Você está na página 1de 34

INTRODUCCIÓN A LA ECONOMETRÍA

GRADO
2ª PARTE | PLAN DE TRABAJO Y ORIENTACIONES PARA SU DESARROLLO

|Pedro A Pérez Pascual, Julián Rodríguez Ruiz,


Mariano Matilla García, Basilio Sanz Carnero
GRADO EN ECONOMÍA

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA


INTRODUCCIÓN A LA ECONOMETRÍA

1.- PLAN DE TRABAJO

En las siguientes líneas se ofrece un Plan de Trabajo para preparar la asignatura. Como es obvio, el alumno
en uso de su autonomía, puede organizar el estudio de esta materia de muchas otras formas, de manera
que el plan que aquí se presenta es optativo, es decir es solo una posibilidad que puede seguirse o no

Es importante tener en cuenta que una buena parte del éxito en la preparación de la asignatura
radica en una adecuada gestión del tiempo, más difícil en la enseñanza a distancia que en la enseñanza
presencial. También que esta asignatura requiere como requisito previo imprescindible, tener unos
conocimientos mínimos de Teoría Económica, Cálculo Matricial y Estadística.

CRONOGRAMA

Incluimos a continuación un cuadro en el que se detalla cómo puede distribuirse el tiempo de estudio entre
los distintos temas que componen el programa.

TEMA CONTENIDOS PERIODIFICACIÓN

1. Econometría: modelos y Presentación general de la asignatura y de algunos 1 semana


datos conceptos fundamentales. Papel de la econometría en
la Economía

Conceptos básicos, terminología y notación

2. Análisis de regresión lineal. Presentación del modelo de regresión y el método 2 semanas


Estimación MCO. Medias de la bondad del ajuste. Formas
funcionales. Interpretación de resultados

Ejercicios

3. Aspectos avanzados del El concepto de esperanza condicionada y su 2 semanas


análisis de regresión papel en la econometría. Proyecciones lineales y
aspectos algebraicos de MCO. Otros métodos de
estimación: método de los momentos

4. Análisis de regresión lineal. Propiedades estadísticas de los estimadores 2 semanas


Inferencia MCO. Contrastes de hipótesis simples y
compuestas a partir de la estimación del modelo.
Predicción con el modelo de regresión lineal.

Ejercicios

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 2


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

TEMA CONTENIDOS PERIODIFICACIÓN

6. Regresión con heteros- Consecuencias del incumplimiento de alguno o 1 semana


cedasticidad y/o autoco- ambos supuestos (homocedasticidad y no
rrelación autocorrelación). Contrastes de
homoscedasticidad y no autocorrelación.
Estimación e inferencia bajo con incumplimiento
de los supuestos: MCG y estimadores robustos.

Ejercicios

7. Variable explicativas Estimación de modelos en los que alguna (todas) 1 semana


dicótomas son variables cualitativas dicotómicas.
Interpretación de los resultados. Efectos de
interacción de las variables dicótomas.
Estacionalidad.

Ejercicios

8. Análisis de especificación y Omisión de variables. Inclusión de variables 1 semana


problemas con los dato irrelevantes. Forma funcional inadecuada. Errores
de medida en las variables. Otras fuentes de
invalidez del modelo.

Ejercicios

Manejo del programa Gretl Uso de las principales utilidades del programa 1 semana

Las semanas adicionales pueden aprovecharse para llevar a cabo un repaso general de la
asignatura.

2.- ORIENTACIONES PARA EL ESTUDIO DE LOS CONTENIDOS

2.1 Introducción

En este apartado incluimos algunos consejos sobre la forma de preparar la asignatura. Dado que la
procedencia de los estudiantes es muy diversa, en esta guía consideramos que el nivel mayoritario es el de
los alumnos que han cursado un bachiller de ciencias sociales o similares y dos cursos previos de Grado,
donde se suponen suficientemente adquiridos los conocimientos de Teoría Económica, Estadística y Cálculo
matricial necesarios para afrontar con éxito la asignatura.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 3


INTRODUCCIÓN A LA ECONOMETRÍA
2.2 Materiales

Como bibliografía básica se propone el texto,

Econometría y Predicción
Matilla, M., Pérez, P. y Sanz, B.,
McGrawHill, Madrid, 2013

En él se encontrará el desarrollo teórico de todos los temas que componen el programa de la


asignatura así como una gran variedad de aplicaciones -casi todas ellas construidas con datos de la
economía española- que tiene como objetivo conseguir que el alumno puede familiarizarse con el aspecto
aplicado de esta materia. El libro se acompaña de una separata que recoge muchos conceptos necesarios
referidos a Álgebra Matricial (Apéndice A), Estadística Descriptiva (Apéndice B), Probabilidad (Apéndice C),
Estimación Puntual (Apéndice D), Contrastes de Hipótesis (Apéndices E y F), y Tablas Estadísticas
(Apéndice G). En principio el material de todos estos apéndices es complementario y tiene como objetivo que
el alumno pueda consultarlo si lo necesita.

En el libro se proponen asimismo ejercicios de distinta naturaleza para afianzar los conocimientos
adquiridos. Saber resolver estos ejercicios, es prueba de que se ha alcanzado un nivel al menos suficiente
para superar la asignatura. En el curso virtual o por el medio alternativo que se considere más oportuno, se
ofrecerán las soluciones de ejercicios tipo previamente seleccionados.

Una parte fundamental de la econometría son los datos, imprescindibles en cualquier análisis
aplicado. Este es un aspecto en donde se ha avanzado mucho en las últimas décadas y afortunadamente
hoy es posible acceder vía internet a amplias y completas bases de datos económicos y financieros. En
España destacan en este sentido, las páginas del Instituto Nacional de Estadística (www.ine.es) y la del
Banco de España (www.bde.es), donde es posible encontrar múltiples series de datos referidos a la
economía española. Para datos europeos, puede emplearse la web de Eurostat,
(epp.eurostat.ec.europa.eu).

Por último cabe señalar que la práctica de la econometría exige hoy en día el empleo de algún
programa informático específico. Aunque la variedad en este sentido es notable (SPSS, Stata, Eviews,
PCGive, etc), aquí se sugiere el empleo de un programa libre que cubre con creces las necesidades de un
curso de esta naturaleza. Nos referimos a Gretl que puede ser libremente descargado desde la dirección
http://gretl.sourceforge.net/win32/index_es.html. En esta misma Guía dedicamos una sección a explicar las
utilidades más básicas de dicho programa.

El manejo del mismo no será en ningún caso objeto de examen pero, por muchas razones, conviene
que el alumno no olvide este aspecto de su formación.

