Beruflich Dokumente
Kultur Dokumente
Facultad de Economía
Econometría Básica
1. JUSTIFICACIÓN:
El adecuado planteamiento de modelos que representen la realidad de
diferentes procesos y la necesidad de un pronóstico adecuado son
herramientas fundamentales en el logro de objetivos operacionales y
estratégicos, para todo inversionista, gerente o empresario, quienes se
enfrentan ineludiblemente a la toma de decisiones bajo ambientes de
incertidumbre. Es un hecho comprobado que mejores decisiones son
realizadas a partir de la comprensión y adecuada utilización de las técnicas de
modelaje y pronóstico, cualitativo y cuantitativo.
1
2. OBJETIVOS:
MODELO DATOS
TEORIA
ECONOMETRICA
MODELO DATOS
ECONOMETRICO SELECTOS
FORMA FUNCIONAL Y
Distribución del termino de ERROR
FORMA FUNCIONAL
O
Distribución del termino de ERROR
6
En trabajo empírico se requiere responder preguntas como:
•¿Cuál es el efecto del déficit Fiscal del Gobierno sobre el nivel de la tasa de
interés? O ¿sobre la inflación?
•¿Existe alguna relación entre el nivel de tasa de interés y el índice de la
bolsa?
•¿Cómo afectan las uniones y fusiones de empresas los retornos
(rendimientos) de los inversionistas?
•¿Cómo afecta el déficit comercial (Balanza de Pagos) al nivel de empleo?
•¿Cuál es la elasticidad (fortaleza de la relación) entre Medios de Pago (M1)
y PIB?
•¿Es afectada la distribución de ingresos por las reformas tributarias?
qd f ( p)
10
Preparado por Norberto Rodríguez Niño
Resultados del Experimento de Galton (1885) con guisantes
18
17.5
17
TamañoHijo
16.5
16
15.5
15
14 15 16 17 18 19 20 21 11 22
TamañoPadre
Preparado por Norberto Rodríguez Niño
Indicios de linealidad (Retorno a la escolaridad)
14
12
10
8
Ingreso
0
0 5 10 15 20
12
Escolaridad
Preparado por Norberto Rodríguez Niño
VAR_EMBIES Vs DEVALUACION DIARIA
20
15
10
0
-3 -2 -1 0 1 2 3 4
-5
-10
-15
13
Los datos por si solos no dicen toda la historia, se requiere teoría
CURVA DE RENDIMIENTO CERO CUPON - COLOMBIA
18
16
14
12
10
8
6
4
2
0
0 5 13/05/2004 04/10/200210 15
14
Se requieren modelar relaciones NO LINEALES
Otra aplicación
consumo
Y X
PMC
ingreso
TAREA: Leer ejemplo en sección 5.1, paginas 172-173 del libro de: Griffiths, Hill
and Judge (1993) “Learning and Practicing Econometrics” Wiley
15
EL TIEMPO COMO REGRESOR Yt + t+u t
PIB REAL
22000000
COLOMBIANO
20000000
18000000
16000000
14000000
12000000
PIBK t 12272911+114643*t+u t
10000000
86
87
88
89
90
91
92
93
94
95
96
97
98
99
00
01
02
03
04
-
-
ar
ar
ar
ar
ar
ar
ar
ar
ar
ar
ar
ar
ar
ar
ar
ar
ar
ar
ar
16
M
M
Cantidad de Ingenieros Eléctricos en diferentes años.
200
# Ingen. Eléctricos
150
100
50
0
1740 1790 1840 1890
17
Exceso de Exceso de
Modelo CAPM: Retorno Retorno
Fondo X Mercado
17.8 13.7
39 23.2
12.8 6.9
24.2 16.8
17.2 12.3
40
35 y = 1.6417x - 1.7366
30
25
20
15
10
5
5 10 15 20 25 18
Razones para introducir el termino de error:
Aunque la realidad pueda ser adecuadamente aproximada (directamente o
mediante transformaciones) por un modelo lineal no podrá ser
determinístico. Se requiere un termino de error el cual por simplicidad se
asume aditivo:
Y i X u i i
i 1,2,...., n
ui puede aparecer porque:
1. La ecuación esta mal especificada. Por ej. Faltan variables, la relación no
es lineal. (se ignora el efecto de huelgas, huracanes, ataques terroristas, etc)
2. Debido a errores de medición (errores en las variables) en grabación y/o
procesamiento.
