Universidad del Rosario

Facultad de Economía

Econometría Básica

Profesor: Norberto Rodríguez

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:

En este curso se espera que el estudiante desarrolle capacidades analíticas

para plantear, desarrollar y comprender metodologías de modelaje y pronóstico
ante escenarios de riesgo y/o incertidumbre.
Al finalizar el curso el estudiante deberá estar en capacidad de manejar y
aplicar conceptos necesarios en el estudio de técnicas básicas de econometría
de uso común actualmente, las cuales son requisito indispensable para
estudios intermedios y avanzados en el área; por lo anterior, se deben
fortalecer las bases de Teoría Estadística y Probabilidad Multi-variada.
3. CONTENIDO:
I. INTRODUCCION A LA ECONOMETRIA. (Álgebra Lineal)
II. Revisión Fundamentos de Probabilidad y de Teoría Estadística.
III. Modelo Estadístico Lineal Simple.
IV. Modelo Estadístico Lineal General (Normal).
V. Regresión Particionada.
VI. Modelo Lineal General con matriz no escalar conocida.
VII. Modelo Lineal General con matriz no escalar y no conocida:
Heteroscedasticidad, Auto-correlación y Multicolinealidad.
VIII. Errores de especificación.
IX. Modelo Lineal con información cualitativa: Variables Dicótomas y
Parámetros cambiantes. 2
X. (*) Pruebas de estabilidad y cambio estructural. Preparado por Norberto Rodríguez Niño
 4. METODOLOGÍA:
Exposiciones magistrales, en ocasiones asistidas por notas de clase
(previamente distribuidas) y complementado con trabajos prácticos y/o
aplicados, los cuales usan y refuerzan los conceptos previamente estudiados
en el curso, con la ayuda de paquetes de computo (E-Views, RATS, R, STATA,
y/o EXCEL). 5. EVALUACIÓN:
Primer Parcial 25% (Viernes 20 Marzo); Segundo Parcial 25% (Viernes 8 Mayo);
Tareas 20% (6 ó 7). Las tareas serán de carácter teórico/practico aplicado,
serán base para los parciales. Examen Final 30% (según programación Fac.).
6. BIBLIOGRAFÍA:
-Heij, Ch. , Boer, P., Franses, P. H, Hloek, T. and van Dijk, H. (2004) Econometric
Methods with Applications in Business and Economics. Oxford U. Press,
London.
-Hill, Griffithd and Judge (2001) Undergraduated Econometrics, Sec. Ed. Wiley. NY.
-Judge, G. et al. (1988), Introduction to the Theory and Practice of Econometrics
Wiley, Second Ed.
Brooks , Chris. (2002) Introductory Econometrics for Finance Cambridge U. Press,
Cambridge UK.
- Carrascal A., U. y otros (2001). Análisis Econométrico con E-Views. Alfa-Omega.
- Novales, Alfonso (1997). Econometría. McGraw-Hill, Segunda Edición.
- Greene, W. (2000), Econometric Analysis Prentice Hall, Fifth, Fourth or Third Edition.
-Jhonston, J. and DiNardo, J. (1997). Econometric Analysis. McGraw Hill. Fourth Ed.
3
-Pindyck, R. S. y Rubinfeld, D. L. (2001) Econometría Modelos y Pronósticos McGraw
Hill, 4ª Ed. Preparado por Norberto Rodríguez Niño
 MODELOS DE REGRESION O ECONOMETRICOS
TEORIA TEORIA
HECHOS
ESTADISTICA

MODELO DATOS
TEORIA
ECONOMETRICA
MODELO DATOS
ECONOMETRICO SELECTOS

ESTIMACION MODELO ECONOMETRICO CON LOS

DATOS SELECTOS USANDO TECNICAS ECONOMETRICAS

ANALISIS PREDICCION EVALUACION

Invertir o No
ESTRUCTURAL Comprar o No
POLITICA
Comprender Fenómenos Reales Intervenir o No (SIMULACION)
Prueba y validación relaciones eco. Predicciones Condicionadas

Econometría y Economía se necesitan la una a la otra. 4

Basado en Intriligator (1990) Modelos econométricos, Técnicas y Aplicaciones. Preparado por Norberto Rodríguez Niño
CLASIFICACIONES DE LA ECONOMETRIA O MODELOS ECONOMETRICOS

Según Tipo de efecto: Lineales Vs No Lineales

Según Carácter: Estáticos Vs Dinámicos

Según Dimensionalidad: Uni-ecuacional Vs Multi-ecuacionales

Según Tipo Observaciones: Series de Tiempo Vs Corte Transversal

Paneles de Datos

Según Variable a Explicar: Cuantitativa (Continua) Vs Cualitativa (Discreta)

Según Filosofía Estadística: Frecuentista (Clásico) Vs Bayesiano

5
Preparado por Norberto Rodríguez Niño
CLASIFICACIÓN DE ESTADISTICA Y ECONOMETRÍA
Según Supuestos del Modelo
Asumen:

FORMA FUNCIONAL Y
Distribución del termino de ERROR

FORMA FUNCIONAL
O
Distribución del termino de ERROR

NINGUNA DE LAS DOS

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?