Como bibliografía complementaria se sugieren,

Introducción a la Econometría: un enfoque moderno


Wooldridge, J. M.
Ed. Thomson Paraninfo. Cuarta Edición

Econometría
Gujarati D.N. y Porter D.C.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 4


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Ed. McGraw Hill. Quinta Edición

Ambos de un nivel similar al texto base

Análisis Econométrico
Greene, W. H.
Ed. Prentice Hall. Tercera Edición

Más teórico y con un mayor grado de dificultad, responde no tanto a un texto de introducción, como a
un manual de consulta para quienes ya tienen conocimientos previos de econometría. Los temas 6,
7, 8, 9, 11, 12 y 13, contienen en lo esencial (y más), el programa de Introducción a la Econometría.

2.3 Estrategias del aprendizaje

Todos los capítulos correspondientes al programa de esta asignatura están englobados en la Parte I del manual donde
se desarrollan los fundamentos del modelo de regresión, que puede considerarse el instrumento esencial sobre el que
se basa la econometría. En los siete capítulos que componen el temario, se estudia en detalle este modelo. En
consecuencia su comprensión general y adecuado manejo puede considerarse el objetivo básico de este cuatrimestre
cuyo logro es imprescindible, no solo para superar esta asignatura, sino para poder abordar después con garantías de
éxito, la Econometría del segundo cuatrimestre.

En general, para el estudio de toda la asignatura se sugiere ir siguiendo el orden en el que se presenta cada capítulo,
teniendo en cuenta que la disciplina es de naturaleza acumulativa y que será difícil progresar en el estudio de los
sucesivos temas, sin haber comprendido y asimilado los contenidos precedentes. La excepción es el tema 3 que no es
imprescindible para poder seguir con aprovechamiento el resto de los capítulos y puede, si así lo desea el alumno,
estudiarse en un momento posterior.

2.3.1 Capítulo 1. Econometría: modelos y datos

El primer capítulo es introductorio. Sirve para presentar la materia acotando el campo que puede considerarse propio.
Se discute el concepto de modelo econométrico, el ente esencial sobre el que desarrollaremos nuestro análisis.
También se analiza la espinosa cuestión de la causalidad o la posibilidad de llevar a cabo pronósticos fundados a partir
de un modelo econométrico. Finalmente se analizan los distintos tipos de datos que es posible emplear en
econometría, aunque algunos de ellos no se utilizarán en este cuatrimestre.

Conocimientos previos

No exige conocimientos previos específicos

Contextualización

Aunque la teoría económica postula diversas relaciones entre variables, éstas son básicamente de naturaleza
cualitativa. Así la teoría de la demanda señala que ésta depende inversamente del precio y directamente de la renta,

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 5


INTRODUCCIÓN A LA ECONOMETRÍA
pero más allá del signo de la relación, no proporciona valores cuantitativos que nos indiquen la intensidad de esas
relaciones.

La necesidad de cuantificar las relaciones económicas fue haciéndose patente cada vez con mayor intensidad hasta
que en la tercera década del siglo pasado, se concretó en el nacimiento de una nueva disciplina, la Econometría que,
mediante la fusión de Teoría Económica, Matemática y Estadística, tuvo por objetivo inicial la cuantificación de las
relaciones económicas.

Resultados del aprendizaje

Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,

 Conocer el campo de estudio propio de la disciplina


 Reconocer la naturaleza no experimental de los datos económicos y l anecesidad de emplear modelos
estocásticos en econometría
 Reconocer el papel y la importancia del término de perturbación estocástica
 Distinguir entre regresión y correlación y entre regresión y causalidad
 Conocer los distintos tipos de datos que se utilizan en el análisis empírico

2.3.2 Capítulo 2. Análisis de regresión lineal. Estimación

En este tema se introduce el modelo de regresión, es decir aquel en el que se trata de dar cuenta de la variación de
una variable, denominada endógena –explicada o dependiente- en función de la variación de otras, llamadas variables
exógenas –explicativas o independientes. El foco de atención de este capítulo está puesto en la estimación y el
análisis de algunos de los estadísticos más relevantes. Las demostraciones se encuentran en el Apéndice Técnico al
final del capítulo. Este apéndice forma parte del programa a todos los efectos.

Aunque el modelo debe resultar familiar a todos aquellos que hayan cursado Estadística, en Econometría
presenta algunas peculiaridades que conviene tener bien presentes.

Conocimientos previos

Teoría económica
Estadística descriptiva
Manejo de sumatorios
Cálculo diferencial
Álgebra matricial

Contextualización

La herramienta básica de la Econometría es el análisis de regresión. El modelo de regresión simple se emplea para
analizar la relación entre dos variables, y es el modelo más sencillo que cabe imaginar. A pesar de su sencillez, en
numerosas ocasiones es un modelo apropiado desde el punto de vista empírico y, siguiendo la lógica organizar el

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 6


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

estudio de lo más simple a lo más complejo, es necesariamente el punto de partida de cualquier curso de Introducción
a la Econometría.

La regresión múltiple no es más que una generalización en la que consideramos más de una variable explicativa. Al
añadir más variables explicativas podremos explicar un mayor porcentaje de variación de la variable endógena,
creando así mejores modelos.

Resultados del aprendizaje

Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,

 Especificar un modelo acorde con los objetivos de un trabajo de investigación


 Distinguir entre función de regresión poblacional y muestral
 Conocer las formas funcionales más habituales en el análisis aplicado e interpretar adecuadamente sus
coeficientes
 Estimar una ecuación de regresión, presentar e interpretar adecuadamente los resultados
 Detectar y manejar apropiadamente posibles problemas de colinealidad entre las variables explicativas en el
modelo de regresión múltiple

2.3.3 Capítulo 3.Aspectos avanzados del análisis de regresión

Este capítulo, de naturaleza más técnica y nivel más avanzado, está dedicado a analizar dos tipos de cuestiones
diferentes. En la primera sección se estudia con cierto detalle el concepto de esperanza condicionada (varianza
condicionada) y su relación con la espinosa cuestión de la causalidad en economía. El resto del tema se dedica al
análisis de diversos aspectos algebraicos del modelo de regresión que resultan de sumo interés en la manipulación de
dicho modelo. También se ofrece una breve presentación del método de los momentos.

Conocimientos previos

Estadística descriptiva, probabilidad e inferencia estadística


Manejo de sumatorios
Cálculo diferencial
Álgebra matricial
Análisis de regresión simple y múltiple

Contextualización

La esperanza condicional juega un papel muy importante en la moderna econometría dado que, aunque no se señale
explícitamente, el objetivo del trabajo aplicado consiste fundamentalmente en estimar y/o contrastar hipótesis sobre la

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 7


INTRODUCCIÓN A LA ECONOMETRÍA
esperanza de la que hemos llamado variable explicada o endógena, y, condicionada a un conjunto de variables
explicativas o exógenas, que solemos denotar por x.

