Escolar Documentos
Profissional Documentos
Cultura Documentos
Soldado Ovelar 308 esq. Ex Combatientes del Chaco - Tel. 502.394 521.200
ECONOMETRIA AVANZADA
PARA PROFESIONALES
Introduccin
En stas clases pondremos nmeros a las
cosas.
Trataremos de poner nmeros a los
coeficientes de modelos de regresin
lineal.
Qu es un modelo de regresin lineal?
Ejemplo: Educacin y salarios
Gana ms la gente que tiene ms
educacin?
Considere la siguiente ecuacin.
salario = 0 + 1 educacin + otros
factores
2
-1
-2
-3
50
100
150
200
250
300
350
400
55
60
65
70
75
80
85
90
95
00
10
SERIE NO ESTACIONARIA
50
40
30
20
10
0
55
60
65
70
75
80
85
90
95
00
LA INFLACION SI ES ESTACIONARIA
1.6
1.2
0.8
0.4
0.0
50
55
60
65
70
75
80
85
90
95
00
INFLACION
de
LA DISTRIBUCIN NORMAL
Rol Central en el anlisis estadstico.
Las observaciones se hallan concentradas
alrededor de la media y algunas
observaciones pueden hallarse alejadas.
Tiene la forma de campana.
La funcin de densidad es la siguiente:
fx(x)=
1
(2 )
-(x - )2 / 2 2
e
x ~ N(, 2)
Propiedades:
a) Especificada por y 2
b) Simtrica y centrada en la media, .
c) A medida que 2 aumenta los valores
se hallan ms dispersos
d) f(x) nunca es igual a cero.
15
16
X n
X n
=
n
tiende
distribucin normal estndar
n
17
la
n!
n Cx =
x! ( n x )!
Cada una de estas posibles muestras tiene
su propia media (existen 15 medias)
Ej: Muestra 2, 4, 6, 6
Media Muestral = 4,50
22
3
15
1
P( X = 6.00) =
15
2
P( X = 6.25) =
15
1
P( X = 6.75) =
15
P( X = 4.50) =
P( X = 5.75) =
1 n
Xi
Media Muestral X = n
i =1
Que hacemos?????
Para ello necesitamos de la varianza de
la media muestral.
Si la poblacin es grande comparada con
la muestra y la seleccin de los miembros
de la muestra se realiza aleatoriamente,
entonces las distribuciones de cada una de
las muestras aleatorias son independientes
unas de otras.
En este caso, recordemos que:
i =1
2X
Var X i = n 2X
i =1
25
26
Estimacin Estadstica
Empezaremos a hacer inferencias sobre la
poblacin, dada la informacin contenida
en la muestra aleatoria.
Analizaremos por ejemplo, la media, la
varianza, o la proporcin de los miembros
de la poblacin que poseen una
caracterstica dada. Por ejemplo:
a) El ingreso medio de todas las familias
del barrio Tacumb
b) La varianza en el nivel de pureza del
agua de ESSAP
c) La proporcin de empleados de una
gran empresa que se encuentran a favor
de una modificacin en el esquema de
seguros mdicos.
Cualquier inferencia realizada se basar
en un estadstico muestral.
27
Un estimador de un parmetro
poblacional es una variable aleatoria que
depende de la informacin muestral y
cuyas
realizaciones
proveen
informaciones respecto a ese parmetro
desconocido.
Una realizacin especfica de esa variable
aleatoria se llama estimado.
Cuando hablamos de un estimador para el
parmetro de la poblacin existen dos
posibilidades:
a) Considerar un nmero nico, como
representativo.
b) Tratar de encontrar un intervalo o un
rango, el cual confiamos contiene al
verdadero parmetro poblacional.
28
Estimacin Puntual
Un estimador puntual de un parmetro
poblacional es una funcin de la
informacin muestral que provee un
nmero nico.
La realizacin correspondiente se llama
estimado puntual o estimacin puntual
del parmetro.
