Escolar Documentos
Profissional Documentos
Cultura Documentos
GUAYAQUIL
FACULTAD DE ECONOMÍA
Econometría I
Octubre/2018
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Horario de Clases
Martes y Jueves
07H00 – 09H00
Exámenes
Primer parcial: 10 - 16 de diciembre/2018
Segundo parcial: 18 – 24 de febrero/2019
Recuperación: 25 de febrero - 6 de marzo/2019
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Datos Generales
-Disciplina
-Puntualidad
-Celulares
-Conversar
- Investigaciones
- Tareas – Deberes
- Lecciones
- Análisis de artículos del periódico 5 puntos
- Ensayos
- Talleres
- Aportes - Test
- Trabajo de fin de parcial
- Examen 5 puntos
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Evaluaciones
- Lecciones semanales
- Aportes mensuales
- Proyecto al final de cada parcial
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Bibliografía
1º Etapa pre-econométrica
2º Etapa de nacimiento de la Econometría
3º Etapa de aportaciones básicas o fundamentales
4º Etapa de desarrollo
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
- Métodos de estimación multietápicos de ecuaciones simultáneas
- Modelos ARIMA de series de tiempo
- Modelos de retardos distribuidos
- Modelos de respuesta cualitativa
- Cointegración y corrección de errores
- Selección de modelos, contrastes de especificación y evaluación
- Técnicas bayesianas
- Modelos de datos de panel
- Modelos de fronteras estocásticas
- Modelos de supervivencia
- Difusión de paquetes econométricos
- Acceso masivo a la información económica
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Métodos de la Econometría
La teoría tradicional clásica que predomina en la
investigación empírica en economía se realiza en los
términos siguientes:
+ Planteamiento de la teoría o de la hipótesis
+ Especificación del modelo matemático de la teoría
+ Especificación del modelo econométrico o estadístico de
la teoría
+ Obtención de datos
+ Estimación de los parámetros del modelo econométrico
+ Prueba de hipótesis
+ Pronóstico o predicción
+ Utilización del modelo para fines de control o de política
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE
Aplicaciones de ECONOMÍA
la Econometría.
Explicar la economía de un agente económico (como una
empresa o un consumidor), o la de un agregado de agentes
económicos, como podría ser un sector del mercado, o una zona
de un país, o todo un país, o cualquier otra zona económica.
Su evolución en el tiempo (por ejemplo, decir si ha habido o no
cambio estructural),
Predecir futuros valores de la variables.
Sugerir medidas de política económica conforme a objetivos
deseados (por ejemplo, para poder aplicar técnicas de
optimización matemática para racionalizar el uso de recursos
dentro de una empresa, o bien para decidir qué valores debería
adoptar la política fiscal de un gobierno para conseguir ciertos
niveles de recaudación impositiva).
UNIVERSIDAD DE
GUAYAQUIL
Tipos de datos
FACULTAD DE ECONOMÍA
Series de tiempo: Es un conjunto de observaciones
sobre los valores que toma una variable en distintos
momentos de tiempo (análisis macroeconómico).
Corte transversal: consiste en datos de una o más
variables recogidas en el mismo momento del tiempo
(análisis microeconómico).
Información combinada (panel): con distintos
individuos en distintos periodos de tiempo, los datos
contienen elementos de series de tiempo y de corte
transversal reunidos (análisis microeconómico).
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Estructura de los datos
Datos Sin transformar
• En niveles
Datos transformados
• Proporción (Índices)
• Diferencias
• Tasas de variación
• Logaritmos
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Fuentes de Datos
Se entiende por datos, los diferentes valores que toma una
variable.
Los datos pueden corresponder a los valores de una
variable en el tiempo (serie temporal), o a valores para
diferentes sujetos en un momento dado (datos de corte
transversal).
+ Agencias Gubernamentales: BCE, INEC
+ Agencias Internacionales: FMI, BM
+ Organizaciones Privadas: S&P, BVG
Número de
ecuaciones
Uni- Multi-
ecuacionales ecuacionales
Simples Múltiples
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Tipos de
modelos
Forma
funciona
l
No
Lineales
Lineales
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Tipos de
modelos
Momento del
tiempo
Dinámicos Estáticos
Autorregresivos
Con
Retardos
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Tipos de
modelos
Tipos de
datos
Corte
Series de
Transvers Panel
tiempo
al
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Tipos de
modelos
Transformación
Tasas de Logaritmico
En Niveles
Variación s
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Fases en la elaboración de un modelo
econométrico
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Fases en la elaboración de un modelo
econométrico
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Parámetros
Los coeficientes ß de la recta de regresión, son conocidos como
los parámetros del modelo son, respectivamente, los coeficientes
de la intersección y de la pendiente.
