CL Notes 1 Student PDF

Econometria I
Tema 1
Universidad Carlos III
Getafe, Madrid
UC3M
Julio Cceres Delpiano (UC3M) Econometria I 10/07 1 / 68

Outline
Introduccin
Pasos en el trabajo emprico
Datos economicos
El modelo econometrico
Ejemplos
Nuestro gran objetivo: Causalidad

Que es Econometra?
Disciplina que usa modelos probabilsticos y de mtodos de inferencia

estadstica, para el estudio de relaciones econmicas, la contrastacin
de teoras econmicas o la evaluacin e implementacin de polticas
econmicas o empresariales.
Cual es la diferencia entre econometria y estadistica matematica?
Observacionales vs Experimentales.
Economistas han desarrolado tecnicas destinadas a resolver y explotar
la naturaleza de los datos
El metodo de regresion multiple es el mismo, pero el enfoque e
interpretacion diere

Aplicaciones
Aplicacion y preguntas donde la econometria nos puede ayudar. Muchas!!!!

Evaluacion de programas. Treatment literature. Una forma muy util
de ver los problemas econometricos
Prediccion de variables macros (PGB, tasas de interes, tasas de
inacion, etc.)
Relaciones macroeconomicas: DesempleoInacion, InacionDinero
Relaciones Microeconomicas: SalariosEducacion, ProductoInsumo,
I+D inversionUtilidades en las rmas
Finanzas: stock volatility
Otras diciplinas: Sociologia, Historia, Criminologia, etc.

Etapas del Anlisis Econmico Emprico
El modelo economico. La pregunta

Datos y variables Economicas
Modelo economtrico

El modelo economico
La teoria propone modelos que explican el comportamiento de las

variables Y = (Y1 , . . . , Ym )0 (variables endogenas) como funcion de
otras variables X = (X1 , . . . , Xk )0 que se determinan fuera del modelo
(variables exogenas)
Las variables Y1 , . . . , Ym pueden expresarse como solucion del
siguiente sistema de ecuaciones
f1 (Y1 , . . . , Ym ; X1 , . . . , Xk ) = 0
:
fm (Y1 , . . . , Ym ; X1 , . . . , Xk ) = 0
Las funciones f1 ,. . . , fm representan el comportamiento de los
agentes econmicos determinado en base a una optimizacin

Datos y Variables Econmicas
Las variables de un modelo econmico Z = (Y 0 , X 0 )0 representan

aspectos del comportamiento de los agentes a nivel individual o
agregado.
El economista observa, directamente o de forma aproximada, el
comportamiento y las caractersticas de los agentes, que organiza en
lo que llamamos datos, la evidencia emprica,
Datos0Zn ! 1fZ1 , ..Zn g

y1i
B .. C
B . C
B C
Bymi C
Zi = B C
B x1i C
B C
B .. C
@ . A
xmi

Modelos Economtricos
Un modelo economtrico se construye para cuanticar y contrastar las

relaciones entre variables econmicas postuladas por un modelo
econmico a partir de la evidencia emprica (los datos).
Caractersticas de un modelo economtrico:

Reconoce el carcter estocstico que gobierna las relaciones entre
variables.
Postula una forma funcional que depende de parmetros, los cuales se
denen (identican) a partir de la informacin que proporciona la
teora econmica, o el sentido comn, y/o supuestos probabilsticos no
contrastables.
El modelo debe tener en cuenta que hay otros muchos factores que
afectan a la decisin y que en general no son observables o
identicables.

La Estructura de los Datos Econmicos
Existen diferentes tipos estructura de los datos economicos. Mientras

algunos metodos econometricos pueden ser aplicados con pocas
modicaciones a diferentes tipos de datos economicos, aspectos
particulares de algunos datos economicos requieren modicaciones en
orden de explotar estos aspectos de los datos
Muestreo Aleatorio: Se considera el experimento entrevistar a una
persona al azar en una poblacin de individuos. El espacio muestral
de todos los sucesos individuales, es el conjunto de todos los
individuos de la poblacin.
Tambin se pueden considerar las observaciones de Zn = z1 , ..., zn
como las realizaciones IID de n v.a. independientes Z1 , ..., Zn .