La mayoría de las veces nuestro interés se centra en la esperanza condicional que permita inferir causalidad de una (o
más) variable(s) explicativa(s), es decir buscamos el efecto de una variable z sobre el valor esperado de y,
manteniendo fijos los valores del resto de las variables incluidas en x que consideraremos variables de control. En el
supuesto de que podamos obtener una muestra aleatoria de datos de las variables en cuestión, E(yz, x), manteniendo
x fijo, puede ser fácilmente estimado.

Bajo las condiciones del supuesto 1, podemos construir para cualquier par de variables aleatorias una ecuación lineal
como la presentada en el texto que tiene las propiedades recogidas en el teorema 8.

En este capítulo se presenta asimismo un método de estimación alternativo a MCO. El método de los momentos (MM)
consiste en utilizar los análogos muestrales de los momentos poblacionales para obtener los estimadores de los
parámetros. En general con los supuestos bajo los que está construido el modelo, los estimadores MM y MCO son
idénticos.

Finalmente entre los resultados más importantes de la última sección está la obtención de dos matrices de proyección
P y M que son de bastante utilidad en la manipulación del modelo de regresión.

Resultados del aprendizaje

Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,

 Reconocer la importancia de la esperanza condicionada en la econometría


 Conocer algunas de las principales propiedades de la esperanza condicionada y manejar adecuadamente
este concepto
 Identificar el Método de los Momentos como una alternativa a MCO
 Dominar las principales matrices de proyección y manejarlas convenientemente en la práctica

2.3.4 Capítulo 4. Análisis de regresión lineal. Inferencia

Una vez estimado, dos de las principales utilidades del modelo de regresión son el contraste de hipótesis (simples y
compuestas) y la elaboración de pronósticos. A estas dos cuestiones se dedica este capítulo que puede considerarse
el complemento natural del tema 2, donde la atención se puso en la estimación. También aquí hemos considerado más
apropiado recoger las principales demostraciones en un apéndice al final del capítulo.

Conocimientos previos

Estadística descriptiva, probabilidad e inferencia estadística


Manejo de sumatorios
Cálculo diferencial
Álgebra matricial
Análisis de regresión simple y múltiple

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 8


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Contextualización

La estimación de la FRP es importante en primer lugar, porque nos proporciona estimaciones de los parámetros de
interés (propensiones marginales, elasticidades, semielasticidades, etc.). Pero otra importante utilidad del modelo,
consiste en contrastar hipótesis en relación con los valores de los parámetros poblacionales. La inferencia estadística
con el modelo de regresión permite saber si una variable o un conjunto de variables son o no estadísticamente
significativas, o si es posible rechazar o no, que un determinado parámetro poblacional tome un valor concreto. La
gama de hipótesis a contrastar es muy amplia y este capítulo proporciona los conocimientos necesarios para poder
hacerlo.

Análogamente el modelo estimado puede emplearse para realizar predicciones que pueden asimismo ser muy
variadas (dentro o fuera de la muestra, condicionales o incondicionales, etc.). En la práctica todos estos pronósticos
han de venir acompañados de alguna medida del error, cuyo cálculo también se analiza en este tema.

Resultados del aprendizaje

Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,

 Conocer los supuestos básicos sobre los que se construye el modelo de regresión
 Comprender las propiedades estadísticas de los estimadores MCO
 Conocer los fundamentos teóricos de los principales contrastes de hipótesis
 Manejar con soltura la práctica de la contrastación de hipótesis y construcción de intervalos de confianza
 Manejar con competencia el programa Gretl para llevar a cabo todas las operaciones anteriores

2.3.5 Capítulo 5 Regresión con heterocedasticidad y autocorrelación

El modelo clásico de regresión está construido (entre otros) bajo los supuestos de homoscedasticidad y no
autocorrelación de los errores. Sin embargo es muy frecuente que en la práctica se incumplan dichos supuestos. En
este capítulo se estudian las consecuencias del incumplimiento de estos supuestos y la forma de solventarlos.

Conocimientos previos

Estadística descriptiva, probabilidad e inferencia estadística


Manejo de sumatorios
Cálculo diferencial
Álgebra matricial

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 9


INTRODUCCIÓN A LA ECONOMETRÍA
Análisis de regresión simple y múltiple

Contextualización

El Teorema de Gauss Markov demuestra que bajo los supuestos utilizados para construir el modelo de regresión, los
estimadores MCO son ELIO. Sin embargo hay muchas razones para esperar que se violen los supuestos de varianza
constante (homoscedasticidad) y no autocorrelación. En estas condiciones los estimadores MCO habituales dejan de
ser eficientes y la inferencia, tal como se ha desarrollado en el capítulo anterior, deja de ser válida.

A lo largo de este tema se estudian en primer lugar los procedimientos (contrastes) adecuados para verificar si los
supuestos mencionados se cumplen y, en el caso de que resulten violados, la forma adecuada de proceder para
resolver los problemas planteados.

Resultados del aprendizaje

Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,

 Saber las principales razones por las que las hipótesis de homoscedasticidad y no autocorrelación pueden
incumplirse.
 Conocer las consecuencias del incumplimiento de dichos supuestos
 Manejar con soltura los principales procedimientos utilizados para comprobar el cumplimiento de los
supuestos de varianza constante y no autocorrelación
 Reconocer el empleo de estimadores robustos o el estimador MCG como procedimientos adecuados para
resolver los problemas planteados por el incumplimiento de estas dos hipótesis y saber utilizarlos en la
práctica
 Manejar el programa Gretl (u otro) en supuestos de esta naturaleza.

2.3.6 Capítulo 6 Variables explicativas dicotómicas

Este capítulo puede considerarse una simple extensión de los anteriores para tener en cuenta el efecto de un tipo
especial de variables de naturaleza cualitativa. Todos los resultados teóricos analizados hasta ahora, siguen pues
siendo válidos.

Conocimientos previos

Teoría económica
Estadística descriptiva, probabilidad e inferencia estadística
Manejo de sumatorios
Cálculo diferencial
Álgebra matricial

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 10


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Análisis de regresión simple y múltiple

Contextualización

La estimación del modelo de regresión exige disponer de datos numéricos de todas las variables incluidas en el
modelo. Sin embargo hay muchas variables que pueden influir sobre la endógena pero no ser propiamente
cuantitativas. Piénsese por ejemplo en el sexo, el color de la piel, el ser o no inmigrante, etc. La naturaleza cualitativa
de este tipo de variables impediría en principio su incorporación dentro del modelo, lo que podría conducir a un modelo
mal especificado.

En este capítulo se estudia la forma de introducir dichas variables en la ecuación a estimar así como la correcta
interpretación de los resultados obtenidos.

