Econometra

Definicin.- es aquella ciencia que busca cuantificar fenmenos o teoras

en forma matemtica con el objeto de ser verificada de forma estadstica
para as medir los impacto de una variables sobre con el objeto de poder
predecir y dar razonamiento lgico a un comportamiento.
ALGEBRA MATRICIAL

| |

| |

A= a b
c d

B= 1 2
3 4

||

C= e
f

Suma Y diferencia
Se puede suma A+B ya que son del mismo orden dos por dos y no podra
sumar A+C ya que no son del mismo orden A tiene un orden 2x2 y Ces de
orden 2x1
Multiplicacin
Regla : A

(mxp)

(pxb)

=C

(mxb)

Propiedades de la Multiplicacin
1) La multiplicacin de matrices no necesariamente es conmutativa: AB
BA
2) Un vector la pos multiplicado por un vector columna es un escalar.
3) Un vector columna pos multiplicado por un vector la es una matriz.
4) Una matriz pos multiplicada por un vector columna es un vector columna.
5) Un vector la pos multiplicado por una matriz es un vector la.
6) La multiplicacin de matrices es asociativa, es decir
(A MxN B

NxP

) C PxK = A

MxN

(B

NxP

PxK

7) La multiplicacin de matrices es distributiva con respecto a la suma

A(B + C) = AB + AC y (B + C)A = BA + CA
Transposicin de matrices

| |

A= a b
c d

| |

A = a c
b d

Propiedades de la Transpuesta

1) La transposicion de una matriz transpuesta es la misma matriz original

(A)= A
2) C = A + B C = (A + B) = A+ B
3) Si AB es definido, (AB) = BA
4) La transpuesta de un matriz identidad es la matriz identidad misma
5) 5) Si A es una matriz cuadrada tal que A = A ; entonces A es una matriz
simtrica.
6) La transpuesta de un escalar es el escalar mismo. Por tanto, si es un
escalar
=
7) La transpuesta de (A) es A ; donde es un escalar
Inversa
1) Encontrar el determinante de A: Si es diferente de cero, procdase al
paso 2.
2) Reemplazar cada elemento aij de la matriz A por su co factor para obtener
la matriz de cofactores (cof A)
3) Transponer la matriz de cofactores para obtener la matriz adjunta
4) Dividir cada elemento de la matriz adjunta por
cuadrada y no singular (es decir,
la manera siguiente:

A1=

1
( Adj A )
| A|

Ejemplo

A= 1 2
1 3

| A|=|12|+|12|
| A|=5

| A| : Entonces, si A es

| A| 0, su inversa A-1 se encuentra de

| |

Adj A= 3 1
2 1

Adj A = 3 2
1 1

A1=

| |

1 3 2
5 1 1

A1= 3 /5 2/5
1/5 1/5

Propiedades de la matrices inversas

1) (AB)

-1

= B-1A-1 siempre y cuando A y B no sean singulares

2) (A-1 )

-1

=A

3) (A )

-1

= (A-1 )

Estadstica
Poblacin Grupo bien definido (de personas, empresas, ciudades, etc.) en
el que se enfoca un anlisis estadstico o economtrico.
Parmetros Valor desconocido que describe una relacin poblacional entre la
medidas esta la varianza, la media, la proporcin
Muestra.- una muestra es un subconjunto de casos o individuos de una
poblacin
Estimacin: Valor numrico que un estimador adopta para una determinada
muestra de datos
Estimador: Regla para combinar datos que produce un valor numrico para
un parmetro poblacional; la forma de la regla no depende de la muestra
particular obtenida.
La econometra busca que mis estimador sea una buena adivinanza de mi
parmetro
Los objetivos de cualquier anlisis economtrico son estimar los parmetros
de un modelo y probar hiptesis acerca de ellos; los valores y signos de los
parmetros determinan la valide de una teora econmica y los efectos de
determinadas polticas.

