Econometria Desarrollado Con Marco Teorico y Practico Del Ing. Ovando

Facultad de Economa - UNMSM
Econometra I
Mg. Beatriz Castaeda
20010-1
Econometra
La Econometra se ocupa del estudio de

estructuras que permitan analizar
caractersticas o propiedades de una
variable econmica utilizando como
causas explicativas otras variables
econmicas.
Modelo
Un modelo es la representacin
simplificada de cualquier fenmeno,
proceso, institucin y en general de
cualquier sistema.
Un sistema es un conjunto de elementos
que se encuentran en interaccin.
Tipos de modelo
Modelo mental: Representacin no explcita o

exteriorizada.
Modelo verbal: Descripcin del modelo mental
en lenguaje ordinario.
Modelo fsico: Representacin de un sistema en
forma material o mediante objetos.
Modelo matemtico: Descripcin del sistema
con la ayuda del lenguaje matemtico.
Modelo econmico y modelo

economtrico
Modelo econmico. Son leyes o relaciones econmicas

que son aplicables con validez general a diversos
sistemas concretos a travs del tiempo.
Modelo economtrico: Es un modelo especfico de

aplicacin a sistemas reales concretos, basado en un
modelo econmico pero desarrollado con las
caractersticas particulares del sistema en estudio. Tiene
validez limitada por el sistema de referencia o el periodo
temporal.
Objeto y mtodo de la investigacin

economtrica
El papel esencial de la econometra es la estimacin y

verificacin de los modelos economtricos.
Proceso:
Especificacin del modelo en forma matemtica.
Reunin de datos apropiados y relevantes de la
economa o sector que el modelo se propone
describir.
Con los datos se estima los parmetros del modelo
Realizar pruebas con el modelo para analizar si es
valido o si es necesario modificar la especificacin.
Tipos de modelos economtricos
Modelos estructurales: la especificacin,

lineal o no lineal, del modelo se basa en
las relaciones estructurales establecidas
por el modelo econmico para explicar el
comportamiento, la variable o sistema
bajo estudio
Modelos
de regresin uniecuacionales
Modelos de simulacin o multiecuacional
Tipos de modelos economtricos
Modelos de series temporales: Examinan el

comportamiento pasado de una serie temporal
para inferir su comportamiento futuro. Se utiliza
cuando se tiene escaso conocimiento sobre las
relaciones causales del proceso que se trata de
predecir. Son muy fiables para predicciones a
corto plazo.
Modelos
Uniecuacionales: ARIMA, SARIMA

Modelos Multiecuacionales: VAR
Relacin entre variables econmicas

y regresin esprea
Todo modelo economtrico exige una

teora econmica previa, sin ella caeremos en el mero clculo de relaciones
observacionales entre las variables.
Regresin esprea: Es aquella regresin

que no tiene significado ni explicacin en
la teora econmica
El clculo de coeficientes de correlacin y el trazado satisfactorio de

lneas de regresin no debe confundirse con un mtodo para hallar
leyes, confusin tan frecuente en las ciencias sociales.
Cuando se adopta un modelo de regresin lineal y se calculan los
parmetros a partir de los datos, la ley central que se supone rige esa
informacin ruidosa (dispersa) no se ha descubierto, sino que se ha
supuesto desde el principio.
No hay elaboracin de datos estadsticos que produzca por si nuevas
hiptesis, por no hablar ya de leyes, en general, no hay esfuerzo
tcnico, por grande que sea, ni emprico, ni matemtico, que pueda
ahorrarnos el trabajo de inventar nuevas ideas, aunque sin duda
aquel trabajo tcnico puede muy bien disimular la falta de ideas.
Mario Bunge
10
Proceso de contrastacin de teoras segn

Koutsoyiannis (1973)
Teora
Expresin matemtica de la teora:

Modelo
Confrontacin del modelo

con los datos
Aceptacin de la
teora si es compatible
con lo datos
Rechazo de la teora
si es incompatible
con lo datos
Revisin de la teora
si es incompatible
con lo datos
Confrontacin con
nuevos datos
11
PROCESO GENERAL DE CONTRASTACIN DE TEORIAS

Teora
Modelo adoptado para contrastacin
Confrontacin del modelo

con datos del marco de referencia
Conjunto de
datos 1
Conjunto de
datos 2
Conjunto de
datos N-1
Conjunto de
datos N
Modelo economtrico 1
Modelo economtrico 2
Modelo economtrico N-1
Modelo economtrico N
Compatibilidad con datos

con elevada probabilidad
Incompatibilidad con datos

con elevada probabilidad
Para todos los modelos

y conjuntos de datos
Para algunos modelos

Para todos los modelos

Confirma eventualmente
la bondad de la teora
Informa sobre grado de

aceptabilidad de la teora
Rechazo
de la teora
Nuevos desarrollos tericos

la misma
lnea
Mg.en
Beatriz
Castaeda
Nuevos desarrollos tericos c/posibles correc.
Bsqueda de nuevos
caminos tericos
Contraste con datos no concluyente (reducida prob. o resultados opuestos compensados)
Nuevos
desarrollos
tericos
Nuevos
modelos
economtricos
y aplicacin
con nuevos
12
datos
El papel de los modelos economtricos en la

investigacin econmica aplicada
Sea el modelo estimado
Yt b0 b1 X t b2 Z t
El conocimiento de los coeficientes b0, b1 y b2 nos permite realizar

a)
Anlisis estructural: Nos permite evaluar el impacto en Yt de

las variaciones ocurridas en Xt y Zt.
b)
Prediccin de Yt dados unos hipotticos valores futuros para