Datos de corte transversal o Datos de Seccin Cruzada
Son datos estticos, referidos a un periodo jo, sobre individuos de

una poblacin, generalmente provenientes de encuestas sobre familias,
empresas, etc.
El orden de los datos no importa
Esta es la estructura de datos que tendremos en mente gran durante
este semestre.

Datos de corte transversal o Datos de Seccin Cruzada
ID Age Income Sex Marriage

1 68 12000 1 1
2 43 24324 0 1
3 23 17345 0 0
. . . . .
. . . . .
. . . . .
999 67 54987 1 1
1000 32 67677 1 0

Series Temporales
Son observaciones de una variable o varias variables a lo largo de

varios periodos de tiempo (aos, meses, etc.). Ejemplos: precio de
activos, tipos de inters, tipos de cambio, tasa de inacin, oferta de
dinero, PIB, tasa de desempleo, ventas de una empresa, etc.
Las observaciones no son independientes: la evolucin temporal puede
explotarse con nes predictivos.
La frecuencia y orden con la que se observan los datos es muy
importante.

Series Temporales
year ination unemployment growth

1975 3,8 5,8 3,6
1976 5,4 6,4 2,8
1977 5,3 8,9 2,9
. . . .
. . . .
. . . .
2001 1,3 6,3 1,5
2002 1,1 6,9 1,2

Datos de Panel
Consisten en una serie temporal por cada unidad de seccin cruzada.

La longitud de las series temporales (T ) suele ser mucho ms corta
que el nmero de unidades de seccin cruzada (n).
Generalment N > T
Datos de panel 6= series temporales de secciones cruzadas
Son ms difciles de conseguir.
Aportan ms informacin y permite responder a preguntas que las
secciones cruzadas no pueden
Permiten incluir una estructura temporal en el razonamiento
econmico

Datos de Panel
Firm year prot employment stock

1 1995 200 150 0
1 1996 3000 135 0
: : : : :
: : : : :
1 2000 4566 356 1
2 1995 200 150 0
2 1996 3000 135 0
: : : : :
525 1995 200 150 0
525 1996 3000 135 0
: : : : :
: : : : :
525 2000 4566 356 1

Causalidad y anlisis ceteris paribus
Objetivo: descubrir si una variable tiene un efecto causal sobre otras

variables.
La relacin causal es muy diferente de una simple asociacin o
correlacin
Ceteris paribus: otros factores (relevantes) siendo iguales, es un
concepto clave en el anlisis causal. Sin este concepto no se pueden
medir efectos causales.
Prctica: imposible realizar experimentos c.p. en Economa.
Tcnicas Economtricas: simulan tales experimentos a partir de datos
observacionales.

El Modelo de Regresin Simple// Denicin y elementos
Objetivo: Modelo Economtrico para explicar cmo x explica y Problemas

bsicos:
Como la relacin entre x e y no es perfecta, cmo se permite que
otros factores afecten a y?
Cul es la relacin funcional entre x e y?
Cmo asegurarnos que est captando una relacin ceteris paribus?

Modelo de Regresin lineal simple
Solucin sencilla a los problemas anteriores:
Y = 0 + 1 X + u
El supuesto es que se cumple en la poblacin de inters.

Elementos del modelo:
Variables y trmino de error.
Relacin funcional.
Parmetros

Modelo de Regresin lineal simple. Relacin funcional:
Modelo lineal
Si los dems factores contenidos en u se mantienen jos, u = 0,

entonces x tiene un efecto lineal sobre y
y = 1 x si u = 0

Modelo de Regresin lineal simple. Parametros
1 : parmetro de pendiente en la relacin entre x e y : es el cambio

en y cuando se multiplica por el cambio en x. Es el parmetro clave
en aplicaciones.
0 : trmino constante (valor de y cuando x y u son cero). Menos
interesante.
Ejemplo Mincer Equation

Anlisis ceteris paribus?
1 : efecto de x sobre y, con todos los dems factores (en u) jos.

Pero en qu sentido podemos mantener los otros factores para llegar
a tales conclusiones?
Slo se pueden obtener estimaciones ables de los parmetros 0 y 1
a partir del muestreo aleatorio cuando establecemos supuestos que
restringen el modelo en que el error no observable u se relaciona con
la variable explicativa x.
Como x y u son VAs necesitamos un concepto basado en su
distribucin de probabilidad.

