Ahalisis Econométrico

¿ ECONOMETRÍA ? MEDICIÓN ECONÓMICA ( para romper paradigmas o

explicar fenómenos )
y : EEÍAMEN

ANÁLISIS DE REGRESIÓN :
i :
÷ :* :*
o Estudio de dependencia , _
CUANDO es

2 -

°
0B :
Estimar Y/o predecir el PROMEDIO POBLACIONAL de la variable dependiente cY , i -

°
í × :
Nóíinoues

para valores fijos de las variables independientes ( x )

REGRESIÓN CAUSALIDAD

↳ CORRELACIÓN
variables7CO.si
: Medida de asociación lineal entre dos

↳ Coeficiente de [ lxi Illyi TI

Y ELYIX ) : pnotseadciioanal

l
-
-

: t A

!
= -
ao

correlación simple nv-zlxi.IT !

iüza !

i.si//::0i!::ieiii.ii :
si !
!
iiximm in
.

i
¡ p n

Teórico Condicional
! !
↳ El YI Xi ) : Media
!
.

FI É té
.

Muestral Yi
.
.
° : -
-
.
÷
.

↳ -
ÉIYIXI ) -
x

Observable explicar )
o
§ :
variable aleatoria no .
Toma valores positivos o
negativos .
( lo que no , es posible

* RECORDAR : la regresión es una relación estadística A pesar de conocer los valores de Xi ,

esto no nos permite predecir en forma exacta Yi .

El YI Gi Yi pr Xi

}
ELYIX ) = DETERMINISMO Yi = Xi ) t I =
p ,
t t Eei

Ee =
ALEATORIO

°
APLICANDO VALOR ESPERADO : Yi =
ECYIXI ) t
Gi / El / Xi )
El Yil Xi ) =
EFEHIXIII Xi ) t El Gil Xi )

El Yilxil = El Ylxil t El Gil

-
Xi ) / debido a : El Yilxi ) = EIYI Xi )

÷
la recta de regresión pase través de las
* El Gil Xi ) =
O → Asegura que
a

medias condicionales de Y .

° FUNCIÓN DE REGRESIÓN MUESTRAL

• En la mayoría de los fenómenos económicos a estudiar no disponemos de las observaciones totales de la poblacion .

°
Debemos estimar la función de regresión poblacional en base a informacion muestral .

ALEATORIA
°
La muestra debe ser .

PARÁMETROS Estadístico parámetro de interés

DI
}
°
Pr n pa ESTIMADOR :
que aproxima un .

• PÍ
, n
É ESTIMADORES
 ESTIMADORES & SUS PROPIEDADES
-

INSESGAMIENTO EFICIENCIA CONSISTENCIA

si Elpi ) El B) =p =

El B) =P nvlpi , < Vip )

① EY B) =
B # ECMC B) → O
PROBABILIDAD TAMAÑO → 00
SESGO = ECÑ ) -
B Ó EN EL LÍMITE
Pp ES EFICIENTE
2 Centro de gravedad DE MÍNIMA VARIANZA

it
'
= valor medio * Eficiencia IMPLICA lnsesgamilnto .
.

.
Equipo )
=
fsesoolpi )) t V (B)
-
= media / promedio para poder comparar varianzas NECESITAMOS QUE EN

iiiliiihi
EL ESTIMADOR
EL LÍMITE
= Valor esperado es necesario que
los estimadores SEAINSESOADO

sean in sesgados . o En teoría : el sesgo de

Ñ debe ser 0

los ( 0) tambien
* Insesgamiento Implica que en 0 pts es más eficiente , ya que ,
o converger a
y su

ÍB debe comportarse posibles valores del estimador varianza

promedio .

ti

"üi
)
I i
'
i i
'
1- -
is
Elpit -
-
Elf ) =p pi p

o Al aumentar el tamaño de la muestra

-

| / el parámetro se vuelve in sesgado .

-
PROPIEDADES DE * VARIANZA O
MUESTRA PEQUEÑA ^
1- → N

L
"

: ÷::::
:p
÷:÷÷:÷÷÷÷÷:÷÷÷÷÷÷÷ 1

de muestra pequeña ,
en este caso se debe recurrir a
_
las propiedades de muestras P
grandes .

O la varianza es el área bajo la curva

i. Debe ser 0 .

• Matemáticamente : si el tamaño muestral

crece ( → N ) V = 0 .