Resultados del aprendizaje

Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,

 Distinguir entre variables cuantitativas de cualitativas y, dentro de estas últimas, variables dicotómicas de
policotómicas
 Reconocer la importancia de las variables cualitativas en el análisis de regresión
 Especificar y estimar modelos que incluyan variables cualitativas e interpretar correctamente sus resultados.
 Llevar a cabo ejercicios de inferencia y predicción con modelos que incluyan este tipo de variables.

2.3.7 Capítulo 7 Análisis de especificación y problemas con los datos

El análisis de regresión parte del supuesto de que el modelo está correctamente especificado pero, al igual que
sucedía con las hipótesis de varianza constante y no autocorrelación, puede que este supuesto no se cumpla.
Estudiaremos en este capítulo cuáles son los principales errores de especificación, cómo detectarlos y cuáles son sus
consecuencias

Conocimientos previos

Teoría económica
Estadística descriptiva, probabilidad e inferencia estadística
Manejo de sumatorios
Cálculo diferencial
Álgebra matricial
Análisis de regresión simple y múltiple

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 11


INTRODUCCIÓN A LA ECONOMETRÍA
Contextualización

Este capítulo se ocupa de los problemas planteados por una especificación inadecuada. En principio este problema es
potencialmente más grave que el derivado del incumplimiento de los supuestos de homoscedasticidad y no
autocorrelación, dado que estos no causan sesgo y es relativamente sencillo recurrir a procedimientos que palían o
evitan los inconvenientes derivados de la violación de aquellos supuestos.

Nos ocupamos aquí de los casos más habituales que dan lugar a problemas de especificación: omisión de variables,
elección inadecuada de la forma funcional y errores de medida y del tratamiento de estos problemas.

Resultados del aprendizaje

Una vez concluido el estudio de estos dos temas, el estudiante debe ser capaz de,

 Identificar los tipos más frecuentes de error de especificación


 Dominar algunos de los contrastes usuales para detectar los errores de especificación
 Conocer las consecuencias de los distintos tipos de error de especificación
 Saber corregir si es posible un hipotético error de especificación

3. ORIENTACIONES PARA LA REALIZACIÓN DEL PLAN DE


ACTIVIDADES

Las actividades recomendadas se deben desarrollar siguiendo las indicaciones del cronograma incluido en
el plan de trabajo del primer apartado de la guía.

Tras el estudio de cada uno de los temas se aconseja tratar de resolver los ejercicios que figuran al
final del mismo. El objetivo de estas actividades es comprobar si se han entendido los conceptos y métodos
de resolución de ejercicios estudiados en cada unidad. Si estos ejercicios pueden resolverse sin mayores
dificultades, significa que se está en condiciones de superar (con buena nota) la Prueba Presencial.

El Equipo Docente colgará soluciones de ejercicios tipo así como ficheros con los datos de algunos
ejemplos del manual.

La evaluación continua constará, además del examen presencial, de una prueba tipo test. Su realización
será oportunamente anunciada en el curso virtual. Normalmente tendrá lugar cuando el cuatrimestre esté
prácticamente vencido con objeto de dar tiempo a que el alumno pueda haber trabajado suficientemente el
programa. La prueba consistirá en contestar a 10 preguntas tipo test en las que se penalizarán los fallos. Los
aciertos sumarán 1 punto mientras que los fallos restarán 1/3.

La calificación obtenida en las pruebas de evaluación continua supondrá un 10% de la calificación


final, siempre que se haya superado la Prueba Presencial.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 12


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Finalmente es recomendable que los alumnos se familiaricen con el manejo del programa
econométrico Gretl, que deberán descargarse desde la dirección indicada en el cronograma. El alumno debe
ser capaz de introducir datos, leerlos en otros formatos (soportados por el programa), así como llevar a cabo
las operaciones básicas estudiadas en el programa: representaciones gráficas, regresiones simples y
múltiples, contrastes de hipótesis, predicción por intervalos, etc.

Con objeto de facilitar esta tarea, se incluye en este documento una Guía Rápida del programa.

4.- BREVE INTRODUCCIÓN AL PROGRAMA GRETL

Este documento no es un Manual de Instrucciones, ni siquiera una Guía Rápida sino solo una somera
(brevísima) introducción a las principales utilidades del Programa. No obstante consideramos que puede ser
útil para empezar a manejar Gretl. Tras su lectura, el alumno debería ser capaz de llevar a cabo sin dificultad
las operaciones más elementales: introducir o importar datos, hacer representaciones gráficas de las
variables, calcular regresiones simples o múltiples y llevar a cabo los contrastes de hipótesis más habituales.
Se describen brevemente las funciones más elementales del programa (los epígrafes 1, 2 y 3 son
traducción prácticamente literal del manual en inglés). Dentro de la pestaña Ayuda, el único documento en
español es la Guía de Instrucciones de Gretl a la que puede accederse directamente pulsando F1. La Guía
del usuario [Ayuda/Guía del Usuario], donde se describe detalladamente el funcionamiento del programa,
está en inglés.

1. La ventana principal de menús

Tras descargar e instalar el programa, éste se arranca haciendo doble clic en el icono de acceso directo. En
la parte superior de la pantalla se ve la barra principal de menús, cuyo aspecto es el siguiente,

Archivo Herramientas Datos Ver Añadir Muestra Variable Modelo Ayuda

En la pestaña Archivo hay diversas opciones. Las más importantes son,

- Abrir datos: permite abrir datos tanto en formato Gretl como en muchos otros
- Añadir datos: añade datos al archivo de trabajo
- Guardar datos: salva los datos actuales
- Guardar datos como: Salva datos con otro formato
- Exportar datos: copia datos en formato CSV, GNU R o GNU Octave
- Enviar a: permite enviar el conjunto actual de datos como fichero adjunto en un correo electrónico
- Nuevo conjunto de datos: permite crear un fichero en blanco para ir introduciendo datos desde el
teclado.
- Cerrar conjunto de datos: Cierra el archivo de datos (no suele ser necesario aunque a veces es
útil)
- Directorio de trabajo

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 13


INTRODUCCIÓN A LA ECONOMETRÍA
- Archivos de Guión: Un guión es un fichero que contiene una secuencia de comandos de Gretl. Esta
opción contiene entradas que permiten abrir un guión previamente creado
- Archivos de sesión: Contiene una instantánea de las sesiones previas de Gretl. Permite abrir
sesiones guardadas o guardar la sesión actual.
- Bases de datos: permite acceder a grandes bases de datos …
- Archivos de función: Controla “paquetes de funciones” que permiten acceder a funciones
previamente escritas por otros usuarios.
- Salir: Para salir del programa