Xt y Zt.
c)
Evaluacin de polticas o simulacin de los efectos que

tienen sobre YT+h diferentes estrategias que afectan a las
variables explicativas.
13
MODELO ECONOMETRICO
LINEAL
Uniecuacional
NO LINEAL
Multiecuacional
Uniecuacional
Multiecuacional
14
Modelo de regresin lineal mltiple

Sean las variables Y, X2, ., Xk, donde:
Y : variable observable (variable endgena o variable explicada)
X2, ., Xk : variables predeterminadas (variable exgenas o variables explicativas)
: variable aleatoria no observable (variable perturbacin)
Se plantea el modelo:
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Dada una muestra de tamao n, tenemos:
Y1 1 2 X 21 ... K X K 1 1
Y2 1 2 X 22 ... K X K 2 2
............
Yn 1 2 X 2 n ... K X Kn n
15
Notacin matricial
Y1 1 2 X 21 ... K X K 1 1
Y2 1 2 X 22 ... K X K 2 2
............
Yn 1 2 X 2 n ... K X Kn n
y1 1
y 1
2
... ...

yn 1
x 21
x 22
...
x 31
x 32
...
...
...
...
xk 1
xk 2
...
x2n
x3n
...
x kn
1 1

2 2
... ...

k n
Y = X +
16
Supuestos del modelo

1. Yi es variable observable, variable dependiente.
2. Xi son variables fijas (con valores predeterminados, no colineales
(linealmente independientes). Rango (X) = K. Variables explicativas o
independientes.
i son variables aleatorias homocedasticas e incorrelacionadas, es decir,
E( i ) = 0; V( i ) = 2 ; Cov ( i, j ) = 0.
E ( 1 ) 0
E ( ) 0
2
E ( )
.....
E ( n ) 0
2

V ( ) E ( ) E
... 1

...
E ( 12 )
E ( 1 2 )
...
E ( 1 n )
E ( 2 1 )
...
E ( n 1 )
E ( 22 )
...
E ( n 2 )
...
...
...
E ( 2 n )
...
E ( n2 )
...
0
2
...
0
4. El nmero de observaciones excede al de parmetros a estimar.

... 0
... 0
... ...
... 2
17
Propiedades de matrices y
Distribuciones de probabilidad
1. A es simtrica
2. A es idempotente
AT = A
An = A
3. A es simtrica e idempotente
4. Si AB y BA
(A) = Traza (A)
Traza (AB) = Traza (BA)
18
Propiedades de matrices y
Distribuciones de probabilidad
5. Si X(kx1) es N(, V) y si Tpxk es una matriz de coeficientes con (T) = p
TX tiene distribucin N(T, TVT)
Puesto que TX genera

combinaciones lineales de
variables normales
6. Si X(kx1) es N(0, I) y A es una matriz simtrica e idempotente

XAX es 2(r) con r = Traza(A)
7. XAX y XBX son formas cuadrticas independientes
AB=0
19
Estimador de Mnimos Cuadrados

Ordinarios (MCO)
Sea
Dado el estimador
Obtenemos el valor calculado
...
Yi 1 2 X 2 i 3 X 3 i ... k X ki
y el residuo o error de estimacin
e i Yi Yi Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )
20
El mtodo de mnimos cuadrados ordinarios consiste en obtener los estimadores

de i minimizando la suma de cuadrados de los errores, esto es,
n
i 1
i 1
S ( ) e 2i [Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )]2 ee
S ( ) ee e1
e2
... e n
e1
e
n
2
e2
i
...
i 1

en
Y1 Y1
Y Y
Y Y
......
Yn Yn
S ( ) ee (Y Y )(Y Y ) (Y X )(Y X )
21
Para minimizar S ( )
respecto a cada
por la condicin de primer orden obtenemos las derivadas
e igualamos a 0
S ( ) [Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )]2

i 1
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki ) ( 1) 0
i 1
1
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki ) ( X 2 i ) 0
i 1
2
.
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )( X ki ) 0
k
i 1
Con estas igualdades formamos un sistema de ecuaciones, denominadas ecuaciones normales

22
Sistema de ecuaciones normales

n
i 1
i 1
i 1
i 1
Yi n1 2 X 2 i 3 X 3i ... k X ki
n
Y
i 1
X 2i
i 1
i 1
i 1
i 1
1 X 2 i 2 X 22i 3 X 2 i X 3 i ... k X 2 i X ki
.
n
i 1
i 1
i 1
i 1
i 1
Yi X ki 1 X ki 2 X ki X 2i 3 X ki X 3 i ... k X ki2
1 1 1
x x x
21 22 23
... ... ...
xk 1 xk 2 xk 3
... 1
... x2 n
... ...
... x kn
y1 n
y x
2 2i
... ...