•¿Debo invertir en títulos de Gobierno de largo plazo o títulos Privados de

corto plazo?
Los economistas o experto en cada caso tendrá ALGO que decir (especular)
pero difícilmente están seguros de CUANTO. En esos casos la
ECONOMETRIA es de ayuda. 7
Preparado por Norberto Rodríguez Niño
En finanzas:
-Verificar si los mercados financieros son (débilmente)
eficientes (información)
-Probar si el Modelo CAPM o el APT (Arbitrage Pricing
Theory) representan modelos adecuados para la
determinación de los retornos de un papel riesgoso.
-Medir y pronosticar la volatilidad de retornos de bonos.

En general todas estas preguntas

cuantitativas son:
1. complicadas de responder y
2. (usualmente) se requiere de una
respuesta para la toma de decisiones.
8
Preparado por Norberto Rodríguez Niño
 DIFERENCIAS ENTRE ECONOMETRIA FINANCIERA Vs
ECONOMETRIA ECONOMICA:

• En finanzas casi siempre se trabajan series de tiempo.

• La adecuacidad, estacionalidad y frecuencia de datos son
diferentes.
• En economía se presentas problemas de muestra pequeña.
• En fianzas la frecuencia es diaria o intra-día, el número de
observaciones es muy grande (miles).
• En economía: Errores de medida y revisión (cambio) de
datos no son infrecuentes.
• En finanzas la información es disponible casi en línea y rara
vez esta sujeta a revisión.
• En finanzas las series son muy “ruidosas” o volátiles. En
ellas es difícil separar patrones como la tendencia y/o ciclos.
• En finazas los errores (residuos) difícilmente están
NORMALMENTE distribuidos. 9
 Ejemplos:
• Por ejemplo las empresas comerciales tanto grandes como
pequeñas, necesitan publicitar. El administrador o gerente
se preguntas: ¿En cuánto debo esperar que se incrementen
nuestras ventas si invierto $10.000.000 en publicidad? ¿En
cuanto tiempo se dará dicho retorno? O ¿De cuánto es el
efecto de cupón de descuento de 10% por unidad sobre las
ventas totales?

•Función de demanda por Hamburguesas el Corral: …

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

Igualando a cero (0) las dos ecuaciones (normales) y despejando:

Xi X Yi Y COV ( X , Y ) 2
ˆ 2 2
ˆ X i Y
i X XY
i i i
Xi X Var ( X ) 1 2 2
n X i X i

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

Modelo Lineal y_i=b_1+b_2*x_i+e_i

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

Si el modelo incluye intercepto: uˆ 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

Intervalo de confianza : ˆ t 2 ee( ˆ2 )

2
29
 Modelo Doble-Log o LOG-LOG
Y X ln Y ln( ) ln( X )
Producción
40

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

puede ser representado como:

ln Yi ln 1 2 ln X i ui
expresándola como:
ln Yi 2 ln X i ui
Este modelo es lineal en los parámetros y 2, lineal en los logaritmos de las variables Y y X por lo que
puede ser estimado por MCO. Gracias a esta linealidad esta clase de modelos es conocida como log-
log, doble-log o log lineal.

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

son estimadores insesgados para y 2 cuando se estima

ˆ1 anti ln ˆ exp( ˆ )
PRECIO X es en si mismo un estimador sesgado .

6.6 MODELOS SEMILOG: LOG-LIN Y LIN LOG

Es de interés encontrar las tasas de crecimiento de ciertas variables económicas tales

como el PIB, la oferta monetaria, tasa de empleo, productividad entre otras.
Supongamos que se quiere encontrar la tasa de crecimiento del gasto personal en
consumo, sea Yt el gasto total en servicios en el periodo t y Yo el valor inicial para el
gasto en servicios. Recordando la usual fórmula de interés compuesto:
t
Yt Y0 1 r
donde r es la tasa de crecimiento de Y. Tomando el logaritmo natural de esta ecuación

ln Yt ln Y0 t ln 1 r
32
 Reescribiendo: ln Y0
ln 1 r
Ahora reemplazando:

ln Yt t

Adicionando el término de error:

ln Yt t ut

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) :

cambio relativo variable dependiente

cambio absoluto variable independiente

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

17.0 LPIBK Lineal (LPIBK)

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