✓ =
f (E) no

PROPIEDAD DE MVETRA
GRANDE
DERIVALIOÑ DE ESTIMADORES

⑦ MÉTODO DE MOMENTOS
Yi =
Xt BXI t Ei con El E.) = O

la ( momentos ) COV ( Xi E.) = O

•
Se reemplaza esperanza u otros n ,

muestral OPERAR COV

por su análogo .
*

M POBLACIONAL M MUESTRA
COV ( Xi ,
Gil =
El Xi Ei ) -
El Xi ) t } EIE ;) = O

=ElXiE
.
. ,

El Xi ) → [ xi COVLXI ,
Ei ) → ERROR ORTOGONAL
-
A X
ERROR
-
.

M * DESPEJAR

Etxil Ei =
Yi -
X -
BXI / El ) NO COVARÍAN
→
Exin El Ei ) =
El Yi -
× -

BXI ) / El E.) = O

Elyi -
X -
BXI ) = O

EJEMPLOS CONDICIÓN DE mm
MOMENTO n n n

①
n

Yi = Xt Ei con El Ei ) = O i .
ZIYi-d-B-0-zEYi-EX-ZBXi-e.co
M n
DESPEJAR EL ERROR
*

I
n n

I á BI O
¥1 pi =
Yi Xt Ei
-
- -
= -

Ei =
Yi -
a / El )
Elcil = El Yi -
x ) Elyi -
a) = o f-
á=J-p
A VOLVER A COV REEMPLAZAR Ei n á
M.vn ,

I)
i .
-214in =
O [ ( Yi -
= O
Efxi -

lyi -
a -

Bxi ) ) = O *

n [ xilyi -
J trsx -

pixilfn = O

ZI m2 pilxi I ))
[ Yi -
= O EYI =
Zxillyi -
J) - -
= O

-
Exi Mi -
T ) -
ÍBEXI lxi -
I ) = O

fax
=
T / § =
Eximir = ElXi-xlH
)
?
- zxilxi -
I Elxi -
I )
-
¡ AI Cuarto de la variación
COTI x. y ) muéstrales
AX de Y se explica por la _
variación de X. DERIVADA var ( x )
PARCIAL

¿ QUÉ DIFERENCIA B DE LA CÓVIX .nl ?

hírrlxil
VVARIXIVARIYIVARIXIVARIY
) CÓVLXMI CÓRRIXM )
=u
=
* ¥-07 x

) = sxsy
La covarianza mide la relación lineal entre dos variables

Coeficientes estandarizados . Sus valores NO ESTÁN ESTANDARIZADOS Puede ir desde

Una relación lineal perfecta 1 -

N hasta t N .

La correlación mide tanto la fuerza El valor de una relación lineal perfecta depende de los datos .

como la dirección de la relación lineal Es difícil determinar la fuerza de la relación entre las variables

entre dos variables .

debido a los datos no estandarizados .
④ MINIMIZAR UNA FUNCIOÑ DE PÉRDIDA

o ARGUMENTO :

Qian .
E? } Éi =
Yi - á -

pixi = M C. O .

Éi Yi I píxi
Él
*
-
= -

Yi -
J -

BXIT E?
'

* =
lyi - i -

rixil

) dEE
YÍ
i c.ro :
o O
=
finai .
= =

si
-

1 .

2 Éi = O

2 ( Yi -
J -

B Xi ) = O
/ # SUMATORIA

-
2 [ ( Yi -
J -
B Xi ) =
O

ülcroi
%i =
o
jf.dz?aii=' zpi =
o

Xi . 2 ( Ii ) = O

-
2. Xi ( Yi -
Ñ -

p Xi ) = O
/ * SUMATORIA

J
"
-
2 Zxilyi - -

Bxi ) = O

* Simplificando obtenemos :

sistema de ecuaciones :

111 [ ( Yi -
J -
ÍBXI ) = O (3) ná = [ Yi -

pízxi
"

}
¥ : III. EE , »
"
in
I = 5- BI
tiiiiiiie

[ XIYI =
¡ ÷!:} :÷!! .

