produce los residuales ms pequeos.

DR.
2.3.1 Estimacin: Criterio de Mnimos cuadrados

El principio de mnimos cuadrados consiste en seleccionara la lnea estimada,
escogiendo una pendiente y un intercepto (en el caso de una X), que tiene la
suma ms pequea posible de los residuos cuadrados. Para ello, recordemos
la ecuacin (2.7) y elevarla al cuadrado:
2
i
= (Yi -
2
i
= (Yi -
)2
(2.8)
X i )2
Para calcular los estimadores
, diferenciamos parcialmente derivando
(2.8):
(a)
2
i
2
i
= - 2 (Yi -
Xi) = -2
(b)
= - 2 (Yi -
Xi)Xi = -2 iXi
Igualando a cero estas ecuaciones, se obtiene:
(a) - 2 (Yi (b) - 2 (Yi -
Xi) = 0
-2
Xi)Xi = 0
-2

(a)
(Yi -
(b)
(Yi -
DR.
Xi) = 0
Xi)Xi = 0
Aplicando mtodo de los momentos:

(a)
n-1
(b)
n-1
Yi -
( Yi -
Xi ) = 0
Xi ) = 0
Reordenando (a):
Y =
X =
Xi = 0
Por consiguiente:
(2.9)
Ahora, aplicando (a) sobre (b) y dejando n-1:
[ Yi - ( -
)-
Yi - Xi +
Xi -
Xi ] = 0
Xi2 = 0

(Yi - ) =
2
i
(Yi - ) =
(Yi - ) =
X i - )2
- )(Yi - ) =
DR.
(Xi - )
X i - )2
= xiyi
(2.10
)
xi2
Tambin se tiene por arreglo:
(2.11)
= n XY - XY
n X2 - (X)2
Estos estimadores se conocen como estimadores de Mnimos cuadrados y

presentan algunas propiedades numricas:
i)
Los estimadores MCO estn expresados en trminos de las
ii)
cantidades observables
Son estimadores puntuales, proporcionan un solo valor del parmetro
poblacional.
1.3.2 Precisin de los estimadores

4
Recordar que a x se conoce como x en desvo, y representa la sumatoria de los Xi menos

su promedio. Sucede lo mismo para y.

DR.
Si nos detenemos a observar las ecuaciones (2.9) y (2.10), notaremos que los
mnimos cuadrados estimados son funcin de los datos muestrales, en
consecuencia, son variables aleatorias que sus valores cambiarn en funcin
de cada muestra, es decir, puesto que es probable que los datos cambien entre
una muestra y otra, los valores estimados cambiarn. Por consiguiente, lo que
se requiere es alguna medida de confiabilidad o precisin de los estimadores 1
y 2. Dicho de otra manera, se quiere saber algo sobre la variabilidad muestral
de estos estimadores. En estadstica, la precisin de un valor estimado es
medida por su varianza, o su error estndar (standard error: se) que son las
races cuadradas de las varianzas. Las varianzas y los errores estndar de los
parmetros estimados dados en (2.9) y (2.10) o (2.11) pueden obtenerse de la
siguiente manera:
Var (2) = 1 * 2
xi2
Var (2) = 2
xi
ee (2) =
ee (2) = Var(2)
(2.12
)
(2.13
)
xi2
(2.14
)
Var(1)5 = X2 * 2
nxi2
ee (1) = X *
ee(1) = Var(1)
nxi2
La varianza precisa el uso de la sumatoria de los valores totales y los valores en desvos de
X.
(2.15
)

Las
notaciones
Var
ee
DR.
significan,
varianza
errores
estndar
respectivamente, y donde 2 es la varianza homocedstica del trmino de

perturbacin estocstica. Una vez conocida la 2 (valor constante), todos los
valores son fciles de calcular. No obstante, 2 es la varianza poblacional, es
decir que no la conocemos, por esa razn es que la misma 2 es estimada(2.16
)
mediante la frmula:
2
2
i
(n-k)
Donde
es el estimador de MCO de la verdadera 2 aunque desconocida y
donde la expresin (n-k) es conocida como el nmero de grados de libertad (g

de l), tambin es posible apreciar que
= SRC. Al ordenar la varianza

(2.17
homocedstica para el caso de la regresin lineal, podemos expresarla como: )
2
= SRC
(n-2)
2.4
Bondad de Ajuste
Se denota por R2 y
dice que proporcin de la variacin en la variable
dependiente est siendo explicada por la variable explicativa. Se encuentra

entre 0 y 1. Entre ms cercano a 1, mejor ser el R 2.
Para encontrar la bondad de ajuste, sabemos que:
(Yi - ) = (
- )+
(2.18)
i

yi = +
DR.
Elevando (2.18) al cuadrado6:

(2.19)
(Yi - )2 = (
yi2 =
- )2 +
Las magnitudes de (2.19) se definen como:

STC = SEC + SRC
donde:
STC = Suma total de cuadrados

SEC = Suma explicada de cuadrados
SRC = Suma residual de cuadrados
De este modo, se puede demostrar que la variacin total en la variable

dependiente (y) puede ser expresada en trminos de la variacin explicada y la
variacin no explicada. Se define como coeficiente de determinacin R2:
R2 = SEC
STC
(2.20)
- )2
(Yi - )2
De manera anloga:
R2 = 1 - SRC = 1 -
6
Como podr notar, en (2.12) se muestra Y en desvos.
(2.21)

STC
DR.
(Yi - )2
El R2 o la cantidad de R2 que se conoce como el coeficiente de determinacin,

indica el porcentaje de la variacin total de la variable dependiente que es
explicada por la variable independiente y por lo tanto es una medida de la
bondad del ajuste de los modelos economtricos. Dicho de otra manera, mide
la proporcin o el porcentaje de la variacin total en Y explicada por el modelo
de regresin.
Por ejemplo, se si le presenta la siguiente regresin lineal simple:
Salarioi = 1 + 2Educacini + i
La regresin intenta analizar la relacin entre salario y educacin en una
empresa, es decir, se esperara que una persona (X i) con un mayor nivel de
educacin dentro de la empresa debiese obtener un mejor salario. Luego de
utilizar un paquete estadstico se obtienen los siguientes resultados:
Salarioi = 7.85 + 3.15 Educacini + i
(0.0012)
(0.039)
R2 = 0.85
Qu se puede decir al respecto de este modelo?

La respuesta es sucinta, el modelo presenta un alto coeficiente de
determinacin lo que indica que la variable explicativa explica de buena forma
la variacin de la variable dependiente. Si el coeficiente fuese menor que 0.4, el
modelo dejar de ser regular/bueno.

DR.
Para entender la bondad de ajuste de una forma ms precisa, Ballentine

desarroll una novedosa forma de ensear la proporcin en que Y es explicada
por X. Este mtodo grfico es conocido como los diagramas de Ballentine.
(a)
(b)
(c)
(d)
Es posible apreciar las distintas proporciones en que X explica a Y, en el (a), R 2

= 0, mientras que en el lado contrario, la imagen (d) muestra un R 2 = 1. Es
importante
saber
propiedades
sustanciales
sobre
el
coeficiente
de
determinacin o la bondad del ajuste del modelo:

1 El coeficiente es una cantidad no negativa, por tanto, si el clculo de R 2
entrega resultados negativos es porque algn error se ha cometido, ya sea en
los nmeros calculados anteriormente o en la frmula.

2 Sus lmites son 0
DR.
1. Un R2 de 1 significa un ajuste perfecto, es decir,
= Yi para cada i. Un R2 de 0 significa que no hay relacin alguna entre la

variable explicativa X e Y.
2.5
Modelo Clsico de Regresin Lineal (MCRL) o Modelo Economtrico
1 El modelo de regresin es lineal en los parmetros:

Yi = 1 + 2Xi + i
2 Los valores de X son fijos en muestreo repetido. Ms tcnicamente X se
supone no estocstica (ver ejemplo sobre ingresos y gasto semanal por
familia).
3 El valor medio de la perturbacin i es igual a cero. Esto es, el valor de la
media condicional de i es cero:
E (i/Xi) = 0
El alumno puede evaluar este punto revisando la ecuacin (2.4).
4 Homocedasticidad: dado el valor de X, la varianza de i, es la misma para

todas las observaciones. Es decir, las varianzas condicionales de i son
idnticas, simblicamente:
Var (i/Xi) = E [i E (i)/Xi]2
Var (i/Xi) = E (i2/Xi)
Var (i/Xi) = 2
E (i2) = 2
(2.22
)

DR.
Se establece que la varianza i para cada Xi es algn nmero positivo

constante igual a 2. A contrario sensu, existen situaciones en la que la
varianza es dispersa o heterocedstica7.
Var (i/Xi) = i2
El subndice indica que la varianza ya no es constante para cada observacin.
autocorrelacin entre las perturbaciones. Dados dos valores cualesquiera
de X, sean Xi y Xj (donde i
j), la correlacin entre i y j es cero:
Cov (i , j/ Xi , Xj) = E {[ i E (i)]/ Xi} {[ j E (j)]/ Xj}

Cov (i , j/ Xi , Xj) = E (i/ Xi) (j/ Xj)
Cov (i , j/ Xi , Xj) = 0
6 El modelo tiene que estar correctamente especificado, esto implica que no

existan errores con la inclusin de variables o la exclusin de variables por lo
engorroso del proceso o por experimentar. Asimismo, supone una correcta
especificacin funcional del modelo.
7 No hay multicolinealidad perfecta, es decir, no hay relaciones lineales entre
las variables explicativas8.
7
8
Vase el captulo 6
Ibd.

2.6
DR.
Propiedades de los estimadores MCO
Si se supone que i sigue la distribucin normal, los estimadores MCO tienen

las propiedades que se mencionan a continuacin:
a) Son Insesgados: un estimador
es no sesgado si su valor esperado es
igual a , el valor verdadero del parmetro que se estima. De lo contrario

el parmetro ser sesgado. Por consiguiente, el parmetro es insesgado
si E ( ) = .
b) Tienen Varianza Mnima. Es decir, son estimadores Eficientes.
Son consistentes. A medida que el tamao de la muestra aumenta
indefinidamente, los estimadores convergen hacia sus verdaderos valores
poblacionales. Es decir, si conforme la muestra de datos crece arbitrariamente,
la diferencia entre el valor estimado y el valor verdadero de disminuye
tambin arbitrariamente. De no ser as, los estimadores son inconsistentes
(vase el apndice).

DR.
CONTROL DE LECTURA 1:
1. Calcular los parmetros para poder establecer la ecuacin de la regresin
entre el Maz (variable Y) y el Fertilizante (variable X):
Tabla 2.5
Yi
Xi
(Yi - )
(Xi - )
xi yi
xi 2
40
44
46
48
52
58
60
68
74
80
Yi = 570
6
10
12
14
16
18
22
24
26
32
Xi = 180
-17
-13
-11
-9
-5
1
3
11
17
23
yi = 0
-12
-8
-6
-4
-2
0
4
6
8
14
xi = 0
204
104
66
36
10
0
12
66
136
322
xiyi = 956
144
64
36
16
4
0
16
36
64
196
xi2 = 576
= 57
= 18
Paso 1.- Se debe calcular lo que est en rojo, es decir, calcular los valores de
las variables en desvos (y posteriormente las otras columnas) por lo que es

DR.
necesario calcular en primer lugar los promedios tanto de la variable explicativa

como explicada.
Paso 2.- Se debe calcular 2, para ello tenemos:
2
= xiyi
= 956
xi2
1.66
576
Recordando que:
= N XY - XY
N X2 - (X)2
Se obtiene:
10 * 11216 570 * 180
9560
10 *3816 - 32400
1.66
5760
Paso 3.- Luego, reemplazando en:
= 57 (1.66) * (18) = 57
29.88 = 27.12
Paso 4.- Entonces, se obtiene la siguiente regresin estimada:
= 27.12 1.66Xi + i

DR.
2. Cul es la funcin de expectativa condicional o funcin de regresin

poblacional?
Nos dice como la media o el promedio de la sub-poblacin de Y responde a
una variacin de los valores fijos de la variables explicativas.
3. Cul es la diferencia entre la FRP y la FRM? se trata de distintos
nombres para la misma funcin?
La diferencia entre la funcin de regresin poblacional y la muestral es muy
importante, el segundo es un estimador del primero, en la mayora de las
situaciones nos encontramos con una muestra de observaciones obtenida
desde la poblacin y el investigador intenta aprender algo acerca de la
poblacin a partir de la muestra obtenida.
4. Qu papel desempea el trmino error estocstico i en el anlisis de
regresin? Cul es la diferencia entre el trmino de error estocstico y el
error residual?
Un modelo de regresin nunca va a poder ser un completo reflejo de la
realidad, es decir, no puede describir la realidad en su magnitud.
5. Qu se quiere dar a entender como un modelo de regresin lineal?
Un modelo que es lineal es los parmetros, puede ser o no ser lineal en las
variables. Se debe comprender que cuando hablamos de linealidad en
econometra, siempre se estar haciendo referencia a los parmetros.
6. Determnese si los siguientes modelos son lineales en los parmetros, o en
las variables, o en ambos Cules de estos modelos son de regresin
lineal?