yn xki
XY = (XX)
x
x
2i
2
2i
...
x2i xki
x
x x
3i
2i 3i
...
...
...
...
x3i xki ...
x
x x
1

2 i ki 2
... ...
2
x ki k
ki
( X X ) 1 X Y
23
Utilizando la expresin matricial para S ( )
S ( ) ee (Y X )(Y X ) (Y X ) (Y X )
Y Y X Y Y X X X
Y Y 2 X Y X X
S ( )
2 X Y 2( X X ) 0
X Y ( X X )
( X X ) 1 X Y
24
Propiedades de los estimadores

1) Insesgado:
E ( )
( X X ) 1 X Y ( X X ) 1 X ( X ) ( X X ) 1 X
Funcin lineal de las obs. Y
Funcin lineal de las perturbaciones
E ( ) [( X X ) 1 X ]E ( )
2)
V ( ) 2 ( X X ) 1
( X X ) 1 X
1
1
V ( ) E[( )( )] E[( X X ) X X ( X X ) ]
( X X ) 1 X E ( ) X ( X X ) 1 ( X X ) 1 X ( 2 I ) X ( X X ) 1
2 ( X X ) 1
25
Teorema de Gauss-Markov
El estimador MCO es el estimador lineal insesgado ptimo, en el sentido de
que cualquier otro estimador lineal insesgado tiene una matriz de
covarianzas mayor que la del estimador MCO
Demostracin
~ ~
~
Sea A Y un estimador lineal de y sea A A ( X X ) 1 X ; matriz kxT , de mod o que
~
[ A ( X X ) 1 X ]Y [ A ( X X ) 1 X ] ( X ) AX [( X X ) 1 X ]
~
Luego E ( ) AX
~
as ser insesgado slo si A es tal que AX 0
Si se cumple condicin, el vector quedara expresado como:
~
[ A ( X X ) 1 X ]
~
La matriz de convarianzas de ser
~
~
~
V ( ) E[( )( )] E ([ A ( X X ) 1 X ] )([ A ( X X ) 1 X ] )
2 AA 2 ( X X ) 1 2 ( X X ) 1 V ( MCO )
26
Estimador de 2
e Y X X X ( X X ) 1 X Y
X X ( X X ) 1 X ( X )
X ( X X ) 1 X
[ I X ( X X ) 1 X ] M
M es simtrica e idempotent e
M [ I X ( X X ) 1 X ] I X ( X X ) 1 X M
MM [ I X ( X X ) 1 X ][ I X ( X X ) 1 X ]
I X ( X X ) 1 X X ( X X ) 1 X X ( X X ) 1 X X ( X X ) 1 X
I X ( X X ) 1 X M
27
S ( ) ei2 ee ( M )( M ) M M M
E ( e ) E ( M ) E
2
i
a
i 1
ii
2
i
a ij i j
i j
a ii 2 a ij E ( i j )
2 Traza ( M ) 2 ( n k )
Traza ( M ) Traza ( I nxn X ( X X ) 1 X )
Traza ( I ) Traza ( X ( X X ) 1 X )
n Traza (( X X ) 1 X X ) n Traza ( I kxk ) n k
2
e
i
ee

nk nk
2
Es un estimador insesgado de
28
Clculo de
S
2
2
e
2
e
i
ee

nk nk
2
ee Y Y 2 X Y X X
ee Y Y 2 X Y X X [( X X ) 1 X Y ]
ee Y Y X Y
Y Y ( X Y )
S
nk
2
2
e
29
Para las variables Y, X2, X3, X4 se plante el siguiente modelo
Yi 1 2 X 2 i 3 X 3 i 4 X 4 i i , para i 1, n
Obtenemos los estimadores de los parmetros con la siguiente informacin
resumida de la data obtenida para una muestra:
Y`Y = 10 X Y
3
3
2 0
( X X ) 1 X Y
4 2 0
8
X `X
10
4
0.52
0.64

0.16
0.38
0
0
( X `X ) 1
0.1364 0.0682 0.0455

0.0682 0.1591 0.0227
0.0455
0.0227
0.1818
0
0
0
0.125
Y Y ( X Y ) 10 4,9205
S
0,8466
nk
6
2
2
e
Yi 0.52 0.64 X 2 i 0.16 X 3 i 0.38 X 4 i

30
Yi 1 2 X 2 i 3 X 3 i 4 X 4 i i , para i 1, n
Modelo:
Modelo estimado
Yi 0.52 0.64 X 2 i 0.16 X 3 i 0.38 X 4 i ei

S e2 0,8466 ;
0.1154 0.058 0.0385

0.058 0.1347 0.019
V ( ) S ( X `X )
2
e
0.0455
S e 0,9201
0.019 0.1539
0
0
0
0
0.1058
31
Coeficiente de determinacin R2
Yi 1 2 X i
y
yi
Yi y
(Y
SCR
R2
SCT
i 1
( y y )
(Y y )
(Y y
Y )
i 1
SCT
Variacin
no explicada
error
SCE
( y i y )
Variacin
explicada por
la regresin
( y
i 1
Y )2
SCR
Este coeficiente indica en que proporcin

la variacin de Y es explicada por el
modelo de regresin
SCE
R2 1
1
SCT
(Yi y i )
Variacin
Total
xi
(Y
2
i
y )2
32
SCE
R 1
1
SCT
2
R2
2
2
(
Y
Y
)
e
i
i
(Yi Y )
(Y
2
i
y )2
2
2
Y
n
Y
(Y Y X Y )
i
2
2
Y
n
Y
i
n
Y
R2
Y Y n Y 2
33
Coeficiente de determinacin ajustado