En Herramientas tenemos,

- Tablas estadísticas: para buscar los valores críticos en las distribuciones más usadas en
econometría (Normal, t- Student, F de Snedecor, Chi cuadrada o Durbin-Watson)
- Buscador de valores p: busca los valores p para las principales distribuciones de probabilidad
- Gráfico de distribuciones: dibuja las distribuciones de probabilidad más conocidas. Desplazando el
ratón por la curva, se puede ver la abcisa y su probabilidad
- Calculadora de estadísticos de contraste: calcula test estadísticos y valores p de algunas de las
hipótesis más habituales (diferencia de medias, etc)
- Test no paramétricos
- Semilla para números aleatorios: Establece la semilla para un generador de números aleatorios
(por defecto se establece con base en la hora a la que el programa se ha iniciado).
- Historial de instrucciones: Abre una ventana con un registro de los comandos ejecutados hasta el
momento.
- Consola de Gretl: Abre la consola que no es más que una ventana en la que escribir y ejecutar
comandos
- Iniciar Gnu-R: Arranca R (si está instalado)
- Ordenar variables: Reorganiza la lista de variables en la ventana principal (puede ser por orden
alfabético o por el número ID).
- Conjunto de pruebas NIST: Comprueba la precisión numérica de Gretl comparándola con los
resultados de referencia para la regresión lineal puestos a disposición de los interesados por el
National Institute of Standards and Technology (USA).
- Preferencias: Establece las rutas de acceso de varios ficheros de Gretl

La pestaña Datos da acceso a,

- Seleccionar todo: para seleccionar todas las variables del fichero de trabajo
- Mostrar valores: Abre una ventana con los valores de la variable seleccionada
- Editar valores: Abre una hoja con los valores de una variable y permite editarlos
- Añadir observaciones: da acceso a una caja de diálogo donde se puede elegir el número de
valores a añadir al final del conjunto de datos. Para usar en la predicción.
- Eliminar observaciones extra: Solo estará activado si automáticamente han sido añadidas
observaciones extra en la predicción; borra esas observaciones extra.
- Leer información: muestra un resumen de la información del fichero en uso

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 14


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

- Editar información: Permite hacer cambios en esa información


- Ver descripción: abre una ventana con una descripción completa de los datos del fichero de trabajo
- Añadir etiquetas de los puntos: Apunta al nombre de un fichero de texto que contiene “etiquetas”
(cadenas cortas que identifican las observaciones individuales) y añade esta información al conjunto
de datos.
- Quitar etiquetas de los puntos: desactivada si no se ha hecho uso de la anterior
- Estructura del conjunto de datos: Permite cambiar la estructura de los datos (temporales,
atemporales, datos de panel)
- Compactar datos: Para datos de series de tiempo con frecuencia mayor que la anual, da la opción
de compactar a datos de menor frecuencia usando diversos criterios.
- Expandir datos: Para datos de series de tiempo da la opción de expandir los datos a otros de mayor
frecuencia.
- Trasponer datos: cambia filas por columnas en el conjunto de datos

Con la opción Ver se tiene acceso a,

- Vista de Iconos: Abre una ventana que muestra el contenido de la sesión actual como un conjunto
de iconos
- Gráficos: Da diversas opciones para graficar las variables
- Gráficos múltiples: Permite construir hasta seis pequeños gráficos que pueden ser de dispersión o
series temporales. Se muestran juntos en una ventana
- Estadísticos principales: Muestra un resumen completo de las características estadísticas de las
variables seleccionadas.
- Matriz de correlación: Muestra los coeficientes de correlación de las variables seleccionadas.
- Tabulación cruzada: Muestra la tabulación cruzada de las variables seleccionadas. Funciona solo si
al menos dos variables en el conjunto de datos son discretas.
- Componentes principales: Análisis de componentes principales de las variables seleccionadas.
- Distancias de Mahalanobis: Calcula las distancias de de Mahalanobis de cada observación desde
el centroide del conjunto de variables seleccionadas.
- Correlograma cruzado: Computa el correlograma de dos variables y muestra su gráfico.

El menú Añadir ofrece la posibilidad de llevar a cabo diversas transformaciones estándar (logaritmos,
retardos, cuadrados, etc.) de las variables. También da la opción de añadir variables aleatorias y, para series
temporales, de añadir variables dummy estacionales.

Desde la opción Muestra,

- Establecer rango: Seleccionar un rango diferente del vigente en el fichero de trabajo


- Recuperar el rango completo: Auto-explicativo
- Definir, a partir de v. ficticia: Dada una variable dummy omite de la muestra todas las
observaciones para las que la dummy vale 0.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 15


INTRODUCCIÓN A LA ECONOMETRÍA
- Restringir, a partir de criterio: Similar al anterior excepto que no es necesario disponer de una
dummy: se da una condición (p.e. sqft>1400) y la muestra se restringe a las observaciones que la
satisfagan.
- Submuestra aleatoria: Extrae una muestra aleatorio del conjunto de datos
- Quitar todas las obs con valores perdidos: Omite todas las observaciones para las que al menos
una variable no tiene valor.
- Contar valores perdidos: Auto-explicativo
- Establecer código de “valor perdidos”: Establece un valor numérico que se interpretará como
“perdido” o “no disponible”. Se emplea cuando se importan datos y Gretl no reconoce el código de
valor perdido usado.

Menú Variable. En este menú la mayoría de los ítems operan sobre una única variable cada vez. La variable
activa se selecciona en la ventana de datos. La mayoría de las opciones son auto-explicativas. Observar
que es posible renombrar variables y editar la etiqueta descriptiva. También es posible definir una nueva
variable mediante una fórmula (es decir, como función de algunas de las exsistentes). Para la sintaxis de las
formulas ver la Referencia de Comandos en la pestaña Ayuda. Un ejemplo:

Y = x1*x2

Creará una nueva variable, Y, obtenida como el producto de x1 por x2.

Menú Modelo. Para ver los detalles de los diversos estimadores que se ofrecen en ese menú, debe
consultarse la Referencia de Comandos y el capítulo 16 del Manual de instrucciones. En este curso de
Introducción, usaremos básicamente la primera opción Mínimos Cuadrados Ordinarios. Si se selecciona, se
accede a una ventana de especificación del modelo ya conocida (ver figs. 3 ó 5).

Finalmente a la derecha aparece la pestaña de Ayuda desde la que puede accederse al Manual de
Instrucciones, Referencia de Comandos, etc. (casi todos los documentos están en inglés. La excepción es
Guía de Instrucciones de Gretl.