Intervalos de Confianza
Cuando tomamos muestras de una
poblacin esperaramos, ceteris paribus,
obtener mayor informacin con una
muestra con ms integrantes que con una
relativamente ms pequea.
Por ejemplo, la estimacin puntual de la
proporcin de partes defectuosas en un
envo ser la misma si encontramos 10
defectuosos en una muestra de 100, que si
29
X
= P(-1.645 <
=P(-1.645 /
/ n < 1.645)
Ejemplo:
Una
muestra
de
16
observaciones de una poblacin normal
con una desviacin estndar de 6 tiene
una media de 25. Hallar el intervalo para
la media poblacional con el 90% de
confianza.
=P( X -1,645 /
= P( 22,5325 <
<
27,4675 )
z
z
x
< < x+
n
n
/2
/2
34
z
z
P x
< < x+
=
n
n
/2
/2
=P(19,81,96*1,2/5< <19,8+1,96*1,2/5)
= P( 19,3296 <
< 20,2704 )
35
w=
2z / 2
n
z / 2sX
z / 2sX
x
< < x+
n
n
Dado el Teorema del lmite central, esta
relacin es verdadera an para
poblaciones no normales.
Intervalos de Confianza para las
Proporciones Poblacionales
px (1 px )
px (1 px )
px z/ 2
< p < px + z / 2
n
n
Donde p x es la proporcin muestral. Este
intervalo se halla centrado en la
proporcin muestral y se extiende a
ambos lados de la misma,
37
L = z / 2
p x (1 p x )
n
x ) no puede ser
antemano. Pero px (1 p
nunca mayor que 0.25. Luego el mayor
posible valor de L es L*,
L* = z / 2
0.25 0.5 z / 2
=
n
n
==> n =
0.25z 2 / 2
L *2
40
Parte II Econometra
Introduccin
En el primer nmero de la revista
Economtrica,
de
la
Sociedad
Economtrica en 1933 se dice lo
siguiente: La econometra pretende
unificar el anlisis terico-cuantitativo y
el emprico-cuantitativo de los problemas
econmicos.
Existen muchos aspectos del enfoque
cuantitativo que no deben ser confundidos
con econometra.
Por ejemplo econometra es diferente de
la Economa Estadstica, ni es idntica
con la Teora Econmica General.
41
Modelos Economtricos:
Modelos en general son representaciones
simplificadas de la realidad.
Por ejemplo, un modelo de
demanda,
produccin,
demanda
agregada postulan relaciones precisas
e inambiguas.
Las
variables
dependientes
e
independientes estn identificadas, la
forma funcional se halla identificada y en
la mayora de los casos, al menos una
afirmacin es hecha acerca de los efectos
de los cambios de las variables
independientes.
Sin embargo, no hay que olvidar que los
modelos son simplificaciones de la
43
Modelo Economtrico
Yi = + *X + ui
Y= consumo, variable dependiente.
X= Ingreso, variable independiente
u= error aleatorio
^
48
49
50
Coeficiente de Correlacin, r:
Es una medida de la asociacin entre 2
variables.
r = r2
Caractersticas:
1) Puede tener signo positivo o negativo,
mide la covariacin muestral entre 2
variables.
2) Sus lmites son -1 r 1
3) Es simtrico
4) Es independiente del origen y de la
escala
5) Si X e Y son independientes, r = 0.
Sin embargo, r = 0 no implica
independencia.
6) Es una medida de la asociacin lineal
o dependencia lineal.
7) No representa una relacin de causaefecto.
52
Inferencia Estadstica
Normalidad del trmino de Error (ui)
Para la aplicacin del MCO no se
requieren supuestos acerca de la
distribucin de probabilidad del error.
Solamente es necesario que los mismos
tengan media cero, varianza constante y
que no estn correlacionados.
Si nuestro objetivo es la estimacin
puntual nicamente el mtodo de MCO
ser suficiente.
Pero, para realizar pruebas de hiptesis o
la estimacin de intervalos de confianza,
es necesario conocer la distribucin de
probabilidad de los errores.