Modelo
a) Yi = 1 + 2
DR.
Tipo descriptivo
+
Recproco
b) Yi = 1 + 2 ln Xi + i
c) ln Yi = 1 + 2Xi + i
d) ln Yi = ln 1 + 2 ln Xi + i
Semilogartmico
Semilogartmico inverso
Logartmico o doble logartmico
e) ln Yi = 1 - 2
Logartmico recproco
Para responder a esta pregunta, es necesario recordar lo que se comprende

por regresin lineal. Cuando se habla de linealidad nos referimos a los
parmetros y no a las variables explicativas o explicadas. Por tanto, entre los
modelos presentados es posible sealar que los modelos (a), (b), (c) y (e) son
modelos de regresin lineal. Mientras que el modelo de la letra (d) no es lineal.
Sin embargo si hacemos que = ln 1, entonces el modelo tambin es lineal.
7. Los siguientes, son modelos de regresin lineal? Por qu razn?
a)
b)
Yi = e1 + 2Xii
Yi =
1
1 + e1 + 2Xi + i
c)
ln Yi = 1 + 2
d)
Yi = 1 + (0.75 1)e 2(Xi -2) + i

Yi = 1 + 23Xi + i
e)
En (a) tomando el logaritmo natural, encontramos ln Y i = 1 + 2Xi + i, donde el

modelo se transforma a una regresin lineal. En el caso (b), la transformacin
se conoce como una transformacin logit, moldeando el modelo (b) en un
modelo de regresin lineal:
ln [(1 - Yi)/ Yi] = 1 + 2Xi + i
En relacin al modelo presentado en (c) es posible vislumbrar que se trata de
un modelo de regresin lineal ya que es lineal en los parmetros (no es lineal
en los parmetros). En cambio, el modelo (d) es un modelo de regresin no

DR.
lineal (en los parmetros). Lo mismo sucede con el modelo (e), es decir, es un
modelo no lineal ya que la pendiente est elevada a una potencia.
8. Qu se entiende por un modelo de regresin intrnsecamente lineal? Si en
el ejercicio 6d), 2 valiera 0.8, sera un modelo de regresin lineal o no
lineal?
Un modelo que puede ser lineal en los parmetros es llamado como modelo de
regresin intrnsecamente lineal. Un caso de estos tipos de modelos es el (a)
del ejercicio anterior, donde utilizando un poco de matemtica se logra
satisfacer la linealidad en los parmetros. Si en el modelo (d) del ejercicio
anterior, la pendiente 2 fuera 0.8, el modelo se convertira en una regresin
lineal, dado que e-0.8(X-2) puede ser desarrollado fcilmente.
9. Se dispone de los siguientes datos anuales desde 1963 a 1972 sobre la
cantidad de dinero Mt , y la renta nacional de un pas Yt, en millones de
unidades monetarias que se resume en:
Mt2 = 147.18
Mt = 37.2
MtYt= 295.95
Yt2= 597.03
Yt = 75.5
a) Especifique un modelo lineal que represente la teora de que la cantidad de

dinero determina la renta nacional del pas.
Se nos solicita que se especifiquemos un modelo en donde la cantidad de
dinero determina la renta nacional del pas, por tanto podemos identificar la
variable explicada y la explicativa:
Yt = f (Mt)
Es decir, postulamos que la renta nacional est en funcin de la cantidad de
dinero, entonces, economtricamente:

Yt =
DR.
Mt + t
b) Calcule las estimaciones de los parmetros a partir de la muestra inicial.

Cul es la interpretacin del trmino constante y de la pendiente de la
recta de regresin?
En este caso, lo primero que debemos hacer es observar el enunciado y notar
que n =10, lo que nos permite calcular los promedios de las variables, esto es:
= 75.5/10 = 7.55
= 37.2/10 = 3.72
Analizando los datos que nos son entregados, se debe emplear la frmula
(2.11) para calcular la pendiente de la regresin:
2
= 10 * 295,95 - 37,2 * 75,5

10 * 147,18 - (37,2)2
= 1.714
Ahora procedemos a calcular el intercepto, recordando (2.9):

1
= 7.55 (1.714* 3.72)
= 1.18
Entonces, la regresin la podemos expresar como:

Yt = 1.18 + 1.714Mt + t
c) Calcule la suma de cuadrados explicada, SCE, y la suma de cuadrados
residual, SCR, de la regresin.
Recordemos que STC = SEC + SRC
Siendo STC:

DR.
STC = yi2 = (Yi - )2
Y2 n( )2
Entonces, reemplazando los datos:

STC = 597.03 - [10 * (7.55)2]
STC = 597.03 [570.025]
STC = 27.005
Siendo SEC:
2
i
SEC =
= ( i - )2
*xi2
2
2
*X2 - n( )2
Por tanto:
SEC = (1,714)2 * [147,18 (10 * (3,72)2]
SEC = 2,9377 * [8,8]
SEC = 25,85
Luego, si ordenamos SRC = STC SEC, tenemos:

SRC = 27.005 25.85
SRC = 1.155
d) Calcule el R2 de la regresin. Interprete su significado.
R2 = SEC
R2 = 25.85
STC
R2 = 1 SRC
= 0.957
27.005
R2 = 1 - 1.155 = 0.957
STC
27.005
e) Calcule e intrprete los errores estndar de los parmetros

En primera instancia necesitamos calcular la varianza homocedstica de :
2
(n-k)
= SRC

DR.
=1.155/(10-2) = 0.144
Reemplazando en (2.17) y (2.18)

Var ( 1) = 147.18 * 0.144
10 * 8.8
Var ( 1) = 0.24084
ee ( 1) = 0.49075
Var ( 2) = 0.144
8.8
Var ( 2) = 0.01636
ee ( 2) = 0.12792
10. Los siguientes datos corresponden a una estimacin de los Ingresos por
ventas de una empresa (Y) y el Nmero de vendedores (X), para el perodo
Enero 2004 a Diciembre 2004. Ambos expresados en miles de pesos.
Xi2 = 471
= 80. 3764
Xi = 69
XiYi = 3541
Yi = 561
a) Calcular la ecuacin estimada del modelo

Por ecuacin estimada entendemos calcular los estimadores de la regresin
que en este caso, al tener una variable explicativa, tenemos que calcular

DR.
solamente dos parmetros. Lo primero que debemos hacer es calcular la

pendiente, sin embargo nos falta el nmero de observaciones. Si se observa
detenidamente el enunciado, se podr apreciar que se entrega (n = 12). Una
vez con todos los datos suficientes, reemplazamos en (2.11):
2
= 12 * 3541 69 * 561
12 * 471 - (69)2
= 4.245
Para calcular el intercepto se requiere contar con los promedios de las

variables:
= 561/12 = 46.75
= 69/12 = 5.75
Con la estimacin de la pendiente y los promedios reemplazamos en (2.9):
= 46.75 (4.245 * 5.75)
= 22.35
b) Calcule el coeficiente de determinacin. Interprete
Recordando que:
2
= SRC
R2 = 1 - SRC

(n-k)
DR.
STC
Y se cuenta con
= 80.3764 y [(n-k) = (12 -2 = 10)], por lo que se obtiene:
SRC = 80.3764 * 10
SRC = 803.764
En cuanto a STC, no tenemos Yi2 , por lo que no es posible calcularla, pero si

contamos con Xi2, lo que nos permite calcular SEC y posteriormente nos
permitir calcular STC. Sea:
SEC =
2
2
*X2 - n( )2
SEC = (4.245)2 * [471 12(5.75)2]

SEC = 18.020 * 74.25
SEC = 1337.985
De esta, manera podemos calcular STC:
STC = SEC + SRC
STC = 1337.985 + 803.764
STC = 2141.749
Por consiguiente, tenemos la oportunidad de emplear las dos frmulas de R 2:
R2 = 1337.985
= 0.62 = 62 %
2141.749
Este coeficiente de determinacin nos est diciendo que la variable X explica
en un 62% la variacin de la variable Y, lo que podemos denominar como un
ajuste regular.

DR.
ECONOMETRIA SEGUNDA PARTE

SECUENCIA DE PASOS
Para la realizacin efectiva de un anlisis economtrico es necesario efectuar
una secuencia de pasos de manera que se construya un modelo adecuado de
prediccin, dicha secuencia esta ligada a la experiencia y a las preferencias de
los investigadores, en ningn momento representa una receta que se tenga

DR.
que seguir al pie de la letra, ademas es posible simultanear algunas

actividades:
Secuencia de pasos en econometra
1. Planteamiento terico del modelo economtrico (formulacin de
hiptesis; o relaciones funcionales)
2. Supuestos del modelo y formulacin de hiptesis.
3. Construccin de la forma matemtica del modelo terico e identificacin
de las principales variables y relaciones funcionales de las mismas.
4. Elaboracin funcional del modelo economtrico.
5. Identificar la informacin necesaria para realizar el modelo
economtrico.
6. Recoleccin de datos de la serie y comparacin grfica de las
observaciones.
7. Estimacin de los coeficientes del modelo economtrico.
8. Validez del modelo mediante la aplicacin de pruebas estadsticas.
9. Pronstico.
10. Toma de decisiones y diseo de polticas o acciones preventivas o
correctivas, basadas en el modelo.
Paso 1
Planteamiento terico del modelo economtrico
La primera etapa consiste en seleccionar un modelo econmico, para ello
es necesario adoptar un enfoque de teora econmica, por ejemplo bajo los
supuestos de la teora clsica, neoclsica, keynesiana o estructuralista, etc,
todo depende del modelo que se estudie, esto con el objeto de facilitar la
identificacin de las relaciones de las variables y el establecimiento de los
supuestos, y de igual manera sirve como base para explicar las proyecciones y

DR.
justificar la toma de decisiones y polticas derivadas de los resultados del

modelo economtrico.
Esta primer parte no es ms que tomar una hiptesis de teora econmica que
relacione una variable dependiente a una o ms variables independientes.
Ejemplo: en la medida que se aumenta el precio de un bien y/o servicio
determinado y manteniendo todo lo dems constante, las cantidades
demandadas de las mismas sern menores
Paso 2
Supuestos del modelo y formulacin de hiptesis
A partir de esa seleccin se procede a conocer todos los lmites o alcances del
modelo y por lo tanto se determinan los supuestos con los que el modelo
adquiere validez terica.
Ejemplo:se trata de un bien normal, en un mercado de competencia perfecta y
no se tiene sustituto.
En cualquier caso se parte de una hiptesis de teora econmica, la cual se
busca demostrar mediante procedimientos estadstico, indistintamente que
modelo se desee comprobar se parte de una afirmacin de relacin entre
variables representada mediante una ecuacin matemtica.
Este punto es importante por cuanto la hiptesis ser la referencia con la que
se busca demostrar la investigacin, en caso que se encuentre informacin
confiable que mediante la ecuacin de regresin calculada se compruebe la
relacin de las variables, se esta en posicin de avalar o aceptar la hiptesis y
por tanto el estudio se vuelve una herramienta de anlisis que facilita la
explicacin de un fenmeno.