R2 1
(Y
2
i
y )2
Al considerar a R2 como un indicador del poder explicativo del modelo, debemos

tener en cuenta que al comparar dos modelos con diferente nmero de variables
explicativas, el modelo con ms variables siempre tendr un R2 mayor.
Para determinar que tanto mejora el poder explicativo del modelo al adicionar
nuevas variables se propone una modificacin en el clculo del R2 al que se
denomina R2 ajustado.
2
R 1
[ SCE /( n k )]
n1
1
(1 R 2 )
[ SCT /( n 1)]
nk
Este coeficiente es sensible al nmero de variables adicionadas, de manera que si las

variables adicionadas no incrementan de manera significativa el poder explicativo el
R2 ajustado se reducir.
34
Distribuciones de los estimadores

Si el vector de perturbaciones tiene distribucin normal multivariante N ( 0, 2 I )
entonces:
1
1
1) ( X X ) X Y ( X X ) X
Es funcin lineal de las perturbaciones, y por lo tanto
tiene distribucin normal N ( , 2 ( X X ) 1 )

Luego, cada i tiene distrib . N ( i , 2 a ii ); donde a ii ( X X ) 1
2)
tiene dist . N (0, I n )

( n k ) S e2 M
2
tiene
dist
.
( n k )
2
2
35
3)
( )[V ( )]1 ( ) tiene dist . (2k )

( ) X X ( )
1
( )[V ( )] ( )
2
[ X ( )] [ X ( )] ( N )( N ) N
2
2
X ( ) X X Y (Y ) (Y Y )
M ( I M ) ( X ( X X ) 1 X ) N
Traza(N) = K
36
( n k ) S e2 M
2
tiene
dist
.
( n k )
2
2
N
1
2
( )[V ( )] ( )
tiene
dist
.
(k )
2
MN M ( I M ) M MM 0
Entonces las dos formas cuadrticas son independientes
Luego
[( ) X X ( )] / k
F
tiene dist . F( k , n k )
2
Se
37
Estimacin y Prueba de Hiptesis para los parmetros del modelo

1. Para i
Como i es N ( i , 2 a ii )
y
( n k ) S e2
tiene dist . (2n k )
2
( i i )
t 1 / 2
- t1-/2
t1-
t(n-k)
a ii
( n k ) S e2
( n k ) 2
Estimacin por intervalo
( i i )
es t ( n k )
S e a ii
( i i )
T
t 1 / 2
S e a ii
Obtenemos
L i t1 / 2 S
38
Prueba de Hiptesis
H 0 : i i*
H 1 : i i*
Estadstica de la Prueba
( i i* )
T
es t ( n k ) si H 0 es cierta
S e a ii
Decisin
Rechazar la H0 a favor de H1 si
T t 1 / 2 o
- t1-/2
t1-
t(n-k)
T t 1 / 2
39
2. Para
( n k ) S e2
2
tiene
dist
.
( n k )
2
1-
2
/2
Obtenemos
12 / 2
(2n k )
( n k ) S e2
Li
12 / 2
2
/2
( n k ) S e2
2
1 / 2
2
( n k ) S e2
Ls
2 / 2
40
10
0
2
0

....
0
k
Prueba de Hiptesis
H0 : 0
H1 : 0
[( 0 )[ X X ]( 0 )] / k
F
tiene dist . F( k , n k ) si H 0 es cierta
2
Se
Decisin
Rechazar la H0 a favor de H1 si
F > F1-
F1-
F(k ,n-k)
41
Prueba de Hiptesis para restricciones lineales

Sea el modelo
Yi 1 2 X 2 i .... 5 X 5 i i , para i 1, n
Para el cual se formula las siguientes hiptesis
1.
3 3 5 8
H 0 : 4 4 1 0
3 2
5 2
Restricciones lineales
H 0 : R r
1
0 0 3 0 1 2
1 0 0 4 0
0 1 0 0 3 4
R
8
0
2
r
42
Prueba de Hiptesis para restricciones lineales
H 0 : R r
H 0 : R r
Rqxk ; q k
Rango( R ) = q (las restriciones son
linealmente independientes)
1. Prueba o Test de Wald

Estadstica
W ( R r )[V ( R r )]1 ( R r ) es (2q )
es N ( , 2 ( X X ) 1 )
E ( R r ) R E ( ) r R r 0
V ( R r ) R[V ( )]R
( R r ) es N (0, R[V ( )] R)
W ( R r )[ 2 R ( X X ) 1 R]1 ( R r ) es (2q )
W ( R r )[ S e2 R ( X X ) 1 R]1 ( R r ) (2q )
12
(2n k )
43
2. Prueba F
H 0 : R r
H 0 : R r
Rqxk ; q k
{( R r )[ R ( X X ) 1 R]1 ( R r )} / q
F
es F( q ,n k )
ee /( n k )
F1
F( q ,n k )
W ( R r )[ 2 R ( X X ) 1 R]1 ( R r ) es (2q )
( n k ) S e2 ee
2
tiene
dist
.
(
n k )
2
2
W qF
44
Estimacin de un modelo de Regresin mltiple con EViews