La principal utilidad que tienen los parámetros es la de cuantificar
las relaciones que existen entre las variables explicativas y la
variable endógena.
El análisis de los parámetros estimados permite conocer la
estructura económica del fenómeno que estamos analizando,
entendiendo por estructura el patrón de comportamiento de
acuerdo con el cual se desarrolla una acción. Una vez estimado el
modelo, admitimos que la estructura permanece constante para
todo el periodo de estimación. Esto es, que los parámetros son los
mismos para toda la muestra y que las relaciones permanecen
constantes para todo el periodo analizado.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Interpretación de los coeficientes.
El coeficiente que corresponde al término constante
debe ser interpretado como el valor que toma la
variable endógena cuando el resto de variables
explicativas valen cero.
El resto de parámetros que acompañan a las variables
explicativas miden la relación entre éstas y la variable
endógena a través de su signo y su cuantía.
El signo mide si la relación entre las variables es
directa o inversa. La cuantía sirve para medir la
importancia de la relación entre la variable explicativa y
la variable endógena.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Perturbación aleatoria
Recoge el efecto conjunto de otras variables no
directamente explicitadas en el modelo, cuyo efecto
individual sobre la endógena no resulta relevante. Significa
un determinado grado de perturbación. Técnicamente es
conocido como perturbación estocástica, término de error
estocástico o ruido blanco. Es un sustituto para todas
aquellas variables que son omitidas del modelo pero que
colectivamente afectan a la variable dependiente (Y).
La pregunta obvia es: ¿por qué no se introducen estas
variables en el modelo explícitamente? Planteado de otra
forma, ¿por qué no se desarrolla un modelo de regresión
múltiple con tantas variables como sea posible?.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Las razones son:
➢Vaguedad de la teoría
➢ No disponibilidad de información
➢ Variables centrales vs. variables periféricas
➢ Aleatoriedad intrínseca en el comportamiento
humano.
➢ Variables proxy (representantes) inadecuadas
➢ Principio de parsimonia
➢ Forma funcional incorrecta
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Análisis de Regresión
Se trata de una relación de causa-efecto que debe
tener su origen, en la teoría económica.
Si la relación no se sustenta en alguna teoría
económica y estadísticamente se cumple una
relación de dependencia, ello no es válido para
asumir una relación de causalidad.
No debe confundir con el análisis de correlación,
el cual consiste en medir el grado de relación
lineal entre las variables, a diferencia del análisis
de regresión que mide relaciones de causalidad.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Trata del estudio de la dependencia de la variable
dependiente, respecto a una o más variables (las
variables explicativas), con el objetivo de estimar
y/o predecir la media o valor promedio poblacional
de la primera en términos de los valores conocidos
o fijos (en muestras repetidas) de las últimas.
El análisis de regresión se relaciona en gran
medida con la estimación y/o predicción de la
media (de la población) o valor promedio de la
variable dependiente, con base en los valores
conocidos o fijos de las variables explicativas.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
A estos valores medios los conocemos como los
valores esperados condicionales, en vista de
que dependen de los valores dados a la variable
(condicional) X.
En forma simbólica, los denotamos como E(Y/X),
lo cual se lee como el valor esperado de Y, dado
el valor de X.
Resulta importante distinguir dichos valores
condicionales esperados del valor esperado
incondicional .
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Si unimos los valores de las medias condicionales,
obtenemos lo que se conoce como la recta de
regresión poblacional (RRP). Es la regresión de Y
sobre X.
Desde el punto de vista geométrico, una curva de
regresión poblacional es simplemente el lugar
geométrico de las medias condicionales de la variable
dependiente para los valores fijos de la(s) variable(s)
explicativa(s). En palabras más simples, es la curva
que conecta las medias de las subpoblaciones de Y
que corresponden a los valores dados del regresor X.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Por lo tanto, como una primera aproximación o como
una hipótesis de trabajo, podemos suponer que la FRP
E(Y/Xi) es una función lineal de Xi, digamos del tipo:
con base en la FRM: porque son más frecuentes los casos en que
el análisis está basado en una muestra tomada de una población.
Pero debido a fluctuaciones muestrales el estimado de la FRP es,
en el mejor de los casos una aproximación.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Para X = Xi , se tiene una observación (muestral) Y = Yi. En
términos de la FRM, la Yi observada puede ser expresada
como:
- Individual
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Significancia Global
Se puede demostrar la capacidad de las variables X para explicar
el comportamiento de Y. Es decir: ¿Es posible estimar la variable
dependiente sin basarse en las variables independientes?.