DR.
Paso 3
Construccin de la forma matemtica del modelo terico e identificacin
de las principales variables y relaciones funcionales de las mismas.
Conociendo con exactitud las relaciones funcionales de la teora, los supuestos
en los que el modelo tiene validez se pasa a determinar la forma matemtica
de dicho modelo
Ejemplo D=a-bP
Donde:
D:
Cantidades demandas (variable dependiente)
a:
Demanda Autnoma ( Intercepto)
b:
Elasticidad precio de la demanda (Pendiente de la recta)
P:
Precio (variable independiente)
Es posible que el investigador determine que existen otras variables como

gustos y preferencias, edad, etnia, etc. Sin embargo el modelo se puede ajustar
a esas variables siempre y cuando se posea la informacin para determinar la
relacin y sobre todo de registros estadsticos numricos que permitan el
clculo del modelo economtrico.
Paso 4
Elaboracin funcional del modelo economtrico
A partir de ello se puede trabajar con esa ecuacin para adecuarla a su forma
regresiva, es decir a plantearlo de manera que los datos se adecuen de
manera natural a un promedio y se Ajusten a una tendencia, para ello se
requiere expresar el modelo en trminos funcionales de Mnimos Cuadrados
Ordenados, dicho mtodo se plantear ms adelante.

DR.
Paso 5
Identificar la informacin necesaria para realizar el modelo economtrico.
Cuando se esta seguro del modelo y se tiene la forma economtrica, se pasa a
considerar el lugar donde se puede obtener la informacin, cual es la ms til y
la facilidad de recoleccin de la misma.
Este paso consiste en verificar la existencia y registro de las variables, en
muchos de los casos, no se cuenta con una variable del modelo como tal, por
ejemplo para la ecuacin de produccin el nivel de capital fsico de la
economa, que no en todas las economas se calcula , no obstante por tratarse
de anlisis de tendencia, se puede sustituir el nivel de capital por una
representativa de su variacin, que en este caso, puede ser perfectamente el
nivel de inversin, la idea central reside en adecuar la variable del modelo a los
datos ms cercanos con que se cuentan .
Es necesario considerar en ente punto cual de toda la informacin de serie
estadstica que representa mejor a la o las variables estudiadas.
A nivel general se esperara obtener al menos 31 observaciones de cada
variable, debido principalmente a que a partir de ese nmero de observaciones
una serie de registros se adecua al Teorema del Lmite Central, lo que significa
que es una serie con curva normal, el cual es un requisito dentro de la
econometra para dar validez estadstica al modelo.
No obstante se sabe que los registros obtenidos de una unidad observacional
poblacional tienden a cumplir los supuestos de la curva normal es decir que se
adecua a una curva de probabilidad de forma de campana que es simtrica
alrededor de su valor medio, aproximadamente el 68% del rea bajo la curva

DR.
normal se posiciona entre los valores de su media () y su varianza (
), el
95% se ubica entre 2
y alrededor del 99.7% se encuentra en 3
, tal
como muestra la grfica.
El supuesto que se trabaja con un modelo en que sus variables se comportan

de manera normal permite garantizar:
1. Una distribucin normal de las perturbaciones estocsticas.
2. Que los estimadores son insesgados o que no estn influenciados por
variables externas.
3. Tienen una varianza mnima lo que significa una media altamente
representativa.

DR.
4. Consistencia, en la media que se aumenta el valor de la muestra o de

observaciones para estimar, los valores proyectados se acercan o
igualan los valores poblacionales reales.
5. Los coeficientes estimados tiene varianza mnima por lo que los
parmetros encontrados por Mnimos cuadrados Ordinarios son los
Mejores Estimadores Insesgados lineal
RECOLECCIN DE DATOS

DR.
Paso 6
Recoleccin de datos de la serie y comparacin grfica de las
observaciones.
Al tener la certeza de poseer las observaciones necesarias y se cuenta con
respaldo y validez en la recoleccin de las mismas, se pasa a efectuar una
comparacin grfica (en el caso que se plante una variable dependiente y una
independiente), utilizando un plano cartesiano y se observa la existencia de
alguna tendencia en el comportamiento de las observaciones tal como lo
muestran las siguientes grficas, los puntos reflejan las observaciones de una
serie de datos, mientras que la lnea que se encuentra al centro es su
tendencia.
En la anterior imagen se aprecia que no existe relacin lineal

Un coeficiente de correlacin cercano a 0

DR.

DR.
ESTIMACIN DE COEFICIENTES.
Paso 7
Estimacin de los coeficientes del modelo economtrico.
Habiendo establecido las relaciones de manera grfica con una serie
estadstica suficiente y con la viabilidad matemtica y terica del modelo se
procede a la estimacin de los coeficientes para ello se utiliza el mtodo de
Mnimos Cuadrados Ordinarios MCO por medio del cual se obtienen los
mejores coeficientes que permiten determinar el comportamiento de una
funcin de economtrica, para un rango determinado, estimando de esta
manera los valores reales a partir de la muestra.
El principal objetivo de una ecuacin de regresin obtenida por Mnimos
Cuadrados Ordinarios es que las desviaciones de los valores observados
respecto a los estimados sea el mnimo posible, es decir, se espera que se
encuentren los coeficientes que sean (F(x) observado F(x)estimado)2 un
mnimo, en otras palabras que la sumatoria de las diferencias del valor real
menos el proyectado elevado al cuadrado tienda a cero, de ah el nombre que
el mtodo se le denomine Mnimo Cuadrado Ordinario.
Paso 8
Validez del modelo mediante la aplicacin de pruebas estadsticas.
Para determinar la validez del modelo se debe haber pasado una serie de
pruebas de hiptesis que hacen que el modelo se comporte de cierta manera o
que se encuentre en ciertos parmetros donde existe suficiente probabilidad de
ser fiables o buenos estimadores de los valores reales (dichas pruebas se
presentaran ms adelante).

DR.
Paso 9
Pronstico.
El pronstico consiste en utilizar la ecuacin para establecer con certeza el
posible comportamiento de la variable el cual puede darse en dos tiempos.
1. Dentro del domino o rango de informacin con la que se obtuvieron los
coeficientes
2. Fuera del rango, para observaciones posteriores o anteriores a los del
domino o rango de informacin.
En el primer caso no es necesario ms que sustituir en la ecuacin la o las
variables independientes, por que los coeficientes explican el comportamiento
dentro del rango con que se cuenta la informacin; en este caso se esta
tratando de una ecuacin que se puede llamar de Largo Plazo, para el segundo
caso es necesario transformar la ecuacin en un modelo predictivo de corto
plazo en el que se puede con alguna certeza aproximarse a los valores futuros
y para ello se trabaja la serie estadstica en diferencias para obtener de esas
variables los nuevos coeficientes, para el alcance de este curso se tomara la
primer forma de preedicin.
Paso 10
Toma de decisiones y diseo de polticas o acciones preventivas o
correctivas, basadas en el modelo.
Al haber establecido los coeficientes que dan validez al modelo se esta en la
posibilidad de efectuar toma de decisiones y diseo de polticas o acciones
preventivas o correctivas, basadas en el modelo, lo que supone que es una
herramienta que facilita la toma de actividades y acciones, pero a pesar de ese
valor estadstico en ningn momento se esta en la posibilidad de sustituir la

DR.
experiencia o el conocimiento del comportamiento humano que es en algunos

casos ms confiable que cualquier herramienta estadstica.

DR.
CONDICIONES DE LOS MODELOS

Los modelos economtricos suponen que la ecuacin estimada se comporta
bajo ciertas condiciones o requisitos y bajo ciertos parmetros, uno de los
principales tiene que ver con que los en cada punto observacional utilizado se
ajusta al teorema del lmite central y por tanto se ajusta a la curva normal, de
igual manera, la serie estadstica necesaria para estimar los coeficientes debe
estar apoyada en este supuesto y por tanto requiere un mnimo de 31 datos
(este es un valor numrico aproximado en el que una variable comienza a
ajustarse a la curva normal).
Esa es una premisa no obstante se tiene que tomar en cuenta una serie de
supuestos que son necesarios para estimar una ecuacin economtrica con
validez estadstica, muchos de ellos se logran por el simple hecho de efectuar
los clculos mediante el mtodo de Mnimos Cuadrados Ordinarios, los
supuestos se mencionan a continuacin.
SUPUESTOS
1. El modelo economtrico es lineal en sus parmetros es decir en sus
coeficientes y en sus variables incluyendo su valor de error estocstico
Yi = 1+ 2Xi + i
Esto significa en trminos sencillos que la potencia de cada factor de la
ecuacin es igual a 1.
2. Los valores que toma la variable X en un ejercicio de muestreo se
mantienen constantes, es un valor no estocstico o no aleatorio, por ejemplo si
consideramos lo niveles de educacin en grados escolares de la Poblacin
Ocupada se tiene que el valor que puede tomar el nivel de educacin de una
persona puede variar desde 0 hasta el nivel mximo 13 o 14 para un ao

DR.
determinado manteniendo el valor de X que es un promedio inalterable, lo que

importa es el valor medio que toma la variable Y a partir de la X pero el valor
de esta ltima es independiente de ese promedio en Y.
Lo que implica en trminos concretos que los coeficientes estimados estn
condicionados al valor de la o de las variables dependientes.
3. El valor promedio de las variaciones estocsticas i es cero, que
significa que la variacin del valor observado con el estimado a partir de
la ecuacin de regresin es cercano a cero para cada punto utilizado en
la proyeccin.
En trminos sencillos lo que pretende este supuesto es que el valor de las
variaciones estocsticas es cero y por lo tanto la ecuacin economtrica se
puede representar as:
Yi = 1+ 2Xi + i
i aproximado a cero
Yi = 1+ 2Xi + 0
Yi = 1+ 2Xi
4. Las varianzas de cada error estocstico i deben ser idnticas o en
trminos estadsticas cumplir con el criterio de Homocedasticidad (homo
o igual y cedastico o dispersin), es decir que la varianza de i es igual
para cada punto en todas las observaciones.
Si este supuesto se cumple se esta asegurando que el nivel de varianza de las
observaciones es el mismo.
Leccin 9: continuacin

DR.
5.No existe correlacin entre los errores estocsticos, lo que significa

que al aplicar un modelo de regresin para perturbaciones i de distintos
puntos observados, se obtiene un r2 cercano a cero, lo que se busca es
que la estimacin de Y no dependa de la variacin sistemtica de los
errores estndar la siguiente grafica muestran la condicin descrita de
los errores estocsticos:
Correlacin serial Negativa, el valor de -i es correspondido con un valor +i y

viceversa

DR.
Correlacin serial Positiva, el valor de +i es correspondido con un valor +i y

viceversa

DR.
Correlacin cero de perturbaciones

1. No existe correlacin entre los valores estocsticos y la variable
independiente, en otras palabras que no existe Covarianza entre i y X
o que su covarianza es cero, al correr la variable independiente y el valor
de la perturbacin se debera esperar que es cero, principalmente por
que el valor de X es no aleatorio y se asume fijo para muestras
repetidas.
2. El nmero de observaciones debe ser mayor al nmero de parmetros a
estimar, no obstante no se debe olvidar que debemos contar con una
serie de al menos 31 datos para ajustarse al teorema de lmite central,
no obstante este criterio varia de investigador a investigador, muchos
economistas apuntan que ms de 20 valores estadsticos son
suficientes, tambin es necesario considerar el tipo de variables que se
desean estimar.
3. Debe existir variabilidad en las variables independientes, es lgico
pensar este supuesto ya que la funcin de regresin estimada se logra
a partir de las desviaciones entre el valor de X y el de Y, determinando
de esta manera un estimado de los parmetros, de no encontrar
variabilidad, se estara esperando una no relacin lineal entre las
variables.
4. Debe el modelo debe estar especificado correctamente, es decir que lo
que se plante matemticamente debe estar respaldado por supuestos
del modelo econmico y que la forma funcional sea la que ms se
ajusta, finalmente se deben incluir todas las variables involucradas que
inciden en la explicacin de un fenmeno, para ello se pueden correr
muchos modelos y aquellos que demuestren un mejor nivel de
correlacin y de pruebas estadsticas son los que clasifican para hacer
estimaciones o demostraciones de relaciones funcionales.