1. Ingresar a EViews
File
New
workfile
File
New
workfile
45
2. Frequency
anual
Range
OK
46
3. Ingreso de datos:
Quick
Empty group
47
Aparece una planilla en blanco en la que se asigna nombre a las variables y se ingresa los
datos como en una planilla excel
48
3. Estimacin de la ecuacin:
Quick
Estimate equation
49
En la ventana se especifica el modelo ingresando a la izquierda la v. dependiente luego la

constante y las variables explicativas, luego presionar en OK
50
El programa ofrece los resultados de la estimacin
51
Modelo estimado
INV 5.23 0.21 PNB 0.83 R e

Dependent Variable: INV
Method: Least Squares
Date: 04/01/07 Time: 17:38
Sample: 1971 1994
Included observations: 24
Variable
Coefficient
Std. Error
t-Statistic
Prob.
5.228449
29.00686
0.180249
0.8587
PNB
0.213205
0.011921
17.88539
0.0000
-0.828817
3.239046
-0.255883
0.8005
R-squared
0.941937
Mean dependent var
41.13333
Adjusted R-squared
0.936407
S.D. dependent var
20.97122
S.E. of regression
5.288459
Akaike info criterion
6.285400
Sum squared resid
587.3238
Schwarz criterion
6.432656
F-statistic
170.3368
Prob(F-statistic)
0.000000
Log likelihood
Durbin-Watson stat
-72.42479
0.787335
52
Para guardar el modelo: Name
Se escribe el nombre
OK
Se escribe la especificacin
53
Anlisis de significancia de las variables

Sea el modelo
1) Anlisis de significancia de la variable Xi
H0 : i 0
H1 : i 0
i
T
S
es t ( n k ) si H 0 es cierta
i
- t1-/2
t1-
t(n-k)
54
2) Anlisis de la significancia de un subvector de s variables
q 1

q 2
H0 :
.....
R 0 qxs I sxs
sx 1
0
0

...

0
0
0
...
...
...
...
1
...
... ... ... ... ... ... ...
sx 1
...
...
sxk
q 1
q 2
...
k
0
0

...
sx 1
kx 1
Ninguna de las s variables es

significativa para explicar a Y
Con H0 se define una particin en la matriz X :
1 X 21
1 X
22
X
... ...
1 X 2 n
X1
X X1 X 2
...
X q1
X q 1 1
...
...
...
...
X q2
...
X qn
X q 1 2
...
X q 1 n
...
...
...
X2
X k1
X k 2
...
X kn
55
X X1 X 2
B1

B2
Y X1 X 2
H 0 : B2 0
B1
B X 1 B1 X 2 B2
2
H 1 : B2 0
H 0 : R 0 sxq I sxs
A11
R ( X X ) R 0 I
A21
1
B1
B B2 0
2
A12 0
A22
A22 I
56
B11
X X
B21
B12
B22
A11
( X X )
A21
1
A12
A22
1
A11 ( B11 B12 B22
B21 ) 1
1
A12 B11
B12 A22
A22 ( B22 B21 B111 B12 ) 1
1
A21 B22
B21 A11
X 1'
X X
'
2
X1
X 1' X 1
X 1' X 2
'
X 2 X1
X 2' X 2
X2
R( X X ) 1 R A22 [ X 2' X 2 X 2' X 1 ( X 1' X 1 ) 1 X 1' X 2 ]1 [ X 2' M 1 X 2 ]1

Donde M 1 [ I X 1 ( X 1' X 1 ) 1 X 1' ]
Del modelo restringido
Y X 1 B1 1
57
H 0 : B2 0
H 1 : B2 0
H 0 : R 0 sxq I sxs
B1
B B2 0
2
Entonces la estadstica
{( R r )[ R ( X X ) 1 R]1 ( R r )} / q
F
es F( q ,n k )
ee /( n k )
Se reduce a:
2' [ X 2' M 1 X 2 ] 2 / s
F
es F( s , n k )
2
Se
58
Contraste de significacin, mediante sumas residuales

H 0 : B2 0
H 1 : B2 0
Modelo restringido
Modelo sin restriccin
Modelo sin restriccin