Validamos si todas las X tomadas en conjunto explican
significativamente la variabilidad observada de Y.
Mediante esta prueba se investiga si es posible que todas las
variables independientes tengan coeficientes de regresión (los
parámetros) cero.
Para probar la hipótesis de que todos los coeficientes son cero se
usa la distribución F.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Nivel de significancia α
Rechazar o no una hipótesis nula depende del
nivel de significancia que se la conoce como la
probabilidad de cometer error tipo I (la
probabilidad de rechazar la hipótesis cuando es
verdadera) o error tipo II (la probabilidad de
aceptar la hipótesis cuando es falsa). Los niveles
de significancia más usados son 1%, 5% y 10%.
El problema de la selección de α se evita al
emplear el valor p del estadístico de prueba.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
La regla de decisión de esta prueba será:
Rechazar H0 sí y solo sí el valor F calculado es mayor al valor F de
tabla.
Esta prueba de significancia también se la puede hacer usando el
valor p (p value), este valor representa la probabilidad que el valor
de los coeficientes esté tan lejos de cero como el valor observado
obtenido de la regresión, este valor se compara con el nivel de
significancia utilizado (0,05 ó 5%).
La regla de decisión será:
Rechazar H0 sí y solo sí el valor p del estadístico F es menor al
nivel de significancia (α)
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Significancia Individual
A menudo nos preguntaremos ¿en realidad Y depende
de X?. Con frecuencia esta pregunta se plantea como:
¿Es X una variable explicativa significativa de Y?
Si B ≠ 0 entonces, Y depende de X (es decir Y varía
cuando X varía) y no depende de X si B = 0.
Para esta prueba se utiliza el estadístico t de Student
con n – (k + 1) grados de libertad, siendo n el número
de observaciones y k el número de variables
independientes y de acuerdo al nivel de significancia
escogido.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
La regla de decisión de esta prueba será:
Rechazar H0 sí y solo sí el valor t calculado del coeficiente
es mayor al valor t de tabla.
Esta prueba de significancia también se la puede hacer
usando el valor p (p value), este valor representa la
probabilidad que el valor de b esté tan lejos de cero como el
valor observado obtenido de la regresión, este valor se
compara con el nivel de significancia utilizado (0,05 ó 5%).
La regla de decisión será:
Rechazar H0 sí y solo sí el valor p del coeficiente es menor
al nivel de significancia (α)
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Errores Estándar de la Estimación
Es evidente que los mínimos cuadrados estimados son función de los
datos muestrales. Se requiere alguna medida de "confiabilidad" o precisión
de los estimadores. En estadística la precisión de un valor estimado es
medida por su error estándar (ee). Los errores estándar de los MCO
estimados pueden obtenerse de la siguiente manera:
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
2
Coeficiente de determinación r
El coeficiente de determinación múltiple. Al estudiar el análisis de
correlación simple, medimos la fuerza de la relación entre dos variables,
utilizando el coeficiente de determinación de la muestra, r2. Este
coeficiente de determinación es la fracción de la variación total de la
variable dependiente Y que se explica con la ecuación de estimación.
Similarmente, en la correlación múltiple mediremos la fuerza de la
relación entre tres variables utilizando el coeficiente de determinación
múltiple, R2, o su raíz cuadrada, R (el coeficiente de correlación múltiple).
Este coeficiente de determinación múltiple es también la fracción que
representa la porción de la variación total de Y que “explica” el plano de
regresión.
Esto nos dice que las variables independientes explican un tanto por
ciento de la variación total de Y.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Coeficiente de determinación r2
Se considera la bondad del ajuste de la recta de regresión
ajustada a un conjunto de datos; es decir, demuestra qué tan
"bien" se ajusta la recta de regresión a los datos. Si todas las
observaciones fueran a caer en la recta de regresión, se
obtendría un ajuste "perfecto", pero raramente se presenta
este caso.
Generalmente, hay algunas μi positivas y algunas μi negativas.
Se tiene la esperanza de que estos residuos alrededor de la
recta de regresión sean lo más pequeños posibles.
El coeficiente de determinación r2 (caso de dos variables) o
R2 (regresión múltiple) tiene valores entre 0 y 1.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Cálculo de r2
Primero debemos definir las sumas de cuadrados.
❖ Variación total de los valores reales de Y con respecto a la
media muestral, son llamados suma total de cuadrados
(STC).