DR.
El grado de cumplimiento de cada una de los supuestos anteriores puede variar

segn el criterio del investigador, algunas pruebas que se mencionan son
determinadas automticamente por programas computacionales, adems para
hacer proyecciones a futuro se analiza la estacionariedad de la serie, el sentido
de estas pruebas esta vinculado con la variabilidad de las perturbaciones, en
este curso se presenta la prueba de significancia estadstica.

DR.
TIPOS DE MODELO
Los modelos economtricos pueden incluir hbridos o combinaciones,
generalmente se trata con modelos lineales, en la mayora de los casos
encontraremos que con dificultad se logra una serie con tendencia lineal debido
a la variabilidad de las observaciones y por tanto no siguen una tendencia
visible en primera impresin.
Por tal motivo el uso de los logaritmos es una herramienta que facilita ajustar
una serie a una tendencia, en la medida que se tiene una serie con mucha
dispersin, se aplica a todas las variables o a una parte de ellas los logaritmos
con el objetivo de suavizar el efecto distorsionador.
Por tato tenemos los siguientes tipos de modelos
1. Lineales en sus variables (lineales en sus variables y parmetros)
2. Modelos log-lineales, se ajusta una o todas las variables que no tiene
compartimiento lineal
1. Log-log
2. Log lineales o semi logartmicos
En los modelos lineales al graficar podemos apreciar su tendencia y estimar sin
mayor cambio utilizando el mtodo de MCO.
Para los modelos doble log o log-log se aplica a ambos lados de la ecuacin
los logaritmos, este es el caso de las funciones exponenciales y de potencia.
En los semi-logartmicos aplicamos a la variable dependiente un valor en
logaritmo para suavizar la tendencia y de esta manera obtener un mejor
estimador.
Leccin 11: Mnimos cuadrados ordinarios

DR.
MNIMOS CUADRADOS ORDINARIOS

Uno de los puntos determinantes en la econometra se basa en el
procesamiento estadstico y para ello el mtodo de Mnimos Cuadrados
Ordinarios MCO permite encontrar los Mejores Estimadores Lineales
Insesgados, este mtodo presenta muchas ventajas en cuanto a lo fcil de su
uso y por lo adecuado del planteamiento estadstico matemtico que permite
adecuarse a los supuestos para los modelos economtricos.
El trmino de MCO esta vinculado con la regresin y la correlacin, ambas
determinan la existencia de relacin entre dos o mas variables (siempre una
dependiente y una o varias independientes), la diferencia radica en que le
regresin se expresa en una funcin o relacin funcional mediante una
ecuacin con su uso predictivo, y la correlacin es un valor que mide la
intensidad con que estn relacionadas linealmente las variables, se esta
hablado de una regresin o correlacin simple cuando se relacionan 2
variables, si existen mas se habla de una correlacin mltiple (el alcance de
este curso se limita a la simple).
Las funciones regresivas principalmente pueden ser de cuatro tipos:
1. Lineales
De la forma matemtica
Y su expresin Regresiva
Y(x) = a+ bXi
Yi = 1+ 2Xi + i
1. De segundo grado
1. Exponenciales
Y(x) = a+ bXi+cXi2
Yi = 1+ 2Xi + 3Xi2+ i

Y su expresin economtrica
DR.
Y(x) = abx
log F(x) = log a + x log b + i
1. De potencia
Y(x) = aXin
log Yi = log a + b log X + i
Nota: la variable i se refiere al trmino de perturbacin o de error, se le conoce

como una variable aleatoria estocstica y se utiliza para recoger todos aquellos
elementos que afectan a las variables del modelo de manera externa, es decir
mejora la prediccin del modelo en la medida que captura los efectos de
variables no relacionadas con el modelo, en la mayora de casos y cuando se
cuenta con la suficiente informacin el valor que toma esta variable es
aproximadamente igual a cero y por lo tanto es un valor descartable, siempre y
cuando sea un valor cercano a cero.
Para trabajar con una ecuacin no importando el tipo (exponencial, logartmica
o de potencia), es necesario en primer lugar linealizar la ecuacin, que no es
ms que llevar a potencia 1 la variable explicativa o independiente y para ello
se puede valer de distintos mtodos algebraicos que permiten llevar efectuar
este procedimiento.

DR.
FUNCIN LINEAL
Cuando se han recolectado los datos y si estos cumplen con el teorema de
lmite central (informacin que se ajusta a una curva normal) se procede a
presentar la informacin bajo un esquema bidimensional que no es ms que
plantearla en trminos del plano cartesiano.
Que bien puede representar la funcin de oferta, donde Y seria la cantidad de

productos ofertados, a el intercepto y b la elasticidad precio de la oferta;
ahora la siguiente tabla muestra que la cantidad de kilos de carne de cerdo
ofrecidas a los precios de mercado
Cantidades Y2 2,5 3
Precio X
3.5 3.5 4.5 5
5.5 5.5 6
7.5 9
8.5
3.3 4.4 3.3 5.5 4.4 5.5 6.6 6.6 7.2 7.7 7.7 8.8 8.8 11 9.9
La forma grfica queda entonces

DR.
El grafico anterior muestra una relacin directa, como la funcin de oferta se

supone es lineal su forma funcional as se expresa, no obstante esta puede ser
una curva semejante a una parbola o a una exponencial (todo depende el
caso) y por lo tanto se puede optar por la mejor forma, en este caso para
efectos de simplificacin se muestra una lineal.

DR.
DESARROLLO
La ecuacin de la lnea recta es Y(x) = a+ bXi ,
donde
a es el intercepto o el valor que adquiere Y cuando X es igual a cero,
b representa la pendiente o elasticidad de la ecuacin (por el cambio en una
unidad adicional de x el valor total de Y cambia en la proporcin de b).

DR.
Leccin 14: Clculo:

CLCULO
Para obtener los valores de los coeficientes se tiene en primer lugar efectuar
los productos encontrar sus sumatorias y luego simultanear la ecuacin y
despejando en cada caso el valor que se requiera:
Precio X
Cantidades Y (X)(Y)
3.3
6.6
10.89
4.4
2.5
11
19.36
3.3
9.9
10.89
5.5
22
30.25
4.4
3.5
15.4
19.36
5.5
3.5
19.25
30.25
6.6
4.5
29.7
43.56
6.6
33
43.56
7.15
5.5
39.325 51.1225
7.7
5.5
42.35
59.29
7.7
46.2
59.29
8.8
61.6
77.44
8.8
7.5
66
77.44
11
99
121

TOTAL
DR.
9.9
8.5
84.15
98.01
100.65
77
585.475 751.7125
Con el coeficiente encontrado se procede a sustituir en cualquiera de las dos

funciones originales para despejar el valor de a por lo que se obtiene
585.475
= (a) 100.65+ (b) 751.7125

585.475
DR.
= (a) 100.65+ 0.901166978) 751.7125
585.475-667.7418482 = (a) 100.65

-91.94348195/100.65= a
a
= -0.913497088
De manera tal que la ecuacin queda:

Y(X)
0.9012 X- 0.9135
A un precio de 0, segn esa ecuacin, la produccin seria -0.91 unidades, la

elasticidad precio de la oferta como es de esperarse es positiva en la medida
que cambie el precio de la produccin este tendr un impacto en el cambio de
oferta a un mayor precio se ofrecer una mayor cantidad de producto.
Para efectos simplificadores se puede usar de manera general

DR.
FUNCIN CUADRTICA
La forma funcional de cada modelo economtrico depende en alguna parte por
su forma grfica, es decir que al reflejar en un esquema bidimensional se
puede apreciar la forma y hacerse una idea de la ecuacin que se ajusta de
mejor manera al modelo que se busca.
Para el caso tomaremos un ejemplo hipottico en el que se toma el esquema
de una funcin de costos totales, donde se sabe que hasta cierto punto en el
que la produccin aumenta los costos caen dado un nivel de tecnologa
llegando a un mnimo y a partir de ah existe un incremento progresivo por cada
unidad adicional por tanto se espera una forma parablica.
La siguiente tabla muestra el valor del costo total Y que se obtiene con un nivel
de produccin especfico X.
x 200 240 300 400 500 540 600 640 700 800 900 100010401100 1200
y 391036802990207020701380161013801725149520701840253029904025

DR.
Y su forma grfica es:
El grfico anterior muestra claramente que la tendencia no se ajusta a una

recta, esta se plantea como una curva en forma de u, siendo una parbola la
ecuacin que ms se ajusta es cuadrtica.
En este caso estamos tratando con una ecuacin de la forma

DR.
lo que indica que tiene un valor mximo o en su defecto un mnimo.

DESARROLLO
Para el caso de la funcin cuadrtica es necesario aclara que es un caso
espacial que se ve en muchos ejemplos econmicos, su aplicacin es til para
determinar mximos y mnimos.
El procedimiento es el mismo que en el anterior se encuentra
mnimo, se deriva respecto a los coeficientes a, b y c y luego se igualan a cero,

para posteriormente simultanearlas, las ecuaciones quedan entonces:
CLCULO
El siguiente paso a realizar consiste en obtener los productos y sumatorias
indicadas en las tres ecuaciones
XY
X2Y
X2
X3
X4

DR.
200
3,910 782,000
156,400,000
40,000
8,000,000
1,600,000,000
240
3,680 883,200
211,968,000
57,600
13,824,000
3,317,760,000
300
2,990 897,000
269,100,000
90,000
27,000,000
8,100,000,000
400
2,070 828,000
331,200,000
160,000 64,000,000
500
2,070 1,035,000 517,500,000
250,000 125,000,000 62,500,000,000
540
1,380 745,200
402,408,000
291,600 157,464,000 85,030,560,000
600
1,610 966,000
579,600,000
360,000 216,000,000 129,600,000,000
640
1,380 883,200
565,248,000
409,600 262,144,000 167,772,160,000
700
1,725 1,207,500 845,250,000
490,000 343,000,000 240,100,000,000
800
1,495 1,196,000 956,800,000
640,000 512,000,000 409,600,000,000
900
2,070 1,863,000 1,676,700,000 810,000 729,000,000 656,100,000,000
25,600,000,000
1,000,000,000,00
1,000 1,840 1,840,000 1,840,000,000 1,000,0001,000,000,0000
1,169,858,560,00
1,040 2,530 2,631,200 2,736,448,000 1,081,6001,124,864,0000
1,464,100,000,00
1,100 2,990 3,289,000 3,617,900,000 1,210,0001,331,000,0000
2,073,600,000,00
1,200 4,025 4,830,000 5,796,000,000 1,440,0001,728,000,0000
7,496,879,040,00
10,16035,76523,876,30020,502,522,0008,330,4007,641,296,0000
Con 15 observaciones se tiene un n de 15

DR.
Siguiendo el esquema anterior se procede a simultanear las ecuaciones,

comenzaremos con (1) y (2)
Simultaneando (1) y (3)

DR.
Multiplicando -8.330.400 por la (1) y 15 por la (3)
Sustituyendo este valor en 4 y despejando b tenemos

b= (-5,227,900 29,982,576,000(0.009954675))/ 21,730,400
b= -13.97556819
Para encontrar el coeficiente c hay que sustituir en cualquiera de (1), (2) (3),
tomando la ecuacin primera se tiene:

DR.
35,765
= 15 a + 10,160 b + 8,330,400 c
35,765
= 15 a + 10,160 (-13.97556819) + 8,330,400 (0.009954675)
35,765
= 15 a -141991.7728 + 82926.42106
= (35,765+141991.7728- 82926.42106)/15
= 6322.023448
En consecuencia la ecuacin queda

Y(x)
0.009954675 X2 - 13.97556819 X + 6322.023448

DR.
FUNCIN EXPONENCIAL
El caso de una ecuacin exponencial requiere de un tratamiento especial, el
crecimiento exponencial se le aplica en la mayora de variables poblacionales,
la explicacin se debe entre otras, adems de la relacin grfica, a que el
crecimiento en un tramo es lento y a partir de cierto punto, este se incrementa
en mayor cantidad, tal como muestra la siguiente grfica.

DR.
La forma de la funcin estimada es
Los coeficientes a y b se calculan a partir de un sistema de ecuaciones que

a continuacin se explicara, el primer paso a realizar es linealizar la funcin
para ello se aplican logaritmos base 10.