Los estimadores MCO son funciones
lineales de los ui y sus distribuciones de
53
probabilidad
dependen
distribuciones de los uis.
de
las
Pr ( 2 ,
+ ) = (1 - )
( 2 , + ), contendr el verdadero 2 ,
(1 - )% de las veces. Dicho intervalo es
llamado intervalo de confianza.
(1- )=coeficiente de confianza.
=Nivel de significancia.
^
y 2 se hallan normalmente
distribuidos. Por lo tanto:
1
^
2 2
Z= 2 ^ 2 =
ee 2
2
i
NE.
2
2
2 2
t =
=
^
^
eee 2
y se utiliza
x i2
Pr t
eee
2
t
^
59
Pruebas de Hiptesis
La pregunta a responder es: Son
compatibles los resultados obtenidos con
una hiptesis dada?. Dicha hiptesis
puede ser alguna informacin a priori
acerca del valor de los coeficientes.
Hiptesis Nula: H0 (la que debe ser
probada)
Hiptesis Alternativa: H1
Hiptesis simple
Hiptesis compuesta
Hiptesis de un lado o de una cola
Hiptesis de dos lados o de dos colas
Las pruebas de hiptesis se refieren a una
serie de reglas o procedimientos
60
2 > c t > t , g. de l.
2 < c t < t , g. de l.
t-calculado = se
2
^
Tipos de Errores:
Error Tipo I = Rechazar una Hiptesis
Nula Verdadera
Error Tipo II = Aceptar una Hiptesis
Nula Falsa
62
Hiptesis Nula
Verdadera
Hiptesis Nula
Falsa
Error Tipo II
P(Aceptar/ H0 F)
P=
Decisin Correcta
P(Rech / H0 F)
P = (1- )
[(1-)=Potencia
del test]
65
x 0
= 1. 52
/ n
67
68
Y = 0.18129558 9 + 0.286925731 X i
Suponga que X0=0,15
Cul ser el valor de Y?????
a) Prediccin puntual
Tasa Activa
0,24334449
Real
Predicha
69
b) Prediccin de intervalo.
^
^
^
^
Pr 2 eee 2 t 2 2 + eee 2 t
2
2
Pr[0.203029713 2 0.37082175]
70
Supuestos y Notacin
Yt = 1 + 2 X 2t + 3 X 3t + ........... + n X nt + ut
5. El
modelo
est
especificado
correctamente
6. No hay colinealidad exacta entre las
variables X. (no colinealidad o no
multicolinealidad)
El ltimo supuesto implica que ninguna
de las variables explicativas puede
escribirse como una combinacin lineal
de las dems variables.
Se dice que no existe un conjunto de
nmeros 2, 3, tales que al menos uno
sea diferente de cero y se cumpla con
2 X 2 + 3 X 3 + ........ + n X n = 0
73
= = ... = = 0
se dice que
las Xs son linealmente independientes.
2
.+ k Xkt +ut
FRP Yt = 1 + 2 X2t + 3X3t +..........
Esta es una expresin abreviada de:
Y1 = 1 + 2 X21 + 3 X31 +........... + k Xk1 + u1
Y2 = 1 + 2 X 22 + 3 X 32 + ........... + k X k 2 + u2
.
.
.
Y1 1
Y 1
2
. = .
. .
Yn 1
X 21
X 22
X 31
X 32
.
.
X 2n
X 3n
y=
nx1
nxk
kx1
X k 1 1 u1
X k 2 2 u 2
. . + .
. . .
X kn n u n
+ u
nx1
75
SUPUESTOS
DEL
MODELO
CLASICO DE REGRESION LINEAL
1) El
valor
esperado
de
las
perturbaciones es igual a cero. E(u) = 0
u1 E (u1 ) 0
u E (u ) 0
2
2
E
=
=
. . .
u n E (u n ) 0
2) E ( uu ) = 2 I
76
u1
u
2
E (uu ' ) = E .[u1 u 2 . u n ]
.
u n
u12 u1u2
2
u
u
u
2
2 1
E(uu' ) = E .