Trmino constante: 0 ?
Supuesto inicial: siempre que incluyamos el trmino constante 0 en

la ecuacin podemos suponer que el valor medio de u en la poblaci
es cero:
E (u ) = 0.
No arma nada sobre la relacin entre x e y .
Slo afecta a la distribucin marginal de u.
Es simplemente una normalizacin: el efecto medio de los otros
factores se renormaliza a cero.

Modelo de Regresin lineal simple. Relacin x y u
Se dene la independencia entre x y u desde el punto de vista de la

distribucin de u condicional en x :
E (u jx ) = E (u ) = 0.
Para todos los posibles valores de x, la media de u siempre es la
misma, 0.
Que dice este supuesto sobre habilidad en la ecuacin de Mincer?
Ejemplo fertilizante

Otra interpretacin
El supuesto E (u jx ) = E (u ) = 0. con lleva otra interpretacin muy

til. Tomando el valor esperado de y condicional en el valor de x,
E (y jx ) = 0 + 1 X
Esta expresin proporciona el valor de la funcin de regresin
poblacional, que en este caso es lineal.
Tambin se puede escribir
y = E (y jx ) + u = 0 + 1 X + u,
donde E (y jx ) = 0 + 1 es la parte explicada por x y u es la parte
no explicada por x.

Especicacin de la forma funcional. No linealidades en
regresin simple. Log-Level
El modelo lineal implica que el incremento de y cuando cambia x
siempre es igual, independientemente del nivel de x :
wage = 0 + 1 educ + u
Pero es ms razonable suponer que es el porcentaje de incremento el
que es constante.
Un modelo que consigue esto, aproximadamente, es:
log (wage ) = 0 + 1 educ + u
As, si u = 0, entonces (100 1 ) es la semielasticidad de wage

respecto a educ,
%wage = (100 1 )educ.

Modelos No Lineales. Modelo de Elasticidad Constante
(log-log)
En este caso la relacin entre x e y se establece en trminos de

incrementos relativos.
Ambas variables deben aparecer en logaritmos,
log (wage ) = 0 + 1 log (educ ) + u
Pero es ms razonable suponer que es el porcentaje de incremento el

que es constante.
Cual es la interpretacin de 1 ?

Modelos No Lineales. Modelo con regresores en logaritmos
(level-log)
En este caso controlamos incrementos relativos de x,

y = 0 + 1 log (x ) + u,
Cual es la interpretacin de 1 ?

Limitaciones del Anlisis de Regresin Simple
Difcil extraer conclusiones ceteris paribus: mejor controlar ms

factores para hacer una anlisis causal. Ej: Student Score on Student
Expenditure.
Slo consigue explicar una parte limitada de la variabilidad de y en
funcin de una nica x.
Slo puede incorporar una determinada relacin funcional entre la x y
la y (en funcin de x, log (x ), etc.). Ej CEO salaries

Motivacin para la regresin mltiple. Modelo con k
variables independientes
Y = 0 + 1 X1 + 2 X2 + . . . + k Xk + u.
k + 1 parmetros.
0 es el trmino constante.
j mide el efecto sobre y de un cambio en xj , manteniendo otros
factores constantes (parmetros de pendiente).
u : otros factores que afectan y y no son x1 , x2 , . . . , xk .

Motivacin para la regresin mltiple. Modelo con k
variables independientes: SUPUESTOS
Generalizacin de la independencia en media condicional:
E (u jx1 , x2 , . . . , xk ) = 0.
El valor esperado de u debe ser igual para todas las combinaciones de
x1 , x2 , . . . , xk .
Tambin implica que se han especicado correctamente todas las
relaciones funcionales entre las x 0 s y la y .
Este supuesto garantiza que MCO est insesgado, y si se omite una
variable de x1 , x2 , . . . , xk ocasionar un sesgo.