DR.
Teniendo el siguiente cuadro que relaciona tiempo y niveles Poblacin

ocupada, se puede observar una tendencia no lineal, una curvatura en la
secuencia de datos, la forma grfica muestra que el modelo de regresin mas
adecuado es la exponencial.
Es necesario aclarar que cuando se relaciona el tiempo y otra variable, se
considera al tiempo como la variable independiente.
escolaridad
1979
2.890
1980
2.740
1981
3.230
1982
3.400
1983
3.123
1984
3.365
1985
3.563
1986
3.735
1987
3.960
1988
3.560
1989
3.573

DR.
1990
3.662
1991
3.842
1992
3.523
1993
3.760
1994
3.990
1995
4.126
1996
4.356
1997
4.653
1998
5.236
1999
5.136
2000
5.313
2001
5.459
2002
5.609
2003
5.763
N= 25

DR.
Desarrollo
El procedimiento para determinar los coeficientes entonces es:
Al igual que en los casos anteriores se busca que la desviaciones de los

valores observados respecto a los estimados sea el mnimo posible, por lo que
se debe derivar respecto a los coeficientes a y b para luego igualar los
resultados a cero.
Para el caso se debe sustituir la funcin exponencial linealizada en la expresin
sumatoria a minimizar por lo que:

DR.
CLCULO
Tomando como base la tabla presentada anteriormente y para simplificar los
clculos, se sustituyen los valores de aos por un equivalente numrico que no
afecta el resultado (este mtodo se utiliza principalmente en aos o en
variables de tiempo que poseen un incremento unitario).
En consecuencia tenemos la siguiente grfica que relaciona el tiempo y la
cantidad de poblacin ocupada en millones de personas:
Aos
Log Y
X*log Y
X2
1979
-12
2.890
0.46089784 -5.53077411
144
1980
-11
2.740
0.43775056 -4.81525619
121
1981
-10
3.230
0.50920252 -5.09202522
100
1982
-9
3.400
0.53147892 -4.78331025
81
1983
-8
3.123
0.49457198 -3.95657587
64
1984
-7
3.365
0.52698507 -3.68889548
49
1985
-6
3.468
0.54007909 -3.24047453
36
1986
-5
3.684
0.56631962 -2.83159811
25

DR.
1987
-4
3.860
0.5865873
-2.34634922
1988
-3
3.560
0.55149767 -1.654493
1989
-2
3.573
0.55301164 -1.10602328
1990
-1
3.662
0.56367494 -0.56367494
1991
3.842
0.58450797 0
1992
3.900
0.59106461 0.59106461
1993
3.760
0.57518784 1.15037569
1994
3.990
0.6009729
1995
4.126
0.61548712 2.46194847
16
1996
4.356
0.63908787 3.19543936
25
1997
4.653
0.66773305 4.00639832
36
1998
5.236
0.71899964 5.03299747
49
1999
5.018
0.70049474 5.6039579
64
2000
5.190
0.715185
81
2001
10
5.333
0.72695922 7.26959218
100
2002
11
5.479
0.73873907 8.12612979
121
2003
12
5.630
0.7505158
9.00618959
144
101.067229 14.946992
15.0742268
1300
1.80291869
6.43666501
16

DR.
En este caso no habr necesidad de simultanear debido a que la sumatoria de

X es igual a cero y por lo tanto el valor de a y b se obtienen de manera ms
rpida
En consecuencia el valor de a se obtiene:

DR.
Para este caso se debe sustituir valores comprendidos entre -12 y 12, para que
de como resultado el valor en su equivalente en aos.

DR.
FUNCIN DE POTENCIA.
A esta funcin se le conoce como curva geomtrica de la forma
, al
igual que los casos anteriores es necesario linealizar la ecuacin, como se

puede esperar basta aplicar logaritmo a la ecuacin de igual manera que el en
caso exponencial para obtener una ecuacin de la tendencia buscada y se
procede a derivar respecto a a y b .
En este caso utilizamos la relacin ingreso y consumo
Ingreso
consumo
3.01
1.904236782
3.26
2.389395036
3.69
2.93138203
3.98
3.321130844
3.654
2.884343721
4.024
3.074481512
3.89
3.198127393
4.2
3.629445223
4.36
3.860393932
4.56
4.156912734
4.268
3.726912485
4.689
3.957023376

DR.
4.93
4.727987654
5.3
5.327630566
5.21
5.179181854
5.36
4.934102133
n=16
DESARROLLO
La secuencia de pasos es similar a la exponencial se tiene que minimizar la
expresin, sustituir el valor equivalente de Y estimado y derivar.

DR.
Aplicando propiedades de logaritmos
Igualando a cero y derivando respecto a los coeficientes a y b se llega a las

siguientes expresiones
CLCULO
Con la informacin anterior se construye los cuadros respectivos que permitirn
determinar los valores de los coeficientes:
Y (Consumo)X (Ingreso)Log X
Log Y
Log X* Log Y(Log X) 2
1.904
3.010
0.479
0.280
0.134
0.229
2.389
3.260
0.513
0.378
0.194
0.263
2.931
3.690
0.567
0.467
0.265
0.322
3.321
3.980
0.600
0.521
0.313
0.360
2.884
3.654
0.563
0.460
0.259
0.317
3.074
4.024
0.605
0.488
0.295
0.366

DR.
3.198
3.890
0.590
0.505
0.298
0.348
3.629
4.200
0.623
0.560
0.349
0.388
3.860
4.360
0.639
0.587
0.375
0.409
4.157
4.560
0.659
0.619
0.408
0.434
3.727
4.268
0.630
0.571
0.360
0.397
3.957
4.689
0.671
0.597
0.401
0.450
4.728
4.930
0.693
0.675
0.467
0.480
5.328
5.300
0.724
0.727
0.526
0.525
5.179
5.210
0.717
0.714
0.512
0.514
4.934
5.360
0.729
0.693
0.505
0.532
10.002
8.842
5.661
6.333
Sumatoria
n=16

DR.

En consecuencia la ecuacin queda

Y(X) = aXb
Y(X) = 3.57 X70.32
DR.

DR.
COEFICIENTE DE CORRELACIN INTERPRETACIN ESTADSTICA

Como ya se ha planteado el grado de correlacin mide la intensidad de relacin
lineal, ya sea directa, inversa o inexistente entre dos variables, se dice que es
directa si tiene signo positivo, inversa de signo negativo y nula cuando el valor
sea aproximadamente igual a cero.
Existen diferentes mtodos para calcular el grado de correlacin en este curso
explicaremos el mtodo en trminos de variaciones y simplificado de Kart
Pearson.
El mtodo de variaciones consiste en comparar el grado de desviacin que se
presenta entre los valores observados, los proyectados y la media aritmtica; el
de Kart Pearson lo resume en una ecuacin determinada.
La idea central radica en que si existe relacin entre los valores de Y
observados con los valores de X, el grado de variacin de la media aritmtica
respecto a los Y estimados y los observados es mnima.
En trminos concretos se compara el porcentaje de la variacin explicada (que
se origina entre los valores proyectados y la media), y la variacin total (la
variacin observada y la variacin explicada) en cuyo caso refleja un
coeficiente que se encuentra entre el valor de -1 y 1.
De manera funcional se mide:
Variacin total = variacin no explicada + variacin explicada
(Y observada -media de Y) = (Y observada - Y estimada) + (Y estimada media de Y)
La siguiente grfica muestra las desviaciones a las que se hace referencia, el
valor de la media se representa por la variable y se obtiene de la suma del
valor observado dividido entre el total de observaciones,
= Y / n.

DR.
Para evitar valores negativos se debe llevar al cuadrado cada expresin, para

DR.
totalizar ese clculo se realiza para cada uno de los puntos y luego se procede
a la suma en consecuencia
Como el coeficiente de correlacin es un porcentaje que explica el

comportamiento de la relacin entre lo variacin explicada y la variacin total se
calcula mediante
Con esta ecuacin se puede apreciar que en la medida que el valor de

observado sea igual al valor proyectado, el nivel de variacin con la media ser
el mismo, es decir que Y observado = Y estimado, si eso se cumple para cada
uno de los puntos las variaciones son inexistentes y por lo tanto

DR.
El mtodo de Pearson no es ms que aplicar la siguiente ecuacin
CALCULO DEL COEFICIENTE DE CORRELACIN
Cantidades Y
Precio X observadas
Y (X)
(X)(Y)
X*x
y*y
(Y(X ) -
estimadas (Y- Y(X))2 )2
(Y - )2
3.300
2.000
6.600
10.890
4.000
2.060
0.004
9.443
9.818
4.400
2.500
11.000
19.360
6.250
3.052
0.304
4.333
6.934
3.300
3.000
9.900
10.890
9.000
2.060
0.883
9.443
4.551
5.500
4.000 22.000
30.250
16.000
4.043
0.002
1.189
1.284
4.400
3.500 15.400
19.360
12.250
3.052
0.201
4.333
2.668
5.500
3.500 19.250
30.250
12.250
4.043
0.295
1.189
2.668

DR.
6.600
4.500 29.700
43.560
20.250
5.034
0.285
0.010
0.401
6.600
5.000 33.000
43.560
25.000
5.034
0.001
0.010
0.018
7.150
5.500 39.325
51.123
30.250
5.530
0.001
0.157
0.134
7.700
5.500 42.350
59.290
30.250
6.025
0.276
0.796
0.134
7.700
6.000 46.200
59.290
36.000
6.025
0.001
0.796
0.751
8.800
7.000 61.600
77.440
49.000
7.017
0.000
3.547
3.484
8.800
7.500 66.000
77.440
56.250
7.017
0.234
3.547
5.601
11.000
9.000 99.000
121.000
81.000
8.999
0.000
14.946
14.951
9.900
8.500 84.150
98.010
72.250
8.008
0.242
8.264
11.334
100.650
77.000 585.475
751.713
460.000
77.000
2.729
62.005
64.733
n = 15
La media entonces es
= Y / n.
= 77/ 15
= 5.13
r2 = (Y estimada -
)2 / (Y observada -
)2
r2 = 62/64.73
r
2 = 0.9578

DR.
Mediante el segundo mtodo se tiene:

r = (n*xy (x)* (y) )/ ((n*( x2)*-( x)2 )*(n*(y2)- (y)2)
r = ((15)*(585.48)- (100.65)* 77)/ ((15* 751.71)-(100.65)2)*(15*( 460 )(77.00)2)
r = (8782.12 - 7750.05) / ((1145.265) *(971))
r= 1032.08 / (1,112,052.31)
r = 0.9787
(r)2=(0.9787)2
r2=0.9578
Como se puede apreciar indistintamente de mtodo que se decida utilizar se
llega al mismo valor, entre ms cercano se encuentre el valor de 1 se puede
asegurar que es ms estrecha la relacin lineal entre la variable dependiente y
la independiente.
DESVIACIN ESTNDAR
La desviacin estndar de la funcin de regresin indica el grado de dispersin
entre las variaciones de los valores observados Y respecto a los estimados

DR.
con ese valor se puede determinar con cierta certeza si un modelo es confiable,
en la medida que dicho coeficiente sea mayor se puede apreciar que la
estimacin de los coeficientes no es lo suficientemente confiables. Y(X) , la
frmula queda:
CLCULO DE LA DESVIACIN ESTNDAR .

De acuerdo con los datos recopilados se puede decir que la desviacin es

Por el segundo mtodo
La diferencia se debe a los decimales utilizados
DR.

DR.
PRUEBAS DE VALIDEZ ECONOMTRICAS
Significancia
Estadstica
Para determinar la significancia estadstica es necesario calcular la varible t

student, la cual es una distribucin que tiene una fuerte vinculacin con la
curva o distribucin normal, puesto que en la medida que se tengan mayor
cantidad de observaciones en el calculo del t student la curva se va ajustando
a
la
normal.
Para iniciar este tipo de evaluacin hay que considerar los grados de libertad
de la serie los cuales no son ms que el nmero de observaciones n menos el
nmero
La
de
variables
formula
utilizadas
para
entonces
la
proyeccin.
queda
Donde la variable es un parmetro encontrado en la ecuacin, el gorrito o el ^

significa que el valor encontrado mediante los MCO y el valor por si solo es el
real o el poblacional no estimado y
es el error estndar del parmetro.
El valor t debe evaluarse para un nivel de significancia o probabilidad que no

debe ser mayor al 15% y se puede evaluar para una o para dos colas, esto se
estima el valor mediante una tabla que se encuentra en la mayora de libros de
estadstica
para
estudios
superiores.