3. Debido a imperfecta especificación de la forma matemática del modelo.
Por ej. No linealidad, ecuaciones múltiples ignoradas.
4. Debido a agregación: usamos datos como consumo agregado, ingreso
agregado para individuos cuyo comportamiento difiere. Se puede referir a
Agregación en el tiempo y/o el espacio. (ej. Retorno promedio no solo el
de bancos).
5. En últimas el termino de error es la confesión de “nuestra ignorancia
humana”.
En un modelo Paramétrico se requiere especificar a) la forma matemática
19
y b) la distribución probabilísticas del termino de error.
Yi Xi ui E (Yi ) Xi
FRM: Función
de Regresión
Muestral
Yˆi Xi
20
Tomado de Gujarati (2003) Preparado por Norberto Rodríguez Niño
Idea del Ajuste por Mínimos Cuadrados
10
9
8
7
6
5
4
3
2
0 1 2 3 4 5 6
21
Homoscedasticidad bajo normalidad del error.
Yˆi Xi
22
Tomado de Gujarati (2003) Preparado por Norberto Rodríguez Niño
Heterocedasticidad bajo normalidad del error
23
Tomado de Gujarati (2003) Preparado por Norberto Rodríguez Niño
Posibles Resultados del Muestreo Aleatorio
35
33
31
29
27
25
23
21
19
17 PGD: Proceso Generador de Datos
15
0 10 20 3024
Preparado por Norberto Rodríguez Niño
Supuestos tradicionales
Y i 1 2 X u
i i i 1, ..., n
Si X es determinística (exógena) o fija Si X es estocástica o aleatoria
E ui 0 E ui | X i 0
var ui E ui2 2
var ui | X i E ui E ui | X i
2
E ui 2 | X i 2
2 2
var ui var ui | X i
2
var Yi 2 var Yi | X i
cov ui , u j | X i , X j E ui E ui | X i uj E uj | X j E ui | X i u j | X j 0
cov ui , X i E[ui E (ui )][ X i E Xi ]
E ui ( X i E ( X i ))
E ui X i E X i E ui
25
E ui X i 0
Deducción y Propiedades de los estimadores
Yi ˆ ˆX uˆi Y Yˆ uˆ
i i i
1 2 i
f ( ˆ1 , ˆ2 )
2
S Yi E (Yi ) uˆi2
uˆi 2
2 Yi ˆ ˆ X 2 uˆi
1 2 i
uˆi 2 1
2 Yi ˆ ˆ X X 2 uˆi X i
1 2 i i
2
ˆ xY i i
2 x 2
i
kY i i
ˆ1 Y ˆ2 X
con: yi Yi Y xi Xi X
x i
ˆ ˆ
k i
xi2 Así: 1 y 2 son lineales en los Yi
26
Se muestra que los estimadores son “BLUE” (MELI)
FUNCION OBJETIVO EN MINIMOS CUADRADOS
27
Propiedades de los estimadores
E ˆ ki E (ui ) : insesgado
2 2 2
Yˆ uˆ
i i
ˆ 2 X uˆi i
ˆ 2 X Y i i
ˆ X
2 i
ˆ XY ˆ
2 2
2 i i 2 X i
ˆ ˆ
2 2 2 2
2 X i 2 X i
0
Además:
Yi uˆi 0 X i uˆi 0
Varianza y errores estándar
uˆi 2
var ˆ 2
k
2
2
E uˆi 2 (n 2) 2
ˆ2
2 i
x
2
n 2
i
ˆ ˆ
ee ˆ cov ˆ1 , ˆ2 X var ˆ2 X
2 2 X i2
x i 28
Inferencia Estadística sobre coeficientes:
Pr ˆ2 2
ˆ
2 1
ˆ ˆ estimador
parámetro hipotetico
2 2
Z 2 2 t
se ˆ2 ee( ˆ2 ) error estándard estimado del parámetro
xi 2 ˆ
2 2
xi 2 ( ˆ2 2 )
~ t student (n 2) g.l.
