Metodologa utilizada

Para encontrar los principales factores en la determinacin del turismo en las

playas mexicanas se recurri a la econometra de seccin cruzada, haciendo uso
del modelo clsico de regresin lineal, el cual muestra una relacin lineal entre
una variable endgena y las variables exgenas, las cuales explican a la variable
endgena pero no pueden ser influenciadas por ella. En general el modelo bsico
de regresin lineal se puede expresar de la siguiente forma:
Y t =1 + 2 X 2 + 3 X 3 + + x X u +U i
Donde:
Y= variable endgena o explicada cuyo comportamiento se quiere analizar.
X= cada una de las variables exgenas o explicativas y que son consideradas
como las causas que crean transformaciones en la variable endgena.
U i = trmino de perturbacin estocstica, el cual es un sustituto para todas
aquellas variables que son omitidas en el modelo, pero que colectivamente
afectan a la variable dependiente Y.
Para la estimacin de los parmetros se hace uso del procedimiento de mnimos
cuadrados ordinarios (MCO). Este procedimiento plantea utilizar como estimacin
de los parmetros aquella combinacin de betas que minimice los errores que el
modelo cometer. Este error dependera del valor asignado a las estimaciones de
los parmetros

; pues bien, el mtodo de MCO sugiere utilizar aquella

combinacin de parmetros estimados que minimice la suma al cuadrado de todos

los errores cometidos para las n observaciones disponibles:
e
( i )2
n

MCO min ( S )=min

i=1

El mtodo se considero adecuado para la estimacin del modelo, debido a que

logra minimizar los errores y a que es equivalente a estimar por el mtodo de
mximo verosimilitud.

Hay que considerar que el modelo clsico de regresin lineal considera la

siguiente serie de supuestos simplificadores para la creacin de modelos
economtricos de corte transversal.
Hiptesis de linealidad de los parmetros. Establece la linealidad en los
parmetros en la relacin entre la variable endgena y las exgenas.
Hiptesis de especificacin correcta. Esta hiptesis supone que las

variables explicativas del modelo son aquellas variables relevantes que

explican el comportamiento de la endgena. Y que estn todas. No existe
ninguna variable

Xi

que no explique nada de la

Y . Es decir, el modelo

est bien planteado o especificado.

Hiptesis de grados de libertad positivos. Los grados de libertad de un
modelo se definen como la diferencia entre el nmero de datos (n) y el
nmero de variables explicativas (k). Es decir, gl=nk 0 .
Hiptesis de parmetros constantes. Esta hiptesis supone que los
parmetros 1 , 2 , k son constantes en el tiempo.
Hiptesis de independencia lineal entre las variables explicativas. Esta
hiptesis implica que cada variable explicativa contiene informacin
adicional sobre la endgena que no est contenida en otras. Su hubiera
informacin repetida habra variables explicativas dependientes linealmente
de otras. Formalmente, se puede resumir la informacin muestral sobre las
k

variables explicativas (regresores) en una matriz, denotado por

n k

de tamao

con la siguiente estructura:

x 11 x 1 k

x n 1 xnk

columna recoge los datos asociados a cada variable

X ,

donde cada

x . El hecho de que

cada columna sea linealmente independiente de las otras implica que el

rango de la matriz
variable

es completo, es decir, igual a

k . Si alguna

es linealmente dependiente de otra, decimos que existe un

problema de multicolinealidad exacta.

Hiptesis de regresores no estocticos. Esta hiptesis implica que los
datos de las variables explicativas son fijos e muestras repetidas; es decir,

el valor de las variables explicativas es constante en la funcin de

distribucin de la endgena.
Adems se consideran los siguientes supuestos referentes a las perturbaciones
estocsticas del modelo:
Supuesto 1: El valor medio de la perturbacin
valor de la
ui

ui

es igual a cero. Dado el

X , la media o el valor esperado del trmino aleatorio de perturbacin

es cero. Tcnicamente, el valor de la media condicional de

Simblicamente, se tiene:

es cero.

E ( ui|X i ) =0

Supuesto 2: Homosedasticidad o igual varianza de

varianza de

ui

ui . Dado el valor de X, la

ui , es la misma para todas las observaciones. Esto es, las

ui

varianzas condicionales de

son idnticas. Simblicamente se tiene que:

var ( ui| X i )=E [u iE(ui ) X i ]2=E ( u2i | X i )= 2

Supuesto 3:

ui N ( 0, 2) .

Los residuos se distribuyen de forma normal con media

cero y varianza constante.

Supuesto 4: No existe autocorrelacin entre las perturbaciones. Dados dos
valores cualquiera de
cualquiera

X , Xi

X j (i j) , la correlacin entre dos

(i j) es cero. Simblicamente:

cov ( ui ,u j|X i , X j )=E { [ uiE ( u i ) ]|X i } {[u jE ( u j ) ] X j }

E ( ui|X i ) ( u j|X j )=0

ui

uj