DR.
Para establecer si los coeficientes son significativos en trminos estadsticos,

se observa si el valor de t, se encuentra fuera de la zona crtica y en este caso
se dice que los coeficientes son estadsticamente significativos. De caer dentro
de los intervalos de las colas, es decir entre ellas, se dice que no son
estadsticamente significativos, dependiendo del tipo de modelo tambin se
puede
elegir
la
prueba
utilizando
un
lado
de
la
cola.
En primer lugar se debe determinar el valor crtico y para ello se analiza los
grados de libertad y la probabilidad con la que se desea trabajar, utilizando los
valores
de
la
funcin
lineal
tenemos:
Como el valor de b es 0.90 y para una probabilidad del 5% con 15-2 grados de
libertad se tiene un valor de 2.160, como el valor t es 60.92 podemos asegurar

DR.
que la t student queda fuera del rango en que no existe significancia estadstica
INTERPRETACIN DE VARIABLES
Los valores obtenidos como a y b son estimadores de los parmetros reales,

porque se dicen estimadores por que son encontrados a partir de una muestra,
su representacin en econometra son los valores , el caso de a se esta
tratando con el intercepto y con b con la elasticidad, si b esta siendo
afectado por un logaritmo ese coeficiente es una tasa de crecimiento.
En la medida que el valor de r o r2 tienda a uno o a -1 se esta tratando de una
fuerte correlacin, los investigadores prefieren trabajar con un coeficiente de

DR.
correlacin cercano a 0.90 y 0.95, si es 0.99 nos encontramos en la posibilidad

de presentar auto correlacin entre las variables y por tanto no aproximarnos a
los
valores
reales.
PROYECCIONES
Las proyecciones de los modelos como se ha planteado son en dos momentos

el Corto Plazo CP y el Largo Plazo LP, este ltimo se utiliza solamente la
ecuacin calculada por mnimos cuadrados ordinarios, en el caso de CP sea
hace una regresin utilizando las desviaciones tpicas de cada valor u
observacin para estimar su relacin de variabilidad con la funcin
economtrica a partir de ello se aplica a las observaciones un mtodo de
diferencias para determinar su variacin para cada ao y a partir de los
coeficientes que refleje se puede hacer estimaciones para no mas de 5 o 6
observaciones a futuro, con la condicin de proyectar las variables
independientes
El mtodo de proyecciones de CP no ser presentado por tratarse de un

mtodo que requiere otros elementos de anlisis como la estacionariedad de la
serie y su cointegracin, as como mtodos de proyeccin y utilizacin de
paquetes computacionales; por tal motivo estamos en la posicin de hacer
proyecciones a LP, para ello se toma la ecuacin calculada y se procede a
sustituir valores de la variable independiente que se encuentren dentro del
rango o dominio de la variable X.
Finalmente para efectuar una proyeccin de CP, el modelo debe poseer un
coeficiente de correlacin cercano a 1 o a -1, una mnima desviacin estndar y
poseer significanca estadstica, solo de esta manera una proyeccin es
confiable, en la medida que los el r2 sea cercano a cero o inferior a 0.75, una

DR.
desviacin grande y con coeficientes no representativos la estimacin se dice

no confiable o espuria.
Para el ejercicio de la funcin lineal tenemos una ecuacin construida para un
domino
que
va
desde
3.3
11,
el
cual
representa
el
precio.
Con esa informacin podemos decir que si el mercado espera en ese periodo
un precio de 5 unidades monetarias el valor de la cantidad ofertada ser de
Y(X)=0.9012 (5)- 0.9135, Y(X)=
3.59, en consecuencia los productores
ofreceran una 3.6 kilos de carne aproximadamente, la misma mecnica se

aplica para las dems ecuaciones calculadas, la interpretacin variar
dependiendo de las variables utilizadas.
En el caso de utilizar el Excel solo es necesario aplicar la formula tal como se
presenta en la siguiente grafica, el valor variable es la columna de los precios
esperados B y por tanto se deja la ecuacin idntica excepto ese valor que nos
sirve para estimar, para encontrar los valores posteriores simplemente es
necesario copiar y hacia abajo.

DR.

DR.

DR.
Ntese que el valor de 15 no fue estimado por no encontrarse dentro del rango,
lo mismo se aplica para casos que estn por debajo de 3.3.

DR.
ALGUNOS CLCULOS MEDIANTE EXCEL
Como es de esperarse existen diferentes programas que facilitan el anlisis

economtrico, dentro de ellos se puede mencionar SPSS y Econometrics
Views, son programas especializados para ello, no obstante, office de Windows
mediante Excel ofrece herramientas que facilitan ciertos clculos como la
estimacin
de
la
educacin
el
valor
de
r2.
En primer lugar debemos introducir los datos de manera vertical tal como se
muestra

Luego
marcamos
las
dos
columnas
DR.
para
graficar
las
relaciones

DR.
Ntese que se sealo el grfico de dispersin, se aplica siguiente hasta el

punto en que se solicita la ubicacin, se recomienda que se enve a una hoja
aparte, no en la misma hoja.

DR.
Se da clic derecho en la lnea de dispersin para seleccionar lnea de tendencia

DR.
Como se puede apreciar existen diferentes tendencias, uno mismo puede

hacer las pruebas en que el coeficiente de correlacin y la forma funcional se
ajuste ms.

DR.
Adems en la vieta de opciones de la misma venta se puede seleccionar que

muestre
la
ecuacin
Quedando de esta manera:
el
valor
de
r2.

DR.
Ntese que son los mismos valores calculados para el ejemplo 1 de lnea de
regresin lineal

DR.
COMPARACIN DE DOS MODELOS ECONOMTRICOS
Un problema que puede presentarse en la prctica es la comparacin de dos

modelos economtricos. Por ejemplo, se desea analizar si el precio de la
vivienda en dos barrios difiere significativamente, o si se ha producido un
cambio significativo en este precio en el ao en curso respecto al precio vigente
hace tres aos, o tambin, si las calificaciones obtenidas por los chicos que
estudian una carrera se diferencian de las notas obtenidas por las chicas, o
bien, si el beneficio de una empresa que actua en dos mercados distintos
difieren entre s.
En
principio
se
podra
pensar
que
estas
cuestiones
se
abordan
estadsticamente con contrastes de hiptesis como los de comparacin de las

medias de dos poblaciones (los dos barrios, las dos pocas, los dos sexos,
etc), o con contrastes de comparacin de otros parmetros de estas
poblaciones, o incluso con tests de ajuste o identidad entre las dos poblaciones
investigadas.
Sin embargo, al planificar un experimento muestral para responder a las
preguntas planteadas, sin duda se pretender que la respuesta sea realista, en
el sentido de adaptarse de forma lo mas adecuada posible a las condiciones

DR.
del mercado o de las poblaciones investigadas. As, al comparar el precio

medio de la vivienda en dos zonas de una ciudad, hay que tener en cuenta
otras variables que condicionan o explican esta variable (por ejemplo la
superficie de un piso, el nmero de habitaciones, su equipamiento, la zona de
la ciudad donde se ubica, etc.), o al comparar las notas obtenidas por
estudiantes de ambos sexos, cabe tener en cuenta otros factores exgenos
que determinan, al menos en parte, las calificaciones (por ejemplo, el nmero
de horas de estudio semanales, la asistencia o no a clase, su capacidad
intelectual, etc.).
Para simplificar el problema, vamos a considerar un modelo para explicar las
variaciones de una variable endgena, y, en funcin de una sola variable
exgena, x, y de un factor no numrico, d, binario, que se va a codificar
mediante los nmeros 0 y 1 (podra codificarse tambin con los valores +1 y
1). En el caso que el factor tuviese mas de dos niveles (por ejemplo, tres
barrios de una ciudad, se necesitaran dos variables artificiales binarias como la
variable artificial d anterior).
Sea pues, y la nota obtenida en una asignatura por un estudiante, x, las horas
de estudio, y d su sexo (d = 0 para un chico y d = 1 para una chica). Se parte
de la suposicin que la variable endgena y va a depender linealmente de las
variables exgenas x y d. Esta suposicin es discutible, pues posiblemente al
aumentar mucho las horas de estudio el efecto marginal sobre la calificacin va
a ir decreciendo, lo que implica una no linealidad. Vamos a plantear dos
modelos alternativos:
y = 0 + 1 x + 2 d +

DR.
en el que el coeficiente 2 representa el efecto aditivo sobre la nota asociado al

sexo del estudiante, y el modelo
y = 0 + 1 x + 2 d + 3 x d +
en el que se incluye un efecto aditivo 2, y uno multiplicativo cuantificado en el
coeficiente 3, que afecta a la pendiente de la recta asociada a cada sexo, es
decir al rendimiento marginal de cada hora de estudio, que, hipotticamente
podra ser distinto para chicos y chicas.
Si se utiliza el primer modelo, la comparacin de las calificaciones obtenidas
para cada sexo, se puede realizar con el test T sobre el coeficiente 2, es decir,
planteando las hiptesis
H0: 2 = 0
H1: 2 0
Si se acepta H1, a un nivel de significacin , se estar aceptando que existen
diferencias entre los rendimientos acadmicos en funcin del sexo, y estas
diferencias sern iguales (efecto aditivo) para estudiantes que dediquen
diferentes nmeros de horas de estudio, mientras que si se acepta H 0, se
considera, al nivel de significacin empleado, que no existen diferencias
asociadas al sexo. Si se sospecha que, por ejemplo, las chicas obtienen
mejores notas con la misma intensidad de estudio, cabe plantear la hiptesis
alternativa como unilateral, es decir, H1: 2 > 0, (mayor, pues se ha codificado d
= 0 para hombres y d = 1 para mujeres). Esto afecta a la regla de decisin a
utilizar con el estadstico T asociado al parmetro 2, que tambin ser
unilateral.

DR.
En el caso que se utilice el segundo modelo, la comparacin entre los dos

sexos implica realizar dos contrastes T, es decir, realizar los tests
H0: 2 = 0
H0: 3 = 0
H1: 2 0
H1: 3 0
Si se aceptan ambas hiptesis nulas, se podr considerar que no existen

diferencias, y si se acepta al menos una hiptesis alternativa, que s existen
diferencias entre los dos sexos. El problema de proceder de esta forma es que
si se realizan los dos tests a un cierto nivel de significacin , como ambos
tests estn relacionados, el nivel de significacin conjunto para la decisin
global sobre los dos parmetros, no es conocido. Por ello, es preferible plantear
el contraste F sobre los dos parmetros que estn asociados al efecto
atribuible al sexo, es decir, realizar el contraste
H0: 2 = 0
3 = 0
H1: 2 0
o/y
3 0
basado en el correspondiente estadstico F, cuya distribucin muestral, si H 0 es

cierta, es de tipo F de Snedecor.
El planteamiento anterior puede extenderse sin dificultad si se dispone de mas
de una variable explicativa, x, de la calificacin, como puede ser la proporcin
de clases a las que asiste, o incluso alguna variable artificial adicional (por
ejemplo, si es o no repetidor). En todo caso, las variables que se introduzcan
como explicativas (numricas o artificiales), deben ser exgenas, es decir, que
su variacin dependa de causas externas al modelo.