(MSR)
Y X1 X 2
e MY
Modelo restringido
(MR)
B1

B2
B1
B X 1 B1 X 2 B2
2
SCE ( MSR ) ee Y M Y
Y X 1 B1 1
SCE ( MR ) e1e1 Y M 1 Y
e1 M 1Y
59
En el MSR
Y X 1 B 1 X 2 B 2 e
M 1Y M 1 X 1 B 1 M 1 X 2 B 2 M 1e M 1 X 2 B 2 e
M 1 X 1 1 [ I X 1 ( X 1' X 1 ) 1 X 1' ] X 1 1 0
X Y ( X X )
Luego
X 1'
X 1' e
0
e '
'
X2
X 2 e 0
X (Y X ) X e 0
M 1e [ I X 1 ( X 1' X 1 ) 1 X 1' ]e e
60
M 1Y M 1 X 2 B 2 e
( M 1Y )( M 1Y ) ( M 1 X 2 B 2 e )( M 1 X 2 B 2 e )
Y M 1Y B 2 X 2 M 1 M 1 X 2 B 2 B 2 X 2 M 1 e e M 1 X 2 B 2 ee
2 X 2 M 1e 2 X 2 e 0
e M 1 X 2 2 [ 2 X 2 M 1e ] 0
Y M 1Y B 2 X 2 M 1 X 2 B 2 ee
SCE(MR)
Luego
SCE(MSR)
B 2 X 2 M 1 X 2 B 2 SCE ( MR ) SCE ( MSR )

Y Y 1 X 1Y (Y Y X Y )
( X Y nY 2 ) ( X Y nY 2 )
1
SCR(MSR)
SCR(MR)
61
H 0 : B2 0
H 1 : B2 0
Estadstica de la prueba
2' [ X 2' M 1 X 2 ] 2 / s
F
es F( s , n k )
2
Se
Equivale a:
[ SCE ( MR ) SCE ( MSR )] / s [ SCR( MSR ) SCR( MR )] / s

F
es F( s , n k )
SCE ( MSR ) /( n k )
SCE ( MSR ) /( n k )
[ X Y 1 X 1Y ] / s
F
[Y Y X Y ] /( n k )
62
ANALISIS DE VARIANZA: Contraste de significacin
Fuente de variacin
Suma de cuadrados
G.L.
C.M.
Razn F
SCR
K 1
SCR / k 1
SCE / n k
SCR2
kr
SCR2 / k r
SCE / n k
SCR2
k2 / a kk
SCE / n k
SCE
nk
Debido a X2, , XK
SCR X Y nY 2
k-1
Debido a X2, , Xr
SCR1 1 X 1 Y nY 2
r-1
Debido a Xr+1, , XK
SCR2 X Y 1 X 1 Y
Debido a X2, , XK-1
SCR1 X Y nY 2 k / a kk
Debido a XK
SCR2 k2 / a kk
k-r
k-2
Debido al error
SCE Y Y X Y
n-k
Total
Y Y nY
n-1
63
Modelo en desviaciones de media

Yi 1 2 X 2 i .... k X ki e i , para i 1, n
Y 1 2 X 2 .... k X k ya que
1 Y ( 2 X 2 .... k X k )
Yi Y 2 ( X 2 i X 2 ) .... k ( X ki X k ) ei
yi 2 x 2 i .... k x ki ei
y xB 2 e
y : Vector de las observaciones Y en desviaciones de media
x:
Matriz de observaciones de las variables Xs en desviaciones de media
64
Yi 1 2 X 2 i .... k X ki ei , para i 1, n
Modelo en desviaciones
y xB 2 e
B 2 ( x x ) 1 x y
E ( B 2 ) B2
1 Y ( 2 X 2 .... k X k )
V ( B 2 ) 2 ( x x ) 1
2
V ( 1 )
2 X 2 ( x x ) 1 X 2
n
V ( 1 ) V [Y ( 2 X 2 .... k X k )] V [Y X 2 B 2 ] V (Y ) X 2 V ( B 2 ) X 2
cov( 1 , B 2 ) Cov[Y X 2 B 2 , B 2 ] X 2 V ( B 2 ) 2 X 2 ( x x ) 1
65
y xB 2 e
ee
y y B 2 x y
nk nk
nk
2
i
e y xB 2
SCE
y y B 2 x y
R 1
1
SCT
y y
2
ee y y B 2 x y
B 2 x y
R
y y
2
66
Prediccin utilizando el modelo de Regresin Mltiple

Modelo:
E (Yi ) 1 2 X 2 i .... k X ki X 'i
Prediccin del promedio

Prediccin puntual
Yi 1 2 X 2 i 3 X 3 i ... k X ki X 'i
Prediccin por intervalo
E (Yi ) E ( X 'i ) X 'i

V (Yi ) V ( X 'i ) X 'i V ( ) X i
Si i es N (0, 2 )
T
Yi E (Yi )
2
e
'
i
S X ( X X ) X i
es t ( n k )
L Yi t1 / 2 S e2 X i' ( X X ) 1 X i
67
Prediccin de un valor individual

Prediccin puntual
Yi 1 2 X 2 i .... k X ki i
Yi 1 2 X 2 i 3 X 3 i ... k X ki X 'i
Prediccin por intervalo
E (ei ) 0
e i Yi Yi X i' i X i'
Si i es N (0, 2 )
T
V (ei ) 2 X 'i V ( ) X i
Yi Yi
1
S (1 X ( X X ) X i )
2
e
'
i
es t ( n k )
L Yi t1 / 2 S e2 (1 X i' ( X X ) 1 X i )
68
Coeficientes estandarizados
Yi Y 2 ( X 2 i X 2 ) .... k ( X ki X k ) i
Yi Y
SX2
2 S
SY
Y
j j
*
X 2i X 2
SX j
S X2
....
S Xk
SY
X 2i X 2
S X2
Variables en su nivel
Variables en
desviaciones de media
Variables estandarizadas
Se denomina coeficiente estandarizado o coeficiente Beta
SY
Los coeficientes beta informan respecto de la importancia relativa de las variables