[ Xi
www.a-m-ixir-o
( Yi J t BI B - -
Xi ) = O

Zxi Hi -
T -

B lxi -
I )) = O

[ Xi Mi -
T ) -
pis [ Xilxi -
I ) = O

[ Xi Mi -
5) =
PJZXI ( Xi -
I )

§ =
[ Xi ( Yi
-
-
T)
=
El Xi -
F) ( Yi
-
-
T)
* Función de pérdida :
I ) I )
[ Xi ( Xi -

Elxi -
E) lxi -

① L ( ) E?
}
Ee = PROBLEMA : Yi = Xt P Xi t Ei PROMEDIO
¡

→ Encontrar á ,
Ñs tal que Min Ez Ei
'
=
2- Mi - x -
px ;)
'

② L (G) IÉIEII PROBLEMA Yi = Xt BXI t Ei MEDIANA

}
= :

^ Pinediana
→ Encontrar si B tal
que
1¥ Él Yi -
x -
pxil

" " " " " " " " " "

/
.nl?:::i:::::i::i::::::i::i- pin
Sta i REG Ys QREG

-
 ② MÁXIMA VEROSIMILITUD
° Calcular los parámetros É tal que la muestra es la más verosímil posible
° MÉTODO PARAMÉTRICO se asume conocida la distribución de los datos .

o MV determina los parámetros que maximizar la probabilidad de ocurrencia de la muestra observada .

Hacen la muestra más probable ser observada la muestra efectivamente se Observa

que a sea que

IDENTIFICACIÓN
Dtf : IDENTIFICACIÓN : se relaciona con la DETERMINACIÓN de los parámetros ( fundamentales ) a
partir de los datos observables .

° Es un concepto asintótico

o Es un
problema anterior a la estimación I PROBLEMA TEORICO ( no muestral )

* Sea W el conjunto de DATOS

y sea ⑦ el conjunto de parámetros

D :
EQUIVALENCIA OBSERVACIONAL
DATO
PARÁMETRO

Dos modelos definidos como PIXIO ) X tw Q t son equivalentemente observacionales

,
,

si 7 Q ,
Oz tal que
PIXIQ ) = PIXIE ) f x tw

~ EXISTEN DOS O MÁS COMBINACIONES DE PARÁMETROS QUE GENERAN LA MISMA MUESTRA .

IDENITFICACIOÑ
DEI :

o Un modelo esta identificado si no hay otro modelo Observacional mente equivalente .

EJEMPLO : Tenemos una poblacion cuya altura se distribuye A ×

NIMA ,
Oa conocido ) .
Sin embargo todos usan sombrero de largo Ms

tal que lo que se observa es la altura de las personas más el sombrero .

ALTURA BAJA * NO ES POSIBLE ESIIMAR ; porque ,

está la posibilidad de que exista
^
GORRO GRANDE Una poblacion baja con sombreros altos
que lleve a los mismos

datos una poblacion alta con sombreros cortos

que
.

* ÷ :* :* : :c : :* : : : : :* : : :* : :*
|

datos existirán , pero podría

decirle algo sobre la posibilidad / probabilidad
relativa de diferentes conjuntos de datos hipotéticamente POSIBLES
- .

MA Mat Ms La idea es estimar los parámetros desconocidos del modelo .

-
El problema de identificación existe cuando la naturaleza matemática
µ ,

I del modelo es tal que al cambiar el valor de algún parámetro

^ ,

ALTURA GRANDE
• •
no altera la probabilidad relativa de diferentes muestras potenciales
1
.

GORRO PEQUEÑO I
,
"
YÍÍFÍÍÍÍSÜÍÍÍÍÍÍÍ !
" " " " " " " " " " "
" " " " " " " "

I
I
I
1
|
|
I
I I
I I

-
MA MATMS
IDENTIFICACION EN OLS

DIMENSIONES ① D= 5- ÍBX D= El F) ( La condición de identificaciones

-

2 xi
LASO : Yi
ó.
- - :

'
Zlxi Il IT > O
[ ( Xi
-

X TIENE VARIANZA

⑤ Modelo sin intercepto : Y =

Xp t Ee MODELOS DE VARIACIONES ( cruza origen )

Yt = Xt Xt P t Et

Yt - i
= Xt Xt -
i Rt Et -
s

} ZEI
C. P O.
:
=

-
Ely

[ 2 (
_

Yi
por
-
B Xi ) Xi = O

IDENTIFICACIÓN
i. § =

Eli :

Exí Zxiz 20

/
- ' '

Y XP B ( ZG ?
'

CA GENERAL ) E q
'
= t Ee = x x x Y → min =

"

i. IDENTIFICACION X
'
EXISTE LX
'
Xl I X '
XI # O
X ES INVERTIBLE n

'
XX IX. xl M Ixia ( Exit # O
({
= = - _

TE a) ?
× . n [ ( Xi -
I ) Es INVERTIBLE

* Una matriz es invertible si NO tiene columnas linealmente dependientes QUE NO EXISTA

( OLINEALIDAD