DR.
UN EJEMPLO NUMRICO: EFECTO ADITIVO

Se dispone de una muestra aleatoria de 20 estudiantes, 10 chicos y 10 chicas
tomada en una facultad, y se les pregunta su calificacin en una asignatura, y,
y las horas de estudio semanales, x, dedicadas a sta.
Los datos disponibles son
Chicos
Chicas
Nota
Horas
Nota
Horas
5.7
6.1
7.25
4.1
8.7
5.7
8.9
5.7
5.3
9.5
2
3
5
1
6
4
7
3
2
8
5.3
4.6
4.1
3
4.1
6.8
7.8
4.8
7.2
4.4
5
4
2
1
3
6
8
4
7
3
Por lo tanto se dispone de n = 20 datos, y la variable artificial, Sexo, se ha

codificado con los valores 0 y 1.
Al realizar un diagrama de dispersin con los datos de las notas respecto al
nmero de horas de estudio, se obtiene

DR.
10
9
8
Chicas
NOTA
7
6
Chicos
5
4
3
2
0
HORAS
En el grfico se observa que la evolucin de las notas de las chicas con

respecto a las de los chicos tiende a ser superior en relacin al nmero de
horas estudiadas.
Al estimar el primer modelo se obtiene
Nota = 2.115 + 0.72 Horas + 1.63 Sexo + e
(0.216)
(0.041)
(0.177)
La salida obtenida con EViews es la siguiente:

Dependent Variable: NOTA
Method: Least Squares
Included observations: 20
Variable
Coefficie Std. Error t-Statistic
Prob.
C
HORAS
SEXO
R-squared
nt
2.115618 0.215843 9.801674 0.0000
0.719624 0.040944 17.57570 0.0000
1.628925 0.176773 9.214786 0.0000
0.957139 Mean dependent
5.95250
Adjusted R-
var
0.952096 S.D. dependent
0
1.80405

DR.
squared
var
S.E. of regression 0.394852 Akaike info
Sum squared
criterion
2.650437 Schwarz criterion
resid
Log likelihood
Durbin-Watson
8.168693
2.595677
1
1.11686
9
1.26622
F-statistic
9
189.813
Prob(F-statistic)
6
0.00000
stat
Se tiene pues que ambas variables exgenas muestran una clara influencia
sobre la nota obtenida, pues si se realizan los tests T sobre los coeficientes del
modelo terico, es decir
H0: 1 = 0
H0: 2 = 0
H1: 1 0
H1: 2 0
se obtienen respectivamente los valores t1= 17.57, y t2 = 9.21, es decir valores

muy elevados. Al tomar la decisin a niveles de significacin = 1%, = 0.1%,
e incluso para niveles mas pequeos, en ambos casos se acepta la hiptesis
alternativa. La probabilidad lmite de ambos valores se muestra en la ltima
columna de la salida, y para ambos estadsticos es menor a 0.0001, por lo que
incluso hasta este nivel de significacin se aceptara, para los dos contrastes la
hiptesis H1.
En el modelo estimado, el coeficiente de la variable Horas muestra la
productividad marginal de una hora adicional de estudio: un incremento de 0.72
puntos, por trmino medio, en la nota final. Tambin se concluye que en el
caso de las chicas, por trmino medio, obtienen casi 1.63 puntos mas que los
chicos, para cualquier cantidad de horas estudiadas. El efecto estimado es de
tipo aditivo.

DR.
El coeficiente de determinacin es R2 = 0.957: el 95.7% de la varianza de las

notas es explicada por el modelo, y el resto se integra en la varianza residual,
esto es, la parte de la nota no explicada por las dos variables consideradas.
0.8
Residuos
0.4
0.0
-0.4
-0.8
Chicos
-1.2
2
Chicas
8
10
12
14
16
18
20
Los residuos correspondiente a los 20 datos se muestran en el grfico anterior,

y no parecen seguir ninguna pauta. Ninguno es mayor que la unidad, en valor
absoluto, y solo cuatro superan el medio punto, es decir, que el poder predictivo
del modelo es bueno.
EJEMPLO NUMRICO: EFECTOS ADITIVO Y MULTIPLICATIVO
En el prximo ejemplo se va a estimar el segundo tipo de modelo, incluyendo

como variables explicativas adems del nmero de horas de estudio y el sexo
del alumno, una variable producto de estas dos, que representa la interaccin
entre ambas, y cuyo coeficiente estimado corresponde a un efecto
multiplicativo del sexo sobre la nota final.
Los datos disponibles son
Chicos
Nota
Chicas
Horas
Nota
Horas

5.3
5.5
6.25
3.9
7.5
4.9
7.5
5.1
4.9
7.9
2
3
5
1
6
4
7
3
2
8
5.3
4.6
4.1
3.0
4.1
6.8
7.8
4.8
7.2
4.4
DR.
5
4
2
1
3
6
8
4
7
3
Por lo tanto se dispone de n = 20 datos, y la variable artificial, Sexo, se ha

codificado con los valores 0 y 1.
El modelo a estimar es ahora
Nota = 0 + 1 Horas + 2 Sexo + 3 Notas Sexo +
Al utilizar los datos se llega a
Nota = 2.25 + 0.69 Horas + 1.38 Sexo 0.14 Horas Sexo + e
(0.288) (0.06)
(0.393)
(0.083)
La salida de EViews es la siguiente

Dependent Variable: NOTAS
Variable
Coefficie Std. Error t-Statistic
C
HORAS
SEXO
HORAS*SEXO
R-squared
nt
2.248753
0.688662
1.381309
0.141116
0.936316
0.288807
0.060352
0.393307
0.083230
7.786345
11.41079
3.512040
-1.695506
Mean dependent
Prob.
0.0000
0.0000
0.0029
0.1093
5.54250

Adjusted R-
DR.
var
0.924376 S.D. dependent
squared
var
S.E. of regression 0.400783 Akaike info
Sum squared
resid
Log likelihood
Durbin-Watson
2
1.18606
criterion
2.570037 Schwarz criterion
7.860649
2.431805
0
1.45740
5
1.38521
F-statistic
1
78.4141
Prob(F-statistic)
1
0.00000
stat
El coeficiente de determinacin R2 = 0.936, es decir, el 93.6% de la varianza de

las notas es explicada por el modelo. Los estadsticos T para realizar los
contrastes sobre los coeficientes del modelo toman los valores t1 = 11.4, t2 =
3.51, y t3 = -1.695. Si se realizan los tests T para contrastar cada una de las
hiptesis siguientes
H0: 1 = 0
H0: 2 = 0
H0: 3 = 0
H1: 1 0
H1: 2 0
H1: 3 0
en los dos primeros casos, incluso para niveles de significacin = 1%, se

aceptaran las correspondientes hiptesis alternativas, esto es, se acepta que
hay que mantener las variables Horas y Sexo en el modelo. En el caso del
efecto multiplicativo o interaccin entre estas dos variables, se tiene que la
probabilidad lmite del estadstico t3 es p = 0.1093, por lo que incluso a un nivel
de significacin = 10% se acepta H 0. En el grfico siguiente se observa que
este efecto multiplicativo parece existir con bastante claridad, y si se toma =
11%, como p es inferior, a este nivel se acepta la hiptesis H 1 del tercer test,
esto es, se acepta la existencia del efecto multiplicativo. Como el nivel de
significacin del test representa la probabilidad de cometer error de tipo I

DR.
(rechazar H0 siendo cierta, o dicho de otro modo, incluir una variable no

relevante), mientras que el error de tipo II se comete cuando se omite una
variable relevante, es aconsejable tomar valores de que no sean pequeos,
para conseguir disminuir la probabilidad de cometer error de tipo II, pues, de
forma general, parece mas grave excluir alguna variable exgena relevante,
que incluir alguna variable sobre la que exista duda si debe estar o no incluida
una variable que puede no ser importante. As pues, el tomar en este caso un
valor de = 11%, y decidir mantener la tercera variable (el efecto multiplicativo)
en el modelo, parece la solucin mas razonable.
En todo caso hay que resaltar que la decisin sobre el nivel de significacin, y,
en definitiva sobre la inclusin o exclusin de variables en un modelo
economtrico, es de naturaleza extra-estadstica, y debe estar basada en el
conocimiento econmico de la situacin modelizada.
Una alternativa a los tests T sobre la inclusin de las dos variables en las que
figura la variable Sexo, es realizar el test F de anlisis de la varianza en la que
se contrasta conjuntamente la inclusin o exclusin de estas dos variables. Al
hacerlo, la conclusin a que se llega, incluso a niveles de significacin muy
bajos es que deben mantenerse, al aceptarse la hiptesis H 1: 2 0 o/y 3
0.
El modelo estimado da origen a un modelo distinto para cada sexo. As para los
chicos, es
Nota = 2.25 + 0.69 Horas + e
y para las chicas,
Nota = 3.63 + 0.55 Horas + e

DR.
El efecto aditivo a favor de las chicas, de 1.38 puntos adicional en la nota final,
independientemente de las horas estudiadas, se ve compensado en parte por
el efecto multiplicativo que afecta a la pendiente, disminuyendo el valor de esta
en 0.14 puntos por hora, es decir, por una menor productividad marginal de
cada hora extra de estudio.
9
Notas
8
7
Chicas
Chicos
5
4
3
Horas
2
0
Las lneas (rectas) sealadas por los puntos en rojo corresponden a los dos
modelos estimados. La pendiente de ambos modelos es distinta (efecto
multiplicativo), y las ordenadas en el origen (efecto aditivo) tambin.
COMETARIOS FINALES SOBRE LOS MODELOS
En ambos modelos se debe realizar un anlisis de los posibles problemas

economtricos que se pueden presentar:

DR.
Heterocedasticidad: en los grficos de residuos no se detecta tendencia

en variabilidad, y puede realizarse algn test, como el de White o el de
Goldfeld-Quandt (tomando como posible variable explicativa el sexo).
Autocorrelacin: no procede, pues son datos de corte transversal, en los

que no tiene sentido el que exista autocorrelacin
Normalidad de las perturbaciones aleatorias ( i, i =1,2,...,20), realizando

el test de Jarque-Bera usando los residuos ei, i = 1,2,...,20.
Multicolinealidad: en este caso es inmediato comprobar que la

redundancia de informacin no es importante: los coeficientes de
correlacin entre las tres variables explicativas son 0.402, 0.046 y
0.795. Este ltimo, algo mas elevado es la correlacin entre la variable
Horas y la variable interaccin Sexo Horas. No es posible evitarla, y es
claro, que la relacin entre stas no es lineal. Tambin se puede obtener
el nmero de condicin.
Incorrecta especificacin del modelo: es obvio que puede pensarse en

otras posibles variables explicativas exgenas que no se han incluido: el
coeficiente de inteligencia de cada alumno o algunas facetas de ste, el
grado de asistencia a clase, la atencin en sta, su regularidad en el
estudio, etc. Tambin cabe cuestionar si la forma funcional seleccionada
es la adecuada.
El rango de valores de la variable horas de estudio, en el que es

aplicable el modelo: para realizar predicciones de la nota estimada, hay
que considerar posibles nuevos alumnos que hayan estudiado un
nmero de horas similar a la de los 20 usados para estimar el modelo.
COMETARIOS SOBRE LA SALIDA EViews
El listado de salida obtenido con la orden

DR.
LS Notas c Horas Sexo Sexo*Horas

proporciona una informacin extensa.
Las desviaciones tpicas estimadas de los coeficientes de regresin (Std. Error)

se obtienen a partir de los elementos de la diagonal principal de la matriz
Sb se2 ( X'X) 1 se2 A
Si se numeran las filas a partir del nmero 0, (pues al primer coeficiente del
modelo se le ha llamado 0, por ejemplo, la desviacin tpica estimada del
estimador del parmetro 1 de la variable Horas es
sb1 se a11 0.400783 a11 0.060352

DR.
De igual forma se obtienen las dems desviaciones tpicas. Ntese que la

cuasi-desviacin tpica residual, se , aparece en el listado en la parte inferior
(S.E. of regresin), y se calcula a partir de los 20 residuos, ei, i = 1,2,...,20
0.574847 0.227301 -0.117791 -0.277607 0.584663
-0.920245 0.037117 -0.172699 0.174847 -0.110429
-0.392063 -0.403401 0.473923 0.062585 -0.214739
0.419274 0.041950 -0.203401 0.130612 0.085261
mediante la expresin
se2
1 20 2 1
1
ei Se 2.570037 0.4007832
20 4 i 1
16
16
(pues en el modelo se han estimado 4 coeficientes de regresin).