2. Atajos

Algunas de las operaciones más corrientes, se agilizan accediendo directamente desde el teclado,

Entrar: Abre una ventana con los valores de la variable seleccionada


Borrar: Elimina las variables seleccionadas (pide confirmación)
e: Edita los atributos de una variable
F2: Igual que “e”
g: Define una nueva variable
h: Abre una ventana de ayuda para comandos de Gretl
F1: igual que “h”

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 16


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

r: Para acceder directamente a Refrescar ventana


t: Grafica la variable seleccionada

3. La barra de herramientas de Gretl

En la parte inferior izquierda de la pantalla aparece la barra de herramientas,

Sus iconos (de izquierda a derecha) tienen las siguientes funciones,

1. Da acceso a una calculadora


2. Inicia un nuevo guión. Abre una ventana de edición en la que pueden escribirse series de comandos para ser
enviados al programa
3. Abre la consola de Gretl (ver epígrafe 4)
4. Abre la ventana de iconos de la sesión
5. Abre una ventana con los paquetes de funciones disponibles
6. Abre el manual de instrucciones en PDF
7. Abre la ayuda para sintaxis de comandos
8. Abre la caja de diálogo para definir un gráfico
9. Abre la ventana para definir y estimar un modelo de regresión
10. Abre una ventana listando los conjuntos de datos ofrecidos por Gretl

4. Ejemplos
Como hemos visto, hay diversas formas de introducir datos en el programa. Podemos introducir directamente
desde el teclado los datos mediante,

1. Abrir el programa
2. Seleccionar sucesivamente Archivo/ Nuevo Conjunto de Datos
3. Después de elegir el número de observaciones y la naturaleza de los datos (series temporales, datos de
sección cruzada, etc)
4. Definir el nombre de la primera variable y empezar a introducir valores
5. Una vez hemos acabado, para añadir otra variable seleccionamos, Añadir nueva Variable y repetimos el
proceso.

El programa lee datos en diversos formatos, entre ellos ASCII, Excel o Eviews. Para ello solo hay que
seleccionar,
Archivo/Abrir Datos/Importar

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 17


INTRODUCCIÓN A LA ECONOMETRÍA
elegir el formato adecuado y seguir las instrucciones.

Por ejemplo, imaginemos que disponemos de los datos en Excel de la tabla 3.2 (pág. 79 del
Manual),

Para importarlos seguiríamos la siguiente ruta,


1. Archivo/Abrir Datos/Importar/Excel
2. En la pantalla que se abre, seleccionar la carpeta y el archivo apropiados,
3. Se abre otra ventana en la que el programa nos solicita la columna y la fila desde la que empezar la
importación
4. Empezamos en B5 para que guarde también el nombre de las variables, y tocamos Aceptar
5. Tras contestar NO a la pregunta de si deseamos dar a los datos una estructura temporal, se abre el
archivo con los datos perfectamente leídos.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 18


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Observar que ha incorporado los nombres de las variables. Automáticamente genera también una
constante.

5. Efectuar una regresión

Una vez abierto el archivo de datos correspondiente, la forma más rápida de calcular una regresión es
pinchar con el ratón en el icono ˆ en la barra de herramientas,

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 19


INTRODUCCIÓN A LA ECONOMETRÍA

 Figura 2

Se abre entonces la ventana de especificación,

En esta ventana podemos seleccionar las variables dependiente e independiente (o independientes en al


caso de que hubiera varias). Suponemos que el salario medio depende de los años de estudio, de
manera que seleccionamos esta última variable como independiente y el salario medio como
dependiente. Simplemente hay que elegir la variable y pinchar con el ratón en el botón Elegir
correspondiente a la variable dependiente (o independiente en su caso). Entre las independientes
figurará por defecto una constante, pero puede eliminarse si se tratase de una regresión sin ese
parámetro: simplemente se selecciona y se toca con el ratón el botón Quitar.

El resultado final de la selección debería ser,

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 20


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Especificado el modelo seleccionamos Aceptar para obtener la estimación,

Seleccionando sucesivamente Editar/Copiar/RTF se puede llevar el resultado de la estimación al


portapapeles y copiarlo en un documento Word (también se puede guardar en otros formatos). La
presentación sería la siguiente:

Modelo 1: estimaciones MCO utilizando las 13 observaciones 1-13


Variable dependiente: Mean_Hourly_Wag

Variable Coeficiente Desv. típica Estadístico t valor p


const -0,0144527 0,874624 -0,0165 0,98711

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 21


INTRODUCCIÓN A LA ECONOMETRÍA
Years_of_School 0,724097 0,0695813 10,4065 <0,00001 ***

Media de la var. dependiente = 8,67471


Desviación típica de la var. dependiente. = 2,95971
Suma de cuadrados de los residuos = 9,69281
Desviación típica de los residuos = 0,938704
R2 = 0,907791
R2 corregido = 0,899409
Grados de libertad = 11
Log-verosimilitud = -16,538
Criterio de información de Akaike = 37,0761
Criterio de información Bayesiano de Schwarz = 38,206
Criterio de Hannan-Quinn = 36,8438

El resultado es idéntico al que figura en la página 79 del manual de Gujarati.

Para estimar un modelo de regresión múltiple, el procedimiento es el mismo. Simplemente en la ventana


de la Figura 2 habría más variables y en la ventana de la Figura 3 se añadirían como explicativas todas las
que decidiésemos (tocando en Remove se pueden eliminar variables).

Por ejemplo, el siguiente archivo contiene información con la que se pretende estimar una función de
producción (Y) siendo las variables explicativas el trabajo (X2) y el capital (X3),

Siguiendo el mismo procedimiento podemos seleccionar las variables dependiente e independiente,

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 22


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Y pinchando en Aceptar obtendríamos el resultado,

La ventana de resultados contiene en la parte superior menús que permiten realizar numerosas
funciones.Todos estos menús son bastante intuitivos.

En el menú Contrastes es posible llevar a cabo una gran cantidad de contrastes de hipótesis
(algunos no se ven en el programa). Por ejemplo, es posible contrastar la hipótesis de que los residuos
siguen una distribución normal, tal como se postula en la teoría:

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 23


INTRODUCCIÓN A LA ECONOMETRÍA
0.0003
Estadístico para el contraste de normalidad: uhat1
N(8,4886e-012 1583)
Chi-cuadrado(2) = 2,211, valor p = 0,33098

0.00025

0.0002
Densidad

0.00015

0.0001

5e-005

0
-4000 -2000 0 2000 4000
uhat1

Además del histograma, proporciona el valor del estadístico de Jarque-Bera (en la parte superior izquierda).
En este caso la hipótesis de normalidad no puede ser rechazada.