❖ La variación de los valores Y estimados alrededor de su
media, la suma de los cuadrados debida a la regresión [es
decir, debida a la(s) variable(s) explicativa(s)], o explicada
por ésta, o la suma explicada (de la regresión) de
cuadrados (SEC) .
❖ La variación residual o no explicada de los valores de Y
alrededor de la recta de regresión, o la suma de residuos
al cuadrado (SRC) .
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
SCR
SC
T
= E(u2 |Xi)
= σ2
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Supuesto 5: No existe autocorrelación entre
las perturbaciones.
Dados dos valores cualquiera de X1 Xi y Xj (i≠j), la
correlación entre dos μi, μj cualquiera (i ≠ j) es
cero. Simbólicamente:
=0
Donde i y j son dos observaciones diferentes
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Supuesto 6: La covarianza entre μi y Xi es cero, o
E(μiXi) = 0.
Formalmente,
cov(μi , Xi) = E[μi- E(μi))[Xi – E(Xi)]
= E[μi(Xi - E(Xi))], puesto que
E(μi) = 0
= E(μiXi) - E(Xi)E(μi), puesto que E(Xi)
es
no estocástica
= E(μiXi), puesto que
E(μi) = 0
= 0.
La perturbación μi y la variable explicativa Xi no están
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Supuesto 7: El número de observaciones n
debe ser mayor que el número de
parámetros por estimar.
Alternativamente, el número de observaciones
n debe ser mayor que el número de variables
explicativas.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Supuesto 8: Variabilidad en los valores de
X.
No todos los valores de X en una muestra
dada deben ser iguales. Técnicamente, Var(X)
debe ser un número positivo finito.
Si todos los valores de X son idénticos,
entonces Xi = X media, haciendo esto que la
estimación de β2 y, por consiguiente, de β1
sea imposible.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Supuesto 9: El modelo de regresión está
correctamente especificado.
Alternativamente, no hay un sesgo de
especificación o error en el modelo utilizado
en el análisis empírico.
La metodología econométrica clásica supone
implícitamente, cuando no lo hace explícito,
que el modelo utilizado para verificar una
teoría económica está "especificado
correctamente".
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Supuesto 10: No hay multicolinealidad
perfecta.
Es decir, no hay relaciones perfectamente
lineales entre las variables explicativas.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Qué tan reales son los supuestos?
La "realidad de los supuestos" es una pregunta que
desde hace muchos años ha sido planteada en la
filosofía de las ciencias. Algunos argumentan que no
interesa si los supuestos son realistas. Lo que interesa
son las predicciones basadas en esos supuestos.
Entre quienes apoyan la "tesis de la irrelevancia de los
supuestos" sobresale Milton Friedman. Para él, la
irrealidad de los supuestos es una ventaja positiva:
"para que una hipótesis sea importante... debe ser
descriptivamente falsa en sus supuestos".
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Propiedades de los estimadores MCO
Las propiedades estadísticas de los MCO están
basadas en los supuestos del MCRL y están avaladas
por el famoso teorema Gauss-Markov.
Dados los supuestos del modelo clásico de regresión
lineal, los valores estimados de mínimos cuadrados
poseen algunas propiedades ideales u óptimas. Estas
propiedades están contenidas en el muy conocido
teorema Gauss-Markov.
Para entender este teorema se necesita considerar la
propiedad del mejor estimador lineal insesgado.
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Se dice que un estimador, es decir, el estimador MCO β2, es
el mejor estimador lineal insesgado (MELI) de β2 si se
cumple lo siguiente:
Es lineal, es decir, función lineal de una variable aleatoria,
tal como la variable dependiente Y en el modelo de
regresión.
Es insesgado, es decir, su valor promedio o esperado,
E(β2), es igual al valor verdadero β2.
Tiene varianza mínima dentro de la clase de todos los
estimadores lineales insesgados; un estimador insesgado
con varianza mínima es conocido como un estimador
eficiente.
Consistente: a medida que se aumenta el tamaño de la
muestra se acerca más al verdadero valor
UNIVERSIDAD DE
GUAYAQUIL
FACULTAD DE ECONOMÍA
Teorema Gauss-Markov
Dados los supuestos del modelo clásico de
regresión lineal, los estimadores de mínimos
cuadrados, dentro de la clase de estimadores
lineales insesgados, tienen varianza mínima, es
decir, son MELI.
Las propiedades estadísticas que se acaban de
exponer se conocen como propiedades de
muestra finita: estas propiedades se mantienen
sin importar el tamaño de la muestra sobre la cual
estén basados los estimadores.