.
.
.
u u u u
n 1 n 2
( )
. . u1un E u12
E(u1u2 )
. . u2un E(u2u1 ) E u22
. .
. = .
.
. .
. .
.
. . un2 E (unu1 ) E(un u2 )
2 0 0
2
0
E(uu' ) = .
. 2
.
.
.
0 0 0
. 0
1
0
. 0
2
. . = . .
. .
.
0
. 2
( )
0
1
.
.
0
. . E (u1un )
. . E(u2un )
. .
.
. .
.
. . E un2
( )
0
.
1
.
0
.
.
.
.
.
0
0
. = 2I
.
1
Y = + X + X +........+ X +u
t
2t
3t
kt
) )
y = X + u
)u = y X)
Recordemos que
y que
pretendemos minimizar la suma de
)
)
errores al cuadrado, sea u ' u
78
)
)
)
)
u ' u = (y X )' (y X ) =
)
)
)
y ' y 2 ' X' y + X' X
se hace uso de las propiedades de la
)
)
transpuesta de una matriz (X ) = X ' ' y
)
como ' X' y es un escalar, es igual a su
)
transpuesta y' X .
)
(X' X) = X ' y
)
I = (X'
X)
)
= (X'
X)
X 'y
X 'y
Interpretacin de la Ecuacin de
Regresin Mltiple
2t
3t
nt
Es la media condicional de Y,
condicionado a los valores fijos de las
variables X2, X3,,Xn.
Las Betas son los coeficientes de
regresin parcial y representan el cambio
en el valor de la media condicional de Y,
por unidad de cambio en Xi,
permaneciendo constantes las otras Xs.
80
El Coeficiente de Determinacin
Mltiple, R2 y el Coeficiente de
Correlacin Mltiple
El R2 mide la proporcin de Y explicada
conjuntamente
por
las
variables
independientes incluidas en el modelo.
R2= SEC / STC
0 < R2 < 1
R el coeficiente de correlacin mltiple,
es la medida de la asociacin de Y con
todas
las
variables
explicativas
conjuntamente.
R2 y el R2 Ajustado
Una propiedad importante del R2 es que el
mismo es una funcin no decreciente del
81
= 1
u
y
2
t
2
t
u / (n k )
R =1
y /( n 1)
2
k = es el nmero de parmetros en el
modelo incluyendo el intercepto.
Comparacin de dos valores de R2
Es importante que el tamao de la
muestra y la variable dependiente sean las
mismas.
82
83
Prob.
0.0000
0.0000
0.0000
0.3433
0.7463
0.6388
0.208448
0.031547
-4.782071
-4.599436
19.02887
0.000000
84
86
88
a) Sntomas:
1) R2 alto pero pocas razones t
significativas.
2) Altas Correlaciones entre parejas
de Regresores
3) Regresiones Auxiliares, con R2
superior al de la Regresin Original.
b) Como solucionarla
1) Informacin a Priori
2) Combinacin de informacin de
corte transversal y series de tiempo
3) Eliminacin de una o ms
variables y sesgo de especificacin
4) Transformacin de variables
5) Datos nuevos o adicionales
OJO: MULTICOLINEALIDAD NO
ES NECESARIAMENTE MALA, SI
EL OBJETIVO ES SOLAMENTE
PREDICCION.
89
2) Utilizar
Mnimos
Cuadrados
Generalizados.
3) Utilizar la Matriz de varianzacovarianza de White, la cual
proporciona estimaciones de las
varianzas consistentes.
III) Autocorrelacin. Si se usa MICO los
estimadores
son
insesgados
y
consistentes, pero no son eficientes.
Las pruebas t y F no son confiables.
a) Sntomas y Deteccin
1) Mtodo
Grfico:
Graficar
residuales estimados contra el tiempo
2) Prueba de Durbin-Watson
b) Como solucionarla
1) Incorporar la estructura de la
autocorrelacin y utilizar los Mnimos
Cuadrados Generalizados.
2) Procedimiento de Cochrane-Orcutt
91
92