Mecnica e interpretacin de MCO. Obtencin de los
EMCO
Ecuacin estimada por MCO:
Y =c 0 + c
1 X1 + c2 X2 + . . . + c Xk
k
MCO elige los valores de c0 , c
1 , c c que minimizan la suma de
2 , . . . , k
cuadrados de los residuos.
Dadas n observaciones f(xi 1 , xi 2 , ..., xik , yi ), i = 1, . . . , ng se eligen
c
1 , c c para hacer
2 , . . . , k
n
i =1 i( y ( c
0 + c
1 Xi 1 + c c Xik ))2
2 Xi 2 + . . . + k
tan pequeo como sea posible..

EMCO: caso general
CPO:
i =1 n (yi (c
0 + c
1 Xi 1 + c c Xik )) = 0
2 Xi 2 + . . . + k
i =1 n xi 1 (yi (c
0 + c
1 Xi 1 + c c Xik )) = 0
2 Xi 2 + . . . + k
..
.
i =1 n xik (yi (c
0 + c
1 Xi 1 + c c Xik )) = 0
2 Xi 2 + . . . + k

EMCO: caso general
Las condiciones de primer orden reproducen las condiciones
E (u ) = 0, E (xj u ) = 0, j = 1, . . . k,
que se obtienen a partir del supuesto E (u jx1 , x2 , . . . , xk ) = 0
Adems deben resolverse de forma nica.

Regresin mnimo cuadrtica, funcin de regresin muestral:
yb = c
0 + c
1 x1 + c c xk
2 x2 + . . . + k
c
: estimador MCO del trmino constante.
0
c
1 , c c : estimadores MCO de las pendientes.
1 , . . . , k
Interpretacin ceteris paribus
Mecnica e interpretacin de MCO. Interpretacin de
Mantener Otros Factores Constantes
El anlisis de regresin mltiple proporciona interpretaciones ceteris

paribus incluso si los datos no se han recogido de forma ceteris
paribus.
Regresin mltiple permite realizar en situaciones no experimentales

los mismos anlisis que hacen otros cientcos en situaciones de
laboratorio bajo control.

Mecnica e interpretacin de MCO Valores ajustados y
Residuos MCO
Valor ajustado para la observacin i :
ybi = c
0 + c
1 xi 1 + c c xik
2 xi 2 + . . . + k
Residuo para la observacin i :
ubi = yi ybi = yi c
0 c
1 xi 1 c
2 xi 2 ... c xik
k

Mecnica e interpretacin de MCO Valores ajustados y
Residuos MCO
u = 0
[ n (xj u ) = 0,
COV j = 1, . . . , k
El punto (x1 , x2 , . . . , xk , y ) pertenece la recta de regresin MCO.

Mecnica e interpretacin de MCO Una interpretacin "de
ltrado" de regresin mltiple
Caso k = 2 :
ni=1 ri 1 yi
1 = ni=1 ri21
donde ri 1 son los residuos MCO de una regresin simple de x1 sobre
x2 , con la misma muestra.

Mecnica e interpretacin de MCO Bondad de ajuste
Suma de Cuadrados Totales, SST:
ni=1 (yi y )2
Suma de Cuadrados Explicada, SSE:
ni=1 (yi y )2
Suma de Cuadrados de los Residuos, SSR:

ni=1 ui2

Bondad de ajuste. Descomposicin de las Sumas de
Cuadrados
SST = SSE + SSR.
Coeciente de Determinacin or R-cuadrado
SSE SSR
R2 = SST =1 SST
Propiedad, recordando que y = y ,
R 2 = 2y y
R 2 nunca desciende cuando se aade una nueva variable en la

regresin: no es un buen criterio para decidir si aadir una nueva
variable al modelo.
Valores esperados de los Estimadores MCO. Supuestos
RLM.1 (Modelo lineal en parmetros). En el modelo para la

poblacin, la variable dependiente y se relaciona con la variable
independiente x y el error u mediante
Y = 0 + 1 X1 + 2 X2 + . . . + k Xk + u
donde 0 , 1 , . . . , k son parmetros desconocidos y u es una
perturbacin o error aleatorio.
Esta expresin se la conoce como el modelo verdadero (para la
poblacin) y es importante para interpretar los parmetros.

Valores esperados de los Estimadores MCO. Supuestos(2)
RLM.2 (Muestreo aleatorio). Para estimar los parmetros se dispone

de una muestra de tamao n, (xi 1 , . . . , xik , yi ) i = 1, . . . , n del
modelo poblacional,
yi = 0 + 1 xi 1 + 2 xi 2 + . . . + k xik + ui , i = 1, . . . , n
Esta expresin es importante para deducir las propiedades de los
EMCO de 0 , 1 , . . . , k .