En el menú Gráficos permite obtener la representación de los residuos de la regresión o la de


las variables observada y estimada,
Y observada y estimada
32000
estimada
observada

30000

28000

26000

24000
Y

22000

20000

18000

16000
1958 1960 1962 1964 1966 1968 1970 1972

Finalmente la opción Análisis permite llevar a cabo entre otras las siguientes funciones,

- Mostrar valores de la variable observada, estimada y residuos (una tabla con esos valores)
- Predicción: es posible llevar a cabo una predicción, pero debe disponerse de observaciones extramuestrales.
- Intervalos de confianza del 95% para los coeficientes
- Análisis de la varianza

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 24


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Ilustramos la predicción. Si elegimos esta opción, nos saldrá un mensaje advirtiendo de que hemos estimado
el modelo sobre toda la muestra y por tanto no hay datos adicionales para llevar a cabo ninguna predicción.
Podemos sin embargo añadir esos datos adicionales en el menú Datos,

- Seleccionando Datos/Añadir observaciones, indicamos cuantos periodos adicionales deseamos añadir.


Elegimos 1.
- A continuación en el menú Datos/Editar valores, introducimos los valores de las exógenas para 1973: X2=300
y X3 = 40.000
- Ahora ya podemos llevar a cabo la predicción. Se abre la ventana,

Si no deseamos cambiar nada, tocamos en Aceptar y obtendremos la predicción. El programa proporciona el


valor numérico del pronóstico junto con un intervalo de confianza del 95 % y una representación gráfica (en
una ventana aparte):

Para intervalos de confianza 95%, t(12, .025) = 2,179

Obser Y predicción desv. típica Intervalo de confianza 95%


1973 indefinido 32457,2 1847,17 (28432,6, 36481,8)

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 25


INTRODUCCIÓN A LA ECONOMETRÍA
37000
Y
predicción
Intervalo de confianza 95 por ciento
36000

35000

34000

33000

32000

31000

30000

29000

28000

27000
1966 1967 1968 1969 1970 1971 1972 1973

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 26


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

4.- GLOSARIO

Análisis de regresión: Análisis que pretende estudiar la dependencia estadística de una


variable en función de otra (regresión simple) u otras (regresión múltiple).

Asintótico: se refiere al comportamiento en el límite (cuando N es muy grande) de un


estadístico, una distribución etc.

Autocorrelación: se dice que hay autocorrelación cuando existe correlación entre los errores
del modelo en diferentes momentos de tiempo

Intervalo de confianza: regla para construir un intervalo aleatorio con la propiedad de que
un determinado porcentaje de todos los datos, dado por el nivel de confianza, proporciona un
intervalo que contiene el valor poblacional.

Bondad del ajuste: Mide lo “bien” o “mal” que se ajusta la línea (plano) de regresión
estimada a los datos observados.

Coeficiente beta (coeficiente estandarizado): miden el cambio en la desviación típica de la


variable dependiente cuando la variable independiente (o una de ellas) sufre un incremento
de una desviación típica.

Coeficiente de determinación (R2): proporción de la variación muestral de la variable


dependiente explicad por la variable(s) independiente(s).

Coeficiente de determinación corregido: coeficiente de determinación que penaliza el uso


de variables explicativas adicionales mediante un ajuste del número de grados de libertad.

Datos de panel: Conjunto de datos construido a partir de datos transversales repetidos a lo


largo del tiempo.

Datos de series de tiempo: Datos de una o más variables recogidos a lo largo del tiempo

Datos transversales: Datos correspondientes a un mismo periodo temporal pero referidos a


distintos agentes.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 27


INTRODUCCIÓN A LA ECONOMETRÍA
Datos experimentales: Si han sido obtenidos a partir de experimentos controlados.

Desestacionalización: Operación para eliminar el movimiento estacional.

Distribución Chi-cuadrada: Distribución obtenida como la suma de variables aleatorias


normales tipificadas independientes, elevadas al cuadrado.

Distribución F: Distribución que sigue el cociente de dos variables chi- cuadradas


independientes corregidas por sus grados de libertad.

Distribución t-Student: Distribución obtenida como cociente de una normal tipificada y la


raíz cuadrada de una chi-cuadrada corregida por sus grados de libertad.

Distribución muestral: Distribución de un estimador obtenida sobre todos los posibles


resultados muestrales.

Distribución asintótica: Distribución a la que tiende un estadístico cuando crece


indefinidamente el tamaño muestral.

Ecuación en primeras diferencias: ecuación en la que todas las variables están


expresadas en primeras diferencias.

Elasticidad: cambio porcentual en la variable dependiente consecuencia de un aumento


ceteris paribus del 1% en una variable independiente.

Error de pronóstico: diferencia entre el pronóstico y el valor realmente observado.

Error tipo I: consiste en rechazar la hipótesis nula cuando es cierta.

Error tipo II: no rechazar la hipótesis nula cuando es falsa.

Error estándar de la regresión: estimación de la desviación típica del error poblacional


obtenida como la raíz cuadrada de la suma cuadrática residual dividida por los grados de
libertad.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 28


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Error estándar robusto (a la autocorrelación heteroscedasticidad): error estándar de un


estimador que es asintóticamente válido tanto si hay autocorrelación (heteroscedasticidad)
como si no.

Estacionalidad: movimiento característico en series temporales de frecuencia superior al


año (típicamente datos trimestrales o mensuales) en el que el valor medio difiere según el
trimestre (mes) del año.

Estadísticamente significativo: un parámetro es estadísticamente significativo a un nivel de


significatividad previamente elegido, cuando es posible rechazar la hipótesis nula de que su
valor es cero.

Estadístico de prueba: regla utilizada para contrastar una determinada hipótesis que, a
partir de una muestra dada, proporcionará un valor específico.

Estimador: forma de combinar los datos de una muestra (independiente de ésta) para
obtener un valor numérico de un parámetro poblacional.

Estimador MCO: Estimador obtenido a partir del criterio de minimizar la suma cuadrática de
las discrepancias.

Estimador MV: estimador obtenido de forma que se maximice el logaritmo de verosimilitud.

Estimador consistente: estimador que converge al verdadero valor poblacional a medida


que crece el tamaño muestral.

Estimador por el método de los momentos: Estimador obtenido igualando los momentos
muestrales a los poblacionales.

Estimador por intervalos: regla para obtener un intervalo para un parámetro poblacional.

Estimador por Mínimos Cuadrados Generalizados: Estimación obtenida no a partir del


modelo original sino de la oportuna transformación del mismo para tener en cuenta una
determinada estructura en el comportamiento de la varianza del error o/y en la correlación
serial.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 29


INTRODUCCIÓN A LA ECONOMETRÍA
Estimador insesgado (sesgado): Estimador cuya esperanza matemática coincide (difiere)
del valor poblacional a estimar.

Función de regresión muestral: es la versión estimada de la función de regresión


poblacional.

Función de regresión poblacional: Expresa la esperanza condicionada de la variable


dependiente respecto de la independiente(s).