Los tipos de estructuras de datos ms comnmente empleados en la

econometra aplicada son los datos de corte transversal, las series de
tiempo, las combinaciones de cortes transversales y los datos de panel. Los
conjuntos de datos en los que interviene una dimensin de tiempo, como las
series de tiempo y los datos de panel, requieren un tratamiento especial
debido a la correlacin en el tiempo de la mayora de las series econmicas.
Otras cuestiones, como las tendencias y la estacionalidad,surgen en las
series de tiempo, pero no en los datos de corte transversal.
Ceteris paribus y de inferencia causal. En la mayora de los casos, las
hiptesis en las ciencias sociales son de carcter ceteris paribus, es decir,
para estudiar una relacin entre dos variables todos los dems factores
relevantes deben mantenerse constantes.
En las ciencias sociales, dado el carcter no experimental de la mayor parte
de los datos que suelen recolectarse, hallar relaciones causales no es una
tarea fcil.
Esperanza condicional: Valor esperado o promedio de una variable aleatoria,
llamada variable dependiente o explicada, que depende de los valores de
una o ms variables diferentes, llamadas variables independientes o
explicativas.
Propiedades de los Estimadores
Insesgado.- se dice que es insesgado cuando tiende a la esperanza
parmetro E(b1)=

E =0
Consistente.- Sea Wn un estimador de _ basado en una muestra Y1, Y2, ,
Yn del tamano n.
Entonces, Wn es un estimador consistente de si para toda E>0, y en
donde n tiene al infinito
P(|Wn - |>E ) 0 cuando n
Si Wn no es consistente para , entonces se dice que es inconsistente.
Cuando Wn es consistente, tambin se dice que es el lmite en
probabilidad de Wn, escrito
como plim(Wn) =
Minimima Varianza.- con mnima varianza que tienda a tita va hacer que
cumpla con el parmetro
Supuestos
Linealidad
La linealidad significa que por cada aumento de una unidad en x el valor
esperado de y se modifica en la cantidad 1. Dado cualquier valor de x, la

distribucin de y est centrada en E(yx), estimadores confiables

en la prctica, nunca se conocen ni el intercepto ni la pendiente
poblacionales, pero para entender la ecuacin resulta til suponer, por un
momento, que se conocen. por los que se busca es que mi estimador busca
ser una buena adivinanza de mi parmetro
No Multicolinealidad.- la multicolinealidad existe cuando hay correlacin
entre las variables independiente esto ocasiona que el poder predictivo del
modelos se vea reducido
Cuando son dos que presenta este problema se llama colinealidad; a mayor
colinealidad la varianza unica por cada variable explicada se reduce
Se puede detecta con la matriz de correlacin, con el valor de tolerancia
=E(xx)-1 E(xy)

EXogenidad.- hace referencia a la relacin que puede existir entre mis

variable independientes y error

La consecuencia inmediata de la hiptesis de exogeneidad es que los

errores han significar cero: E[] = 0, y que los regresores no estn
correlacionadas con los errores: E[X] = 0. El supuesto de exogeneidad es
fundamental para la teora de MCO. Si se mantiene entonces las variables
regresoras se llaman exgeno. Si no es as, entonces los regresores que
estn correlacionadas con el trmino de error se llaman endgenas,2 y
luego las estimaciones MCO dejan de ser vlidas. En tal caso, el mtodo de
variables instrumentales se pueden utilizar para llevar a cabo la inferencia

Errores Esfricos

v(|x)=2I
cuando existe no existe relacin serial sesra v(|x)=2x en donde x es una
matriz y no se cumple que covarianza de cualquier relacin debe ser 0

donde A es un n n matriz de identidad, y 2 es un parmetro que

determina la varianza de cada observacin. Esta 2 se considera un

parmetro molestia en el modelo, aunque por lo general, se estima. Si esta

suposicin se viola entonces los estimadores MCO siguen siendo vlidos,
pero ya no es eficaz. Es costumbre de dividir esta suposicin en dos partes:
Homocedasticidad :E [i2 | X] = 2, lo que significa que el trmino de
error tiene la misma varianza 2 en cada observacin. Cuando este
requisito se viola esto se llama heterocedasticidad, en tal caso, un
estimador ms eficiente sera mnimos cuadrados ponderados. Si los errores
tienen varianza infinita entonces las estimaciones MCO tambin tendr
varianza infinita (aunque por la ley de los grandes nmeros que no obstante
se tienden hacia los valores verdaderos, siempre que los errores tienen
media cero). En este caso, tcnicas robustas de estimacin se recomiendan.
Autocorrelacin no:los errores no estn correlacionados entre
observaciones: E [ij | X] = 0 para i j. Este supuesto puede ser violado en
el contexto de los datos de series de tiempo, datos de panel, muestras de
racimo, datos jerrquicos, datos de medidas repetidas, datos longitudinales,
y otros datos con dependencias. En tales casos, mnimos cuadrados
generalizados ofrece una mejor alternativa que el OLS.
Normality: A veces se supone, adems, que los errores tienen distribucin
normal multivariante distribucin normal condicional en los regresores:

Este supuesto no es necesario para la validez del mtodo OLS, aunque

ciertos muestra adicionales finita propiedades se pueden establecer en el
caso cuando lo hace (especialmente en el rea de las pruebas de hiptesis).
Tambin cuando los errores son normales, el estimador MCO es equivalente
a MLE de mxima probabilidad, y por lo tanto es asintticamente eficiente
en la clase de todos los estimadores regulares.
Distribucin de los Errores

En algunas aplicaciones, especialmente con datos de corte transversal, un

supuesto adicional es impuesto - que todas las observaciones son
independientes e idnticamente distribuidas (iid). Esto significa que todas
las observaciones se toman de una muestra aleatoria que hace que todos
los supuestos mencionados anteriormente sean ms simples y ms fciles
de interpretar. Adems, este marco permite establecer resultados
asintticos (como el tamao de la muestra n ), que se entiende como
una posibilidad terica de ir a tener nuevas observaciones independientes
de los datos en un proceso de generacin de datos. La lista de las hiptesis
en este caso es:

Observaciones iid: (xi, yi) son independientes entre si, y tiene la misma
distribucin, xj, yj) para todo i j;

Hay multicolinealidad perfecta: Qxx = E[xixi] es una matriz indefinida positiva ;

Endogeneidad: E[i|xi] = 0;

Heterocedasticidad: Var[i|xi] 2.

Modelos Economtricos

Modelo Clsico o Lineal Con Datos de corte Transversal

se define en la ecuacin Y= 0+1+ en donde
Y = Variable dependiente explicada, y
1 = Variable independiente explicativa
y es conocida como el trmino de perturbacin, o de error, es una variable
aleatoria (estocstica) que tiene propiedades probabilsticas claramente
definidas. El trmino de perturbacin o variable estocstica (u ) puede
representar claramente todos aquellos factores que afectan a y y son
distintos de x.
= Y-Y
Grafica
9
8
7
6
5
Axis Title 4

horas_estudio

Linear (horas_estudio)

2
1
0
8 10 12 14 16 18 20 22
Axis Title

yo puedo tener diferente tipo de lnea de tendencia con la misma pendiente

pero la econometra me a verificar cual de esta lnea es mas idnea que
permita verificar el fenmeno

ejemplo

[Una ecuacin sencilla para el salario]

Un modelo en el que se relaciona el salario de una persona con la educacin
observada y con otros factores no observados es
salario=0+1educ+
Si salario se mide en dlares por hora y educ se mide en aos de educacin,
entonces 1educ mide la variacin en el salario por hora por cada ao ms
de educacin, cuando todos los dems factores permanecen constantes.
Entre estos factores se encuentran experiencia laboral, capacidades innatas,
antigedad en el empleo actual, tica laboral y otra gran cantidad de cosas.

MNIMOS CUADRADOS O OLS

se define en la ecuacin Y= 0+1+
buscca estimar de la mejor manera posible los coeficiente del modelo
y= b0+b1+ e1
y = y+ e1
Supuestos del ols
1. E()=0 estos quiere decir que nuestra lnea de regresin es como una
variable x afecta a una variable es decir no favorece ni castiga a
nadie
2. E(|x)=0= E() bsicamente que el error no esta relacin con ninguno
de los datos observados es decir la correlacin de x y los errores
deben ser cero.
esto aplicado al modelo tendramos que
E(y|x)=0+1x

ventajas de los OlS

SIMPLICIDAD
LENGUAJE COMN
LOS ESTIMADORES TIENEN PROPIEDADES DESEABLES: MELI( el mejor
estimador linealmente insegado

ejemplo

Coeficiente de determinacin R2
1.- promedio de y
prueba de hipotesis
Ho)0=0
h1)10
como utilizar los minimo cuadrados cuando hay endogenidad
Teorema de Gaus Markov.- demuestra el mejor el mejor estimador lineal
insessgado, demostrando que cualquier otro estimador tiene mayor
incertidumbre.
Teorema de Insesgamiento.- bajo los supuestos SRLM1 al SRLM4 se tiene
que
Ek=k