RLM.3 (Media Condicional cero).
E (u jx1 , x2 , . . . , xk ) = 0.
Cuando no se cumple?
Incorrecta Especicacin.
Omitir factores que estan correlacionados con x1 , x2 , . . . , xk
Otros problemas son los errores de medida, y la simultaneidad (y se
determina conjuntamente con alguna variable explicativa.).
Si RLM.3 es cierta, se dice que tenemos variables explicativas
exgenas, y en caso contrario endgenas.

RLM.4 (No multicolinealidad perfecta). En la muestra (y por tanto

en la poblacin), ninguna de las variables explicativas es constante, y
no hay una relacin lineal exacta entre las variables explicativas.
Slo afecta a las xs, por lo que es muy diferente de RLM.3.

Si una variable independiente es una combinacin lineal exacta de
otras variables independientes, entonces hay multicolinealidad
perfecta: no se puede hacer MCO.
No impide que haya correlacin entre las xs, slo requiere que no sea
perfecta.
Otra causa: el tamao muestral n es demasiado pequeo, n < k + 1.

Valores esperados de los estimadores MCO
Teorema 3.1 (Insesgadez de MCO). Bajo los supuestos RLM.1-5.
E ( j ) = j j = 0, . . . , k
El supuesto clave es RLM.3

La propiedad de insesgadez no dice nada sobre el resultado de la
estimacin en un caso particular, si no que es una propiedad del
mtodo de estimacin MCO.
Cual es la consecuencia (en trminos de sesgo) de una
sobreidenticacin de un modelo?

Valores esperados de los estimadores MCO. Sesgo por
omisin de variables: el caso simple
Ahora se omite una variable que s que pertenece al modelo

poblacional: se excluye una variable relevante o infra-estimacin del
modelo: caso particular de error de especicacin.
Modelo verdadero: y = 0 + 1 x1 + 2 x2 + u y se satisfacen
RLM.1-4.
Suponemos que el objeto de inters es 1 , el efecto parcial de x1
sobre y .
Para obtener estimadores insesgados deberamos incluir x2 en la
regresin, pero no lo hacemos,
y = 0 + 1 x1

(x1i x1 )x 2i
E ( 1 ) = 1 + 2 (x1i 2 .
x1 )
O en forma similar E ( 1 ) = 1 + 2 1 .
donde x2 = 0 + 1 x1
Suponemos que el objeto de inters es 1 , el efecto parcial de x1
sobre y .
De esta forma podemos denir el sesgo de como 1
Sesgo( 1 )=E ( 1 ) 1 = 2 1

Hay dos casos en los que 1 es insesgado:

Si 2 = 0, por lo que x2 no aparece en la ecuacin.
Si 1 = 0, es decir la covarianza muestral entre x1 y x2 es cero. Ya
sabemos que si x1 y x2 estn incorrelados muestralmente, 1 = 1 , y
1 es insesgado
Cual es el signo del sesgo?

Varianza de los Estimadores MCO
RLM.5 (Homocedasticidad Condicional): u tiene varianza, condicional

en x1 , . . . , xk constante,
Var(u jx1 , . . . , xk )=2
2 se le llama la varianza del error o perturbacin.

Si no se cumple, estamos en presencia de heteroscedasticidad.
Los supuestos RLM.1-5 se denominan los supuestos de Gauss-Markov
[para datos de seccin cruzada].

Varianza de los Estimadores MCO
RLM.3 y RLM.5 se pueden escribir como, x = (x1 , . . . , xk ) ,
E (y jx ) = 0 + 1 x1 + 2 x2 + . . . + 2 xk
Var (y jx ) = 2
Teorema 3.2 (Varianzas muestrales de los estimadores MCO de las

pendientes). Bajo supuestos RLM.1-5, condicional en los valores de
las variables independientes,
2
V ( j ) = SST j (1 R j2 )
j = 0, . . . , k con
SSTj = (xji xj )2
Qu elementos afectan el error standard de nuestros estimadores de
MCO?
Varianza de los estimadores MCO. Varianzas en modelos
mal especicados
Hay un tradeo entre sesgo y varianza a la hora de decidir si incluir
una variable o no en una regresin.
Modelo verdadero, con supuestos Gauss-Markov,
y = 0 + 1 x1 + 2 x2 + u
Consideramos dos estimadores:

1 , en regresin mltiple,
y = 0 + 1 x1 + 2 x2
1 , en regresin simple,
y = 0 + 1 x1
Varianza de los estimadores MCO. Varianzas en modelos
mal especicados
Si 2 6= 0, 1 estar sesgado, por lo que desde el punto de vista del

sesgo, 1 ser preferido.
Que podemos decir de la variaza de estos estimadores?
Si x1 y x2 estan correlados:
Si 2 6= 0, 1 es sesgado, 1 es insesgado y Var( 1 )<Var( 1 ).
Si 2 = 0, 1 y 1 son insesgado y Var( 1 )<Var( 1 ).
En el segundo caso preferimos 1 : introducimos una variable
irrelevante.
En el primer caso es ms complicado: se suele preferir 1 .

Varianza de los estimadores MCO. Estimacin de 2
2 = E (u 2 ) por lo que un estimador insesgado de 2 es n ni=1 ui2

1
Como los errores no son observables, un primer estimador sera

n 1 SSR = n 1 ni=1 ui2 , pero este no es insesgado.
Los residuos ui satisfacen k + 1 restricciones. Por tanto los residuos
tienen n k 1 grados de libertad.
2 = 1
n k 1 ni=1 ui2 = 1
n k 1 SSR

Varianza de los estimadores MCO. Estimacin de 2
Teorema 3.3. (Estimacin insesgada de 2 ). Bajo las condiciones de

Gauss-Markov RLM.1.5,
E (2 ) = 2
Estimador de , o error estndar de regresin, o SER,.
p
= 2
puede aumentar o disminuir cuando se incluye una variable

adicional en la regresin.

Varianza de los estimadores MCO. Errores estndar de los
EMCO
Desviacin estndar de j :

sd ( j ) = [SST j (1 R j )](1/2 )
Error estndar de j :

se ( j ) = [SST j (1 R j )](1/2 )
Slo es vlida en presencia de RLM.5 (si no, hay que cambiar sd ( j )

y se ( j )

Distribuciones muestrales de los Estimadores MCO
RLM.6 (Normalidad) El error poblacional u es independiente de las
variables explicativas x1 , x2 , . . . , xk y se distribuye normalmente con
media cero y varianza 2 , u Normal (0,2 )
RLM.6 es un supuesto mucho ms fuerte que los anteriores. Como u
es independiente de xj ,
E (u jx1 , x2 , . . . , xk ) = E (u ) = 0
Var (u jx1 , x2 , . . . , xk ) = Var (u ) = 2 ,
por lo que implica RLM.3 y RLM.5.
RLM.1-6 se nombran como los supuestos clsicos del modelo de
regresin lineal (MLC), y al modelo que satisface estos supuestos
como el modelo lineal clsico satisface las condiciones de
Gauss-Markov junto con el supuesto de normalidad.
Bajo MLC los EMCO 0 , 1 , . . . , k satisfacen una propiedad de
eciencia ms fuerte que bajo Gauss-Markov: los EMCO son los
estimadores insesgados de mnima varianza (ya no se requiere que
sean lineales).
Distribuciones muestrales de los Estimadores MCO
Un resumen de las condiciones MLC para el modelo poblacional es
y jx Normal(0 + 1 x1 + . . . + k xk , 2 )
Justicacin de la normalidad: como u es el resultado de la suma de
muchos factores inobservables que afectan a y, se puede invocar el
Teorema Central del Lmite.