La suma de cuadrados residual tambin aparece en el listado de salida, en la
parte inferior, as como la media de los valores de la variable endgena, Notas,
y su cuasi-desviacin tpica
sy
1 20
1
( Notasi 5.5425) 2
S y 1.457402
20 1 i 1
19
El estadstico F = 78.41411 es para realizar el test de anlisis de la varianza

sobre todos los coeficientes, poco til en la prctica, pues no parece imaginable
el plantear un modelo en el que ninguna de las variables explicativas tenga
poder predictivo sobre Y.
Los estadsticos T se obtienen, para cada test de la forma
H0: j = 0
H1: j 0
dividiendo el coeficiente estimado por su respectiva desviacin tpica estimada.
Por ejemplo, para la tercera variable, j = 3, es

t3
DR.
0.141116
1.695506
0.083230
y la probabilidad lmite asociada a este valor es

p = 2 Pr[T > |-1.695506| ] = 0.1093
siendo T una variable aleatoria t de Student con 20 4 = 16 grados de libertad.
De igual forma se calculan las probabilidades lmite de los restantes
estadsticos. Estas probabilidades lmite son tiles, pues permiten realizar los
tests T a cualquier nivel de significacin sin necesidad de disponer de unas
tablas estadsticas de esta distribucin t(16): valores de p conducen a
aceptar (a este nivel ) la hiptesis H0, y valores de p < a aceptar H1.
El coeficiente de determinacin R2 se define a partir del teorema de
descomposicin de la varianza de la variable endgena (y = Notas): la suma de
cuadrados total, Sy, se divide en dos sumandos
Sy = Smodelo + Se
la suma de cuadrados explicada por el modelo y la residual. As es R2 =
Smodelo / Se . En el listado de salida aparece directamente la suma de cuadrados
residual, Se = 2.570037, la cual tambin se puede obtener directamente a partir
de la cuasi-desviacin tpica residual, se 0.400783 , como se vio anteriormente.
La suma de cuadrados total se deduce directamente de la expresin de la
cuasi-desviacin
tpica
de
la
variable
endgena.
En
descomposicin anterior es
Sy = 19 1.4574022 = Smodelo + 2.570037
de donde se deduce el valor de R2.
este
caso
la

DR.
En la ventana en la que EViews muestra el modelo estimado hay varios

botones: el primero (View) permite visualizar varios aspectos del modelo
estimado: la salida anterior, los grficos de residuos y de valores estimados, el
listado de los residuos, as como varios contrastes de hiptesis para realizar
una vez estimado el modelo y validar distintos aspectos del mismo.
CONTROL DE LECTURA 2:

DR.
Cuestionario
Introduccin
1. Que es la econometra?
2. Cules son las diferencias entre la correlacin y regresin?
3. Cmo puede vincular los conceptos econometra, correlacin y
regresin.?
Metodologa
1. Explique brevemente los pasos para la construccin de un modelo
economtrico a partir de los niveles de desempleo e inflacin utilizando
la curva de Phillips y su teora.
CONSIDERACIONES DE LOS MODELOS
1. Qu condicin condiciones indispensable debe contener una serie
estadstica para considerarla apta para aplicar la herramienta de
econometra.
2. Cul es la razn de utilizar logaritmos aplicados a una serie estadstica y
que implicaciones tienen en el modelo en cuanto a la interpretacin de
los parmetros o coeficientes.
Mnimos Cuadrados Ordinarios
A continuacin se presenta un caso hipottico en el que se relaciona el tiempo
y la variable Poblacin Ocupada, se pide:
1. Coeficiente de correlacin.
2. Desviacin estndar.
3. Ecuacin de regresin
4. Cual de las formas de ecuacin se ajusta ms para explicar el
comportamiento de esta serie.

DR.
5. Ser que existe una relacin entre el tiempo y la cantidad de Poblacin

Ocupada, comente?
6. Cmo se pueden interpretar los coeficientes encontrados.
Nota: utilice Excel para verificar sus resultados
Ejercicio de aplicacin caso hipottico

Poblacin ocupada
1975
1,236,400
1976
1,269,783
1977
1,304,067
1978
1,336,525
1979
1,440,242
1980
1,437,598
1981
1,392,730
1982
1,307,429
1983
1,484,303
1984
1,393,370
1985
1,371,884
1986
1,484,961
1987
1,532,991
1988
1,740,448

1989
1,633,763
1990
1,854,882
1991
1,781,582
1992
1,753,147
1993
1,802,586
1994
1,950,998
1995
1,973,017
1996
2,056,450
1997
2,066,523
1998
2,227,471
1999
2,274,728
2000
2,322,697
2001
2,451,317
2002
2,412,785
2003
2,520,060
2004
2,526,363
2005
2,607,100
DR.

DR.
Apndice 1: Teorema de Gauss-Markov.

Este teorema demuestra que el estimador MCO de es el que tiene
mnima varianza dentro de la familia de estimadores lineales e insesgados.
La varianza del estimador MCO de tiene la expresin var( ) 2 ( X T X ) 1
. La expresin del estimador MCO de es WY donde W ( X T X ) 1 X T .
Denotando por * CY , donde C W , tendr todos los estimadores de
distintos al MCO y lineales. Para que adems, * sea insesgado, se tendr
que cumplir que E ( * ) . Por tanto, la E ( * ) E[C ( X )] CX y
habr que imponer que CX I k .
La varianza del estimador de llamado * es:
var( * ) E[( * )( * )T ] E (C T C T ) 2CC T

DR.
Aunque todava no son comparables ambas matrices de varianzas y

covarianzas, es posible siempre descomponer una matriz fija como la C en
la suma de otras dos: C W D , donde D 0 y postmultiplicando por la
matriz X esa identidad, tenemos que CX WX DX . Como CX I k , por
insesgadez y WX I k , por definicin, es obvio que DX 0 . Por tanto:
var( * ) 2CC T 2 (W D)(W D)T 2WW T 2 DDT 2 DW T 2WDT
teniendo en cuenta que WW T ( X T X ) 1 y DW T WDT 0 , se obtiene :
var( * ) 2 ( X T X ) 1 2 DDT var( * ) var( ) 2 DDT
y la matriz 2 DDT es definida positiva por construccin.
Apndice 2. Distribuciones de los estimadores MCO y MV de y de 2 .

A partir de la hiptesis de normalidad de las perturbaciones es fcil
obtener las distribuciones de los estimadores MCO y MV.
Distribucin del estimador de por MCO y MV: En ambos criterios la
frmula del estimador coincide y al poder escribir el estimador como una
funcin lineal de las perturbaciones, ( X T X ) 1 X T , la normalidad se
hereda. Por tanto:
: N [ , 2 ( X T X ) 1 ]

DR.
Distribucin del estimador de 2 por MCO y MV: Para obtener esta

distribucin es necesario el uso de un resultado estadstico preliminar:
Resultado: La distribucin de la forma cuadrtica
T Q
: q2 si se cumplen
2
las siguientes condiciones:

(1) El vector : N (0, 2 I )
(2) La matriz Q es idempotente y su tra (Q ) q .
A partir de este resultado podemos derivar inmediatamente la distribucin
del estimador de 2 por MCO:
2
MCO
T T M 2
nk 2
2 MCO
: n2 k
2
nk
nk
ya que la tra ( M ) n k . Es habitual escribir esta distribucin como:
2
MCO
:
2 2
nk
nk
Los dos primeros momentos de esta distribucin son:
2
E ( MCO
)
2
2
E ( n2 k )
nk 2
nk
nk
2
var( MCO
)
4
4
2 4
2
var( n k )
2( n k )
(n k )2
(n k ) 2
nk

DR.
Bibliografa utilizada
1. Gujarati, Damodar. (2004) Econometra, Editorial McGraw-Hill, Mxico D.F.

2. Schmidt, Stephen. (2005) Econometra, Editorial McGraw-Hill, Mxico D.F.
3. Salvatore, D. y Reagle, D. (2004) Estadstica y econometra, Editorial

McGraw-Hill, Madrid.
4. Wooldridge, Jeffrey. (2005) Introduccin a la Econometra, Editorial
Thompson, Madrid.

ECONOMETRÍA

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

ECONOMETRÍA

Diunggah oleh

Hak Cipta:

Format Tersedia

ECONOMETRIA GUIA DE ESTUDIO

ADOLFO GUTIRREZ SOSA

ECONOMETRIA PRIMERA PARTE

Antes de comenzar a estudiar la econometra como rea de estudio es preciso

ECONOMETRIA GUIA DE ESTUDIO

macroeconometra como subgrupos dentro de la econometra, siendo la

Si el alumno se interesa por las diversas reas de investigacin, podr encontrar en la

ECONOMETRIA GUIA DE ESTUDIO

ciertas variables en la conducta de los ciudadanos. En el caso de la

ECONOMETRIA GUIA DE ESTUDIO

explicar y comprender todas las relaciones que intentemos realizar; adems

Para mayor inters sobre la economa de la delincuencia, se sugiere revisar la bibliografa

ECONOMETRIA GUIA DE ESTUDIO

teoras, podemos decir que el investigador est en posicin de especificar un

Y = Variable dependiente, explicada, endgena

Esta relacin puede escribirse como una funcin:

ECONOMETRIA GUIA DE ESTUDIO

y = f (X1, X2, X3, X4, X5, X6)

ID = f (MJH, Det, Des, DI, NP, Esc)

La funcin muestra una relacin entre ID = ndice de la delincuencia (tasa de

Mientras que en el ejemplo de negocios podramos expresarlo como sigue:

y = f (X1, X2, X3, X4)

ECONOMETRIA GUIA DE ESTUDIO

3.- Especificacin del modelo economtrico: la especificacin matemtica

En el caso de (1.1), se puede apreciar , que es conocido como el trmino de

Yrt = 1 + 2X2rt + 33rt + 44rt + rt

ECONOMETRIA GUIA DE ESTUDIO

Lo que se puede apreciar en (1.2) es que se ha agregado el trmino de

4.- Obtencin de informacin: Es evidente que para estimar el modelo

ECONOMETRIA GUIA DE ESTUDIO

estudiado, sera el estimar 1 y 2 de la ecuacin (1.1). As, conociendo los

Yi = 1 + 2Esc + 3Det + 4MJH + i

Yi = 1 + -1.84Esc + 30.020 + 467.91 + i

La estimacin (1.3) nos permite realizar algunas afirmaciones sobre como

6.- Prueba de hiptesis: suponiendo que el modelo ajustado es una

7.- Proyeccin: Si el modelo confirma la hiptesis o la teora, se puede utilizar

ECONOMETRIA GUIA DE ESTUDIO

polticas econmicas. Si nuestro modelo es significante y podemos generar

El anlisis de regresin trata del estudio de la dependencia de la variable

ECONOMETRIA GUIA DE ESTUDIO

explicativas o exgenas), con el propsito de estimar y/o predecir la media o

Relaciones Estadsticas v/s Relaciones determinsticas: En el anlisis de

(en relacin a la delincuencia

dependencia del ndice de denuncias respecto de variables como el ingreso,

es posible distinguir una dependencia de naturaleza

estocstica. Por qu? Debido a que las variables explicativas no nos

existencia de los errores involucrados en la medicin de estas variables y

ECONOMETRIA GUIA DE ESTUDIO

Regresin v/s correlacin: es frecuente cometer un error con estos

Avanzando paulatinamente en el estudio de la econometra, el lector se

ECONOMETRIA GUIA DE ESTUDIO

b) Datos de serie de tiempo, se escriben con el subndice t (e.g., Xt ).

c) Datos de panel (unin de datos de corte transversal y de serie de

ECONOMETRIA GUIA DE ESTUDIO

Ideas bsicas sobre regresin

Como se ha descrito anteriormente, el anlisis de regresin se relaciona

ECONOMETRIA GUIA DE ESTUDIO

de la variable dependiente. No obstante, es posible que leyendo esa breve

De este modo, es posible vislumbrar 10 valores fijos de X y los

100 120 140 160 180 200 220 240

ECONOMETRIA GUIA DE ESTUDIO

A estos valores medios los conocemos como los valores esperados

ECONOMETRIA GUIA DE ESTUDIO

efectuando. Por tanto, si se supone que la relacin entre X e Y es lineal se