ˆ ˆ
ˆ
2 2
Pr t( n t t( n 1 Pr t( n t( n 1
2,
2
) 2,
2
) 2,
2
)
ee( ˆ2 ) 2,
2
)
reordenando Pr ˆ2 t ee( ˆ2 ) 2
ˆ
2 t ee( ˆ2 ) 1
2 2
35 1
30
25
20
1
15
10
0 1
5
0
30
0 1 Insumo (K) 2 3
Preparado por Norberto Rodríguez Niño
6.5 COMO MEDIR LA ELASTICIDAD: EL MODELO LOG-LINEAL
Modelo Exponencial
Y i 1 X eui
2 i
Si todos los supuestos del modelo clásico de regresión lineal se cumplen los parámetros de este modelo
pueden ser estimados por MCO y se podría expresar de la siguiente manera:
Yi* X
2 i
*
ui donde: Yi* ln Yi y X i* ln X i
Los estimadores por MCO ˆ y ˆ serán estimadores MELI (BLUE) de y 2.
2
Una característica importante de este modelo es que el coeficiente 2 mide la elasticidad de Y con
respecto a X, es decir, el porcentaje de cambio en Y para un porcentaje dado de cambio en X. Es
significativo mencionar que este modelo asume que el coeficiente de elasticidad entre X e Y ( 2)
permanece constante, es decir, el cambio en lnY por unidad de cambio en lnX ( 2) sigue siendo
el mismo sin importar en cual lnx se está midiendo la elasticidad. 31
Otra característica del modelo es que sin embargo,
CANTIDAD DEMANDADA
Y i 1 X eu
i
2 i
ˆ y
ˆ
2
ˆ1 anti ln ˆ exp( ˆ )
PRECIO X es en si mismo un estimador sesgado .
ln Yt ln Y0 t ln 1 r
32
Reescribiendo: ln Y0
ln 1 r
Ahora reemplazando:
ln Yt t
Este modelo sería como una clase de modelo lineal en los parámetros α y , la
diferencia radica en que la variable dependiente es el logaritmo de Y y la variable
independiente en este caso el tiempo toma valores de 1,2,3,etc.
En este caso mide el cambio relativo en Y por un cambio absoluto dado en el valor
de la variable independiente (para este caso t) :
33
Modelo Semi-Log o LOG-LIN
Y e e X ln Y X
1200
1000
800
0
Ingreso salarial
600
400
200
e0
0 0.5 1 1.5
Escolaridad 2 2.5 334
Preparado por Norberto Rodríguez Niño
ln( PIBK t ) 16.342+0.0071*t+u t Eso es 2.89% anual
16.8
16.6
16.4
16.2
0 20 40 60 35
80
Modelo LIN-LOG Y ln X
7
5
0
4
Gasto
0
0 e 0.5 1 1.5 2 2.5 3
36
-1 Ingreso
Preparado por Norberto Rodríguez Niño
Modelo Recíproco Y X
2500
2000 Y
INFLACION
X
1500
0
1000
500
0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.437
TASA DE DESEMPLEO
Preparado por Norberto Rodríguez Niño
Modelo Recíproco Y
X
GASTO (% o Alimentos)
500
0
0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4
-500
-1000
0
-1500
-2000 INGRESO 38
Preparado por Norberto Rodríguez Niño
Modelo Log-Recíproco ln(Y )
9 X
8.8
8.6
8.4
Y8.2
7.8
7.6
7.4
4 9 14 X 19 0.9 24 29
0.8
0.7
0.6
0.5
Y
0.4
0.3
0.2
0.1
0 39
0 20 40
X 60 80
Preparado por Norberto Rodríguez Niño
Relaciones No-Lineales
Usando Modelos lineales en los parámetros
PENDIENTE ELASTICIDAD
MODELO ECUACIÓN (Efecto Marginal) dY X
dY dX Y
dX
LINEAL X
Y X Y
LOG-LINEAL(LOG- Y
LOG) Doble-Log ln Y ln X X
LOG-LIN Y
ln Y X X
LIN-LOG 1 1
Y ln X X Y
RECÍPROCO 1 1 1
Y 2
XY
X X
LOG RECÍPROCO 1 Y 1
ln Y
X X
2
X 40
Preparado por Norberto Rodríguez Niño
18
16
14
12
10
1
Y
8 0 Y
X
6
4
0
2
0
4 4.5 5 5.5 X 6 6.5 7 7.5
14
12
10
0
Y
1 8 0
X Y
6
41
0
1.5 2 2.5 3 X 3.5 4 4.5 5
Preparado por Norberto Rodríguez Niño