Distribuciones muestrales de los EMCO Normalidad de los
errores se traslada a normalidad de las distribuciones
muestrales de los EMCO.
Teorema 4.1 (Distribuciones muestrales normales). Bajos los

supuestos MLC, RLM.1-6, condicional en los valores muestrales de las
variables independientes
j N ( j , V ( j )), donde
2
V ( j ) = SST j (1 R j2 )
j j
y por tanto sd ( j )
N (0, 1)

Contraste de Hiptesis sobre un nico parmetro
poblacional: el test de la t.
El problema es hacer contrastes de hiptesis sobre j .

j es una propiedad desconocida de la poblacin, y nunca la
conoceremos con certeza, pero podemos hacer hiptesis sobre su
valor, y hacer inferencia estadstica para contrastar nuestra hiptesis.
Teorema 4.2 (Distribucin del estimador MCO estandarizado). Bajos
los supuestos MLC, RLM.1-6,
j j
se ( j )
tn k 1

El Teorema 4.2 es importante porque permite contrastar hiptesis

sobre j .
En la mayora de las aplicaciones, el inters primordial es contrastar la
hiptesis nula.
H0 : j = 0
Signicado: como j mide el efecto parcial de xj sobre (el valor
esperado de) y, despus de controlar por todas las otras variables
independientes, H0 signica que, una vez que se ha tenido en cuenta
x1 , . . . , xj 1 , xj +1 , . . . , xk , xj no tiene efecto sobre el valor esperado
de y .

El estadstico de contraste se llama estadstico t o cociente t ( t

ratio) de j :
j
t = se ( j )
j
La regla de rechazo depender de la hiptesis alternativa

correspondiente y del nivel de signicacin elegido.
Si H1 : j > 0 signica que no nos preocupamos de alternativas de H0
para las que H1 : j < 0. Por alguna razn descartamos que j < 0.
Regla de decisin: necesitamos un nivel de signicacin o probabilidad
de rechazar H0 cuando es cierta (error de tipo I), por ejemplo 5 %.

Como t se distribuye como una t bajo H0 , por lo que tiene media

j
cero, bajo la alternativa j > 0, el valor esperado de t es positivo:
j
buscamos un valor sucientemente grande (y positivo) de t para
j
rechazar H0 : j = 0 en favor de H1 : j > 0.
Valores negativos de j o t no proporcionan evidencia en favor de
j
H1 .
La denicin de "sucientemente grande", con un 5% de nivel de
signicacin, es el percentil 95% en una tn k 1 , c.
Por tanto la regla de rechazo es que H0 se rechaza en favor de H1, al
nivel de signicacin del 5%, si
t > c.
j

Por tanto, si H0 se rechaza al 5%, tambin se rechazar al 10%..

Cuanto ms grande es n, ms se parece la t a la normal.

En aplicaciones es frecuente contrastar la hiptesis nula H0 : j = 0

contra una alternativa bilateral, H1 : j 6= 0.
Si H0 se rechaza en favor de H1 al 5% se habla de que xj es
estadsticamente signicativo (o estadsticamente diferente de cero.

Contraste de Hiptesis: el test de la t. Otras hiptesis
sobre j
En general podemos estar interesados en contrastar H0 : j = aj

donde aj es un valor hipottico para j .
El estadstico t apropiado es
j a j
t= se ( j )

Contraste de Hiptesis: el test de la t. p-valores para
contrastes de la t
dado el valor del estadstico t, cul es el menor nivel de signicacin

para el que la hiptesis nula se rechaza? El p-valor es una
probabilidad 2 (0, 1) .
Este valor es el p-valor del contraste. Se obtiene usando la
distribucin de una variable tn k 1 y comparndola con el valor del
estadstico t.

Intervalos de Conanza
( j cse ( j ), j + cse ( j ))
Signicado: si se obtienen sucesivas muestras aleatorias y se computa
el intervalo de conanza para cada una de ellas, entonces el valor
poblacional j (desconocido) estar contenido en el intervalo de
conanza para un 95% de las muestras.

Combinacin lineal de parmetros
Ejemplo

Contraste de mltiples restricciones lineales: el contraste
de la F
Estadstico de la F :
(SSR R SSR NR )/q

F = SSR NR /(n k 1 )
Fq,(n k 1) o
2
(R NR R R2 )/q
F = 2
(1 R R / (n k 1 )
Fq,(n k 1)

CL Notes 1 Student PDF

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

CL Notes 1 Student PDF

Hochgeladen von

Copyright:

Verfügbare Formate

Econometria I

Universidad Carlos III

Julio Cceres Delpiano (UC3M) Econometria I 10/07 1 / 68

Julio Cceres Delpiano (UC3M) Econometria I 10/07 2 / 68

Disciplina que usa modelos probabilsticos y de mtodos de inferencia

Julio Cceres Delpiano (UC3M) Econometria I 10/07 3 / 68

Aplicacion y preguntas donde la econometria nos puede ayudar. Muchas!!!!