Rompiendo en los Supuesto

en este no se puede romper el supuesto de lineal y no multicolinealidad ya
que si se rompe esto supuestos causara que nuestro modelos sea
inconsistente lo cual no se puede permitir en un modelo
por los tanto los supuesto de exogenidad
Exogenidad Cov (x,)=0 cuando un modelos economtrico no posees
exogenidad tendr endogenidad, esta dice que mis variables independiente
se relaciona con mi error
Causas de Edongenidad Cov (x,)0

Variable Omitida.- causa que mi modelo sea sesgado, hay un relacion

con de x con
Errores Emisin.- que se relacionan con mis errores de medicin
Simultaneidad.- no se puede identificar que afecta de que lado de la
ecuacion

Consecuencias

Inconsistencia
Sesgado

Para Solucionar nacen:

Variable Proxy
Variables instrumentales
Mnimos Cuadrados en 2 etapas

Mnimos Cuadrados en 2 etapas

suele usarse en las ciencias sociales empricas. Cuando se utiliza como es
debido, puede permitir estimar los efectos ceteris paribus en presencia de
variables explicativas endgenas. Esto es vlido en las aplicaciones de
datos de corte transversal, series de tiempo y datos de panel. Pero cuando
los instrumentos son deficientes, lo cual significa que estn correlacionados
con el trmino de error, que slo est correlacionado dbilmente con la
variable explicativa endgena, o ambos, entonces MC2E puede ser peor que
MCO.
test Hausmn
La prueba de Hausman [Hausman (1978)] puede utilizarse para comparar
de manera formal las estimaciones de MCO y de MCP para ver si difieren
ms de lo que el error de muestreo sugiere que deban hacerlo, pero esta
prueba est ms all del alcance de este libro. En muchos casos, un vistazo
informal de las estimaciones es suficiente para detectar un problema.
Prueba de endogeneidad de una sola variable explicativa:
i) Se estima la forma reducida de y2 mediante su regresin sobre todas las
variables exgenas (incluidas las de la ecuacin estructural y las VI
adicionales). Se obtienen los residuales, v 2.
ii) Se agrega v 2 a la ecuacin estructural (que incluye a y2) y se ejecuta
una prueba de la significancia de v 2 mediante una regresin de MCO. Si el
coeficiente de v 2 es estadsticamente diferente de cero, se concluye que
y2 es en realidad endgena. Quiz se desee utilizar la prueba t robusta a la
heterocedasticidad.
Variable proxy una variable proxy es algo que est relacionado con la
variable no observada
que se desea controlar en el anlisis que se realiza.

Variable instrumentales

utiliza un mtodo de estimacin que reconoce la presencia de la variable

omitida
Como ejemplo, considere el problema de la capacidad inobservable en una
ecuacin de salario para adultos trabajadores. Un modelo simple es:
log(wage)= 0+1educ+2abil+e
log(wage)sobreEduc.IQ
log(wage)= 0+1educ +
en donde se supondra que x y u estn correlacionadas por los
Cov(x,)0
con el objeto de corregir esta correlacion se aplicaran lo siguiente :
para conseguir estimadores consistente de 0 1 cuando x y u estan
correlacionadas se necesita informacion adicional la cual ofesca una
variable que sastisfaga las siguiente condiciones
1.- no est correlacionada con u, es decir,
Cov(z,u) =0; 15
2) z est correlacionada con x, es decir
Cov(z,x) 0.
Entonces, z se denomina variable instrumental para x, o algunas veces
simplemente un instrumento para x

iMinimos cuadrado por dos estapas

x1 y x2 son exogenas
en el metodos de minimo s cuadrados busca corregis esa inconsitencia que
se por la presencia de endogenidad

1Etapas