Grados de libertad: Número de observaciones menos número de parámetros estimados.

Heteroscedasticidad: Fenómeno que se produce cuando la varianza del término de error no


es constante.

Hipótesis alternativa: Aquella contra la se contrasta la hipótesis nula.

Hipótesis bilateral (dos colas): Cuando la hipótesis alternativa es compuesta.

Hipótesis nula: Hipótesis que suponemos cierta y contra la que buscamos evidencia en la
muestra de datos disponible.

Hipótesis unilateral (una cola): Cuando la hipótesis alternativa es simple.

Inferencia estadística: Contrastación de hipótesis sobre los parámetros poblacionales.

Intercepto: El término independiente en el modelo de regresión.

Intervalo de confianza: ver Banda de Confianza.

ELIO (BLUE): Acrónimo de Estimador Lineal, Insesgado y Óptimo.

Mínimos cuadrados generalizados. Ver Estimación por mínimos cuadrados generalizados.

Mínimos cuadrados ponderados: Caso particular de mínimos cuadrados generalizados en


el que cada término del modelo se divide por la correspondiente varianza de las
perturbaciones.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 30


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Mínimos cuadrados ordinarios: Ver Estimador MCO

Modelo de elasticidad constante: Aquél en el que la elasticidad de la variable endógena


respecto de la exógena(s), permanece constante.

Modelo de regresión lineal simple: Modelo que relaciona de forma lineal una variable
dependiente (endógena) con una única variable independiente (exógena) y un término de
error.

Modelo de regresión lineal múltiple: Modelo que relaciona de forma lineal una variable
dependiente (endógena) con más de una variable independiente y un término de error.

Modelo econométrico: Modelo formado por una (o varias) ecuaciones que relacionan una
variable dependiente con una o varias independientes y una perturbación aleatoria. Los
parámetros del modelo determinan el efecto de cada una de las variables explicativas sobre
la explicada, ceteris paribus.

Nivel de confianza: porcentaje de muestras en las que queremos que nuestro intervalo de
confianza contenga al valor poblacional.

Nivel de significancia (nivel de significatividad): Probabilidad de cometer un error Tipo I.

Normalidad asintótica: cuando la distribución muestral de un estimador converge a la


distribución normal.

Operador diferencia (operador de primeras diferencias): Operador generalmente


representado por la letra griega delta, que aplicado a una variable la transforma en su
primera diferencia.

Parámetro: valor desconocido de una relación poblacional.

Perturbación (aleatoria): Variable ómnibus del modelo de regresión incluida para recoger
tanto la influencia de posibles variables omitidas como errores de medida entre otros.

Población: Conjunto de individuos que constituye el objeto de estudio de una investigación.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 31


INTRODUCCIÓN A LA ECONOMETRÍA
Potencia de una prueba (test): Es igual a la unidad menos la probabilidad de cometer un
error tipo II.

Predicción (pronóstico): Estimación del valor de la variable endógena o explicada, obtenido


al dar valores concretos a las variables explicativas de un modelo de regresión estimado.

Propiedades asintóticas (propiedades en grandes muestras): Propiedades que cumple un


estadístico cuando la muestra crece indefinidamente.

Propiedades en muestras finitas: Propiedades que cumple un estadístico cuando la


muestra es pequeña

R2 (coeficiente de determinación): proporción de la variación total de la variable dependiente


que puede ser explicada por la variables(s) independiente(s).

R2-ajustado (corregido): coeficiente de determinación penalizado por el uso de variables


explicativas adicionales.

Región de aceptación: conjunto de valores de un estadístico de contraste que conducen a


no rechazar la hipótesis nula.

Región de rechazo: conjunto de valores de un estadístico de contraste que conducen a


rechazar la hipótesis nula.

Región crítica: Región de rechazo.

Regresión muestral: Ver función de regresión muestral.

Regresión poblacional: Ver función de regresión poblacional.

Semielasticidad: Cambio que sufre la variable dependiente en términos porcentuales como


respuesta a un cambio unitario en la variable independiente.

Serie de tiempo: conjunto de observaciones de una variable a lo largo del tiempo.

Sesgo: Diferencia entre el valor esperado de un estimador y su valor poblacional.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 32


|Pedro A. Pérez Pascual, Julián Rodríguez Ruiz,
Mariano Matilla García, Basilio Sanz Carnero

Suma de cuadrados explicada (SEC): Variación total muestral de los valores ajustados en
un modelo de regresión.

Suma de cuadrados de los residuos (SCR): Suma de todos los residuos de un modelo de
regresión cada uno de ellos elevado al cuadrado

Suma total de cuadrados (SCT): variación total muestral de la variable dependiente en


torno a su media muestral.

Supuestos del MCRL: Conjunto de hipótesis a priori del modelo de regresión.

Teorema Central del Límite (TCL): Resultado según el cual la suma de variables aleatorias
independientes divididas por su desviación típica, tiene a una distribución normal tipificada a
medida que aumenta el tamaño de la muestra.

Tendencia temporal: Movimiento sistemático a largo plazo que es función del tiempo.

Término de error: Variable que se introduce en una ecuación de regresión para recoger,
entre otros, el efecto de factores no observados o errores de medida.

Término de interacción: Variable independiente de un modelo de regresión obtenida como


el producto de dos variables explicativas.

Trampa de las variables dicótomas: Error que consiste en introducir en el modelo de


regresión demasiadas variables ficticias entre las explicativas.

Valor esperado: Esperanza matemática de una variable aleatoria.

Valor medio: Dado un conjunto de T números, es el cociente entre su suma y T

Valor p (p-value): Nivel de significatividad mínimo al que puede rechazarse la hipótesis nula.

Variable aleatoria: Variable cuyo resultado es incierto.

Variable cualitativa: La que recoge una cualidad no cuantitativa.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 33


INTRODUCCIÓN A LA ECONOMETRÍA
Variable dicótoma: Variable que toma solo dos valores, generalmente cero o uno.

Variable endógena: Variable que queremos explicar en un modelo de regresión. También se


denomina variable dependiente o explicada.

Variable exógena: Variable que se emplea para explicar el comportamiento de la variable


endógena. También se denomina variable independiente o explicativa.

Variable ficticia: Ver variable dicótoma.

Variable instrumental: Variable que sin aparecer en la ecuación de regresión, se utiliza para
sustituir a una variable explicativa.

Variable omitida: Variable(s) que influye en el comportamiento de la endógena pero que no


están incluida en el modelo de regresión.

Varianza: Principal medida de dispersión de una variable aleatoria obtenida como la suma
cuadrática de las desviaciones de cada valor de la variable con respecto a su media, dividida
por los grados de libertad.

UNIVERSIDAD NACIONAL DE EDUCACIÓN A DISTANCIA 34