explicativas en el modelo de regresin mltiple.
Indican cual es el cambio en unidades estandarizadas de la variable dependiente
ante un cambio en una desviacin estndar de la variable dependiente.
69
Correlacin Parcial
En el modelo de regresin mltiple interesa medir cun relacionada est la
variable dependiente con cada una de las variables independientes, luego de
eliminar completamente el efecto de las otras variables independientes en el
modelo.
Ejemplo
Sea el modelo:
Yi 1 2 X 2 i 3 X 3 i i
y sean los modelos auxiliares
1) Yi 1 2 X 3 i
2) X 2 i 1 2 X 3 i
Eliminamos de Y y X2 la influencia lineal de X3 y obtenemos:
de 1) Y * Yi Yi
de 2) X *2 i X 2 i X 2 i
Al coeficiente de correlacin entre Y* y X*2 se denomina correlacin parcial

entre Y y X2.
70
rYX 2 : Correlacin simple entre Y
y X2
rYX 3 : Correlacin simple entre Y
y X3
rX 2 X 3 : Correlacin simple entre X 2
y X3
rYX 2 . X 3 : Correlacin parcial entre Y

rYX 2 . X 3
rYX 2 rYX 3 rX 2 X 3
2
1 rX22 X 3 1 rYX
3
X2
Y
X3
y X 2 ( controlada por X 3
SY .3
2 rY 2.3
S 2.3
SY.3 : Desv. est. de los residuos en la regresin de Y en X3

S2.3 : Desv. est. de los residuos en la regresin de X2 en X3
71
Anlisis del modelo

Supuestos del modelo
1) Las variables X son no colineales
2) Las perturbaciones tienen distribucin normal
3) Regresores son no estocsticos

4) Las perturbaciones tienen varianza constante
5) Las perturbaciones son incorrelacionadas
Violacin del supuesto

Multicolinealidad
No normalidad de las
perturbaciones
Regresores estocsticos
Heterocedasticidad
Autocorrelacin
72
Problema de Multicolinealidad
MCO ( X X ) 1 X Y
Si alguna variable X es combinacin lineal de las otras, entonces
( X X ) K
No existe ( X X ) 1
Por lo tanto no podramos obtener los estimadores de los coeficientes del modelo,
lo que nos llevara a reformular el modelo en funcin de las otras variables
teniendo en cuenta la relacin lineal.
Si no existe colinealidad perfecta pero las correlaciones son muy altas, esto
implicara distorsiones en las estimaciones de los coeficientes, pues su varianza
sera muy grande (estimadores poco precisos).
73
Problema de Multicolinealidad
Sea el modelo
Ejemplo:
S 22
x x ( n 1)
S 23
Yi 1 2 X 2 i 3 X 3 i i
S 23
( n 1)
2
S3
r23 S 2 S 3
S 32
S 22
r23 S 2 S 3
S 32
1
( x x )
( n 1)[ S 22 S 32 r232 S 22 S 32 ] r23 S 2 S 3

1
r23 S 2 S 3
S 22
V ( 2 )
S 32 2
2
( n 1) S 22 S 32 (1 r232 ) ( n 1) S 22 (1 r232 )
Si r23
V ( 3 )
S 22 2
2
( n 1) S 22 S 32 (1 r232 ) ( n 1) S 32 (1 r232 )
Si r23
1
FIV
1 r232
Factor de incremento varianza

74
Consideremos el modelo restringido

2
u
V ( 21 )
( n 1) S 22
Yi 1 21 X 2 i ui
En cambio para el modelo sin restriccin
2
2
1
V ( 2 )
(1 r232 ) ( n 1) S 22 u2
En general
Donde
2
1
2
u
V ( 2 ) V ( 21 )
Si r23 = 0
As FIV
Yi 1 2 X 2 i 3 X 3 i i
1
1 r232
Indica en que medida ir creciendo la varianza del estimador

cuando las variables estn correlacionadas.
FIV
1
1 Ri2
2
i
R :
es el coeficiente de determinacin en el modelo

de Xi dadas las otras variables Xs
75
Deteccin del problema de Multicolinealidad

1. Caracterstica tpica de la multicolinealidad es que todos los coeficientes de
regresin pueden ser no significativamente diferentes de cero a nivel
individual, aunque en conjunto todas las variables sean muy significativas.
2. Al examinar la matriz de correlacin de las variables regresoras, R, y su
inversa R-1, se encuentra que el i-simo elemento de la diagonal principal de
R-1 (tii) es el factor de incremento de varianza (FIV) del coeficiente de la
variable Xi.
Si t ii FIV ( X i )
Tolerancia = 1- R2i
1
10
1 Ri2
Indica una alta multicolinealidad
Indica la porcin de la variable que no es explicada por las

otras variables
76
3. Al examinar los valores propios de (XX) o R y calcular el ndice de

condicionamiento
IC
Mximo valor propio de R

Mnimo valor propio de R
Se tiene el siguiente criterio

IC > 30
Existe alta multicolinealidad
10 IC 30
Existe multicolinealidad moderada
IC < 10
Matriz de datos est bien definida
77
4. Test de Farrar Glauber

i) Test de ortogonalidad
H 0 : Las X son ortogonales entre s

H 1 : Las X no son ortogonales entre s
Estadstica
2
calc
k2( k 1) / 2
2
calc
n 1 ( 2 k6 5 ) ln R
K: n de variables explicativas
R: matriz de correlaciones simples
p
2
calc
2( k ( k 1) / 2 )
R.C.
78
ii) Test F
Para determinar que regresor se encuentra ms colineado con las dems
variables.
Se obtiene la regresin de cada variable en funcin del resto de variables
y se calcula el R2 para el modelo de cada variable.
2
H 0 : Rmax
0
2
H 1 : Rmax
0
Estadstica
2
Rmax
/( k 1)
Fi
F( k 1, n k )
2
(1 Rmax ) /( n k )
K: n de variables explicativas
F( k ,n k )
Fi
R.C
79
iii) Test t
Para determinar que regresor se encuentra ms correlacionado con una de
las otras variables
2
H 0 : rmax
0
2
H 1 : rmax
0
Estadstica
rmax
n 2
2
1 rmax
Rmax es el coeficiente de
correlacin simple mximo
t n 2
- t1-/2
R.C.
t1-
t(n-k)
R.C
80
Tratamiento
1. Eliminar o excluir regresores del modelo, eligiendo aquellos que tengan mayor
multicolinealidad con las otras variables, es decir, FIV > 10
2. Incluir informacin externa a los datos de manera que se rompa el problema
de multicolinealidad (Se considera que este problema es un problema de la
muestra a mano)
3. Utilizar un modelo multiecuacional
4. Estimar los coeficientes utilizando el mtodo de regresin cresta, el cual es
un mtodo exploratorio que consiste en utilizar una modificacin a la matriz
(XX)
Eligiendo desde 0.01 hasta obtener resultados estables, es
( X X ) I
decir, tales que las varianzas de los estimadores no cambien
significativamente al cambiar algunos datos
5. Utilizar restricciones lineales para los coeficientes
6. Utilizar un modelo de componentes principales
81

Econometria Desarrollado Con Marco Teorico y Practico Del Ing. Ovando

Enviado por

Dados do documento

Título original

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Econometria Desarrollado Con Marco Teorico y Practico Del Ing. Ovando

Enviado por

Direitos autorais:

Formatos disponíveis

Facultad de Economa - UNMSM

La Econometra se ocupa del estudio de

Mg. Beatriz Castaeda

Mg. Beatriz Castaeda

Modelo mental: Representacin no explcita o

Mg. Beatriz Castaeda

Modelo econmico y modelo

Modelo econmico. Son leyes o relaciones econmicas

Modelo economtrico: Es un modelo especfico de

Mg. Beatriz Castaeda

Objeto y mtodo de la investigacin

El papel esencial de la econometra es la estimacin y

Mg. Beatriz Castaeda

Tipos de modelos economtricos

Modelos estructurales: la especificacin,

Tipos de modelos economtricos

Modelos de series temporales: Examinan el

Uniecuacionales: ARIMA, SARIMA

Mg. Beatriz Castaeda

Relacin entre variables econmicas

Todo modelo economtrico exige una

Regresin esprea: Es aquella regresin

Mg. Beatriz Castaeda

El clculo de coeficientes de correlacin y el trazado satisfactorio de

Proceso de contrastacin de teoras segn

Expresin matemtica de la teora:

Confrontacin del modelo

PROCESO GENERAL DE CONTRASTACIN DE TEORIAS

Modelo adoptado para contrastacin

Confrontacin del modelo

Modelo economtrico N-1

Compatibilidad con datos

Incompatibilidad con datos

Para todos los modelos

Para algunos modelos

Para todos los modelos

Informa sobre grado de

Nuevos desarrollos tericos

Nuevos desarrollos tericos c/posibles correc.

Contraste con datos no concluyente (reducida prob. o resultados opuestos compensados)

El papel de los modelos economtricos en la

El conocimiento de los coeficientes b0, b1 y b2 nos permite realizar

Anlisis estructural: Nos permite evaluar el impacto en Yt de

Prediccin de Yt dados unos hipotticos valores futuros para

Evaluacin de polticas o simulacin de los efectos que

Mg. Beatriz Castaeda

Mg. Beatriz Castaeda

Modelo de regresin lineal mltiple

Supuestos del modelo

4. El nmero de observaciones excede al de parmetros a estimar.

Mg. Beatriz Castaeda

(A) = Traza (A)

Traza (AB) = Traza (BA)

Puesto que TX genera

6. Si X(kx1) es N(0, I) y A es una matriz simtrica e idempotente

7. XAX y XBX son formas cuadrticas independientes

Mg. Beatriz Castaeda

Estimador de Mnimos Cuadrados

Obtenemos el valor calculado

El mtodo de mnimos cuadrados ordinarios consiste en obtener los estimadores

S ( ) e 2i [Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )]2 ee

Mg. Beatriz Castaeda

por la condicin de primer orden obtenemos las derivadas