Julio Cceres Delpiano (UC3M) Econometria I 10/07 4 / 68

El modelo economico. La pregunta

Julio Cceres Delpiano (UC3M) Econometria I 10/07 5 / 68

La teoria propone modelos que explican el comportamiento de las

Julio Cceres Delpiano (UC3M) Econometria I 10/07 6 / 68

Las variables de un modelo econmico Z = (Y 0 , X 0 )0 representan

Datos0Zn ! 1fZ1 , ..Zn g

Julio Cceres Delpiano (UC3M) Econometria I 10/07 7 / 68

Un modelo economtrico se construye para cuanticar y contrastar las

Caractersticas de un modelo economtrico:

Julio Cceres Delpiano (UC3M) Econometria I 10/07 8 / 68

Existen diferentes tipos estructura de los datos economicos. Mientras

Julio Cceres Delpiano (UC3M) Econometria I 10/07 9 / 68

Son datos estticos, referidos a un periodo jo, sobre individuos de

Julio Cceres Delpiano (UC3M) Econometria I 10/07 10 / 68

ID Age Income Sex Marriage

Julio Cceres Delpiano (UC3M) Econometria I 10/07 11 / 68

Son observaciones de una variable o varias variables a lo largo de

Julio Cceres Delpiano (UC3M) Econometria I 10/07 12 / 68

year ination unemployment growth

Julio Cceres Delpiano (UC3M) Econometria I 10/07 13 / 68

Consisten en una serie temporal por cada unidad de seccin cruzada.

Julio Cceres Delpiano (UC3M) Econometria I 10/07 14 / 68

Firm year prot employment stock

Julio Cceres Delpiano (UC3M) Econometria I 10/07 15 / 68

Objetivo: descubrir si una variable tiene un efecto causal sobre otras

Julio Cceres Delpiano (UC3M) Econometria I 10/07 16 / 68

Objetivo: Modelo Economtrico para explicar cmo x explica y Problemas

Julio Cceres Delpiano (UC3M) Econometria I 10/07 17 / 68

Solucin sencilla a los problemas anteriores:

El supuesto es que se cumple en la poblacin de inters.

Julio Cceres Delpiano (UC3M) Econometria I 10/07 18 / 68

Si los dems factores contenidos en u se mantienen jos, u = 0,

Julio Cceres Delpiano (UC3M) Econometria I 10/07 19 / 68

1 : parmetro de pendiente en la relacin entre x e y : es el cambio

Julio Cceres Delpiano (UC3M) Econometria I 10/07 20 / 68

1 : efecto de x sobre y, con todos los dems factores (en u) jos.

Julio Cceres Delpiano (UC3M) Econometria I 10/07 21 / 68

Supuesto inicial: siempre que incluyamos el trmino constante 0 en

Julio Cceres Delpiano (UC3M) Econometria I 10/07 22 / 68

Se dene la independencia entre x y u desde el punto de vista de la

Julio Cceres Delpiano (UC3M) Econometria I 10/07 23 / 68

El supuesto E (u jx ) = E (u ) = 0. con lleva otra interpretacin muy

Julio Cceres Delpiano (UC3M) Econometria I 10/07 24 / 68

log (wage ) = 0 + 1 educ + u

As, si u = 0, entonces (100 1 ) es la semielasticidad de wage

%wage = (100 1 )educ.

En este caso la relacin entre x e y se establece en trminos de

Pero es ms razonable suponer que es el porcentaje de incremento el

Julio Cceres Delpiano (UC3M) Econometria I 10/07 26 / 68

En este caso controlamos incrementos relativos de x,

Julio Cceres Delpiano (UC3M) Econometria I 10/07 27 / 68

Difcil extraer conclusiones ceteris paribus: mejor controlar ms

Julio Cceres Delpiano (UC3M) Econometria I 10/07 28 / 68

Julio Cceres Delpiano (UC3M) Econometria I 10/07 29 / 68

Generalizacin de la independencia en media condicional: