Econometria I-MRLM

Facultad de Economa - UNMSM
Econometra I
Mg. Beatriz Castaeda
Econometra: Significado y objeto

2
Econometra: este vocablo procede del griego y significa
medida de la economa. Lo que pone de manifiesto su

carcter necesariamente cuantitativo.
A lo largo del tiempo, la Econometra ha ido ampliando su
contenido debido fundamentalmente a 4 aspectos:
El desarrollo de la Teora Econmica

Los avances en la Teora Estadstica
El desarrollo de la Informtica y la creciente disponibilidad y fcil
acceso a grandes bases de datos (tanto a nivel macro como micro).
Intriligator (1978) define Econometra como aquella rama de
la Economa que se ocupa de medir desde el punto de vista

emprico cualquier relacin entre variables econmicas.
Econometra: Significado y objeto

3
Los dos ingredientes bsicos de la Econometra son: 1) La
Teora Econmica y 2) Los datos.

La caracterstica fundamental de esta disciplina es que debe
saber conjugar perfectamente ambos ingredientes. En otras

palabras, un econmetra no puede defender la medicin sin
teora, pero tampoco la teora sin datos.
La Econometra debe complementar a la Teora
Econmica, para validar determinadas relaciones que

postula usando datos. En este sentido, el econmetra
no puede prescindir de la Teora, ni el terico de lo que
dicen los datos.
Modelo
4
Un modelo es la representacin simplificada de
cualquier fenmeno, proceso, institucin y en

general de cualquier sistema.
Un sistema es un conjunto de elementos que se
encuentran en interaccin.
Modelo econmico y modelo economtrico

5
Modelo econmico. Son leyes o relaciones econmicas
que son aplicables con validez general a diversos sistemas

concretos a travs del tiempo.
Modelo economtrico: Es un modelo especfico de
aplicacin a sistemas reales concretos, basado en un

modelo econmico pero desarrollado con las
caractersticas particulares del sistema en estudio. Tiene
validez limitada por el sistema de referencia o el periodo
temporal.
Objeto y mtodo de la investigacin

economtrica
6
El papel esencial de la econometra es la estimacin y
verificacin de los modelos economtricos.
Proceso para estimar un modelo:
Definir la variable que queremos estudiar (variable

dependiente, llamada Y) y las variables independientes o
explicativas (llamadas Xs) del modelo, que son las que nos
ayudan a explicar el comportamiento de la variable Y.
Especificacin del modelo en forma matemtica.
Reunin de datos apropiados y relevantes de la economa o
sector que el modelo se propone describir.
Con los datos se estima los parmetros del modelo
Realizar pruebas con el modelo para analizar si es valido o si
es necesario modificar la especificacin.
Metodologa del Trabajo Economtrico

7
ESPECIFICACIN
ESTIMACIN
Teora Econ.: Si el ingreso o la tasa de

inters aumenta el ahorro aumenta
Ahorro = f(Ingreso, ti,., otros)
Mod.Econ: Ahorro = B0 + B1 Ingreso + B2 ti +
B1 >0, B2 >0
Con datos muestrales y una tcnica de
estimacin, por ejemplo MCO:
Ahorro = -10 + 0.3 Ing + 0.2 ti
EVALUACIN
Econmica
Estadstica
Economtrica
Anlisis de coeficientes estimados y signos.

R2, Test F (Fisher), test t (t-student).
Si se verifican todos los supuestos del
modelo.
Tipos de modelos economtricos

8
Modelos estructurales: la especificacin, lineal o
no lineal, del modelo se basa en las relaciones

estructurales establecidas por el modelo econmico
para explicar el comportamiento, la variable o
sistema bajo estudio
Modelos de regresin uniecuacionales

Modelos de simulacin o multiecuacional
Tipos de modelos economtricos

9
Modelos de series temporales: Examinan el
comportamiento pasado de una serie temporal

para inferir su comportamiento futuro. Se utiliza
cuando se tiene escaso conocimiento sobre las
relaciones causales del proceso que se trata de
predecir. Son muy fiables para predicciones a corto
plazo.
Modelos Uniecuacionales: ARIMA, SARIMA
Modelos Multiecuacionales: VAR, SVAR
Relacin entre variables econmicas

y regresin esprea
10
Todo
modelo economtrico exige una teora

econmica previa, sin ella caeremos en el mero
clculo de relaciones observacionales entre las
variables.
Regresin esprea: Es aquella regresin que no
tiene significado ni explicacin en la teora

econmica
El clculo de coeficientes de correlacin y el trazado satisfactorio de

lneas de regresin no debe confundirse con un mtodo para hallar
leyes, confusin tan frecuente en las ciencias sociales.
Cuando se adopta un modelo de regresin lineal y se calculan los
parmetros a partir de los datos, la ley central que se supone rige esa
informacin ruidosa (dispersa) no se ha descubierto, sino que se ha
supuesto desde el principio.
No hay elaboracin de datos estadsticos que produzca por si nuevas
hiptesis, por no hablar ya de leyes, en general, no hay esfuerzo
tcnico, por grande que sea, ni emprico, ni matemtico, que pueda
ahorrarnos el trabajo de inventar nuevas ideas, aunque sin duda
aquel trabajo tcnico puede muy bien disimular la falta de ideas.
Mario Bunge
11
Proceso de contrastacin de teoras segn Koutsoyiannis (1973)

12
Teora
Expresin matemtica de la teora:

Modelo
Confrontacin del modelo

con los datos
Aceptacin de la
teora si es compatible
con lo datos
Rechazo de la teora
si es incompatible
con lo datos
Revisin de la teora
si es incompatible
con lo datos
Confrontacin con
nuevos datos
PROCESO GENERAL DE CONTRASTACIN DE TEORIAS

Teora
Modelo adoptado para contrastacin
Confrontacin del modelo

con datos del marco de referencia
Conjunto de
datos 1
Conjunto de
datos 2
Conjunto de
datos N-1
Conjunto de
datos N
Modelo economtrico 1
Modelo economtrico 2
Modelo economtrico N-1
Modelo economtrico N
Compatibilidad con datos

con elevada probabilidad
Incompatibilidad con datos

con elevada probabilidad
Para todos los modelos

y conjuntos de datos
Para algunos modelos

Confirma eventualmente
la bondad de la teora
Informa sobre grado de

aceptabilidad de la teora
Nuevos desarrollos tericos en la misma lnea
Nuevos desarrollos tericos c/posibles correc.
Para todos los modelos

Rechazo
de la teora
Bsqueda de nuevos
caminos tericos
13
Contraste con datos no concluyente (reducida prob. o resultados opuestos compensados)
Nuevos
desarrollos
tericos
Nuevos
modelos
economtricos
y aplicacin
con nuevos
datos
El papel de los modelos economtricos en la

investigacin econmica aplicada
14
Sea el modelo estimado
Yt b0 b1 X t b2 Z t
El conocimiento de los coeficientes b0, b1 y b2 nos permite realizar

a)
Anlisis estructural: Se usa el modelo estimado para medir la relacin entre

variables econmicas. Nos permite evaluar el impacto en Y t de las
variaciones ocurridas en Xt y Zt.
b)
Prediccin: Se usa para predecir el valor futuro de una variable de inters, por
ejemplo predecimos Yt dados unos hipotticos valores futuros para X t y Zt.
c)
Evaluacin de polticas o simulacin: Se usa para simular el valor futuro de una

variable bajo distintos supuestos de evolucin de otras. Evala los efectos que
tienen sobre YT+h diferentes estrategias que afectan a las variables
explicativas.
Tipologa de los modelos economtricos

15
MODELO ECONOMETRICO
LINEAL
Uniecuacional
NO LINEAL
Multiecuacional
Uniecuacional
Multiecuacional
Clasificacin de las variables en un modelo economtrico

16
Variable Endgena: es aquella explicada por otras
variables. Es denotada por Y.

Variables Exgenas: explican a la endgena pero no
pueden estar influidas por ella. Puede haber variables
explicativas y son denotadas por X1, X2, , Xk .
Esta distincin vara dependiendo del modelo
economtrico en particular y su objetivo. As, una
exgena en un modelo puede pasar a ser la endgena
de otro.
Modelo de Regresin
17
El anlisis de regresin estudia la relacin existente
entre una variable endgena o dependiente (Y) y una

o ms variables exgenas o independientes (X), con
el objeto de estimar la media o valor promedio
poblacional de la primera en trminos de los valores
conocidos o fijos de las ltimas.
Modelo de regresin lineal mltiple

18
Sean las variables Y, X2, ., Xk, donde:
Y : variable observable (variable endgena o variable explicada)
X2, ., Xk : variables predeterminadas (variable exgenas o variables explicativas)
: variable aleatoria no observable (variable perturbacin)
Se plantea el modelo:
Yi 1 2 X 2 i .... k X ki i , para i 1, n
Dada una muestra de tamao n, tenemos:
Y1 1 2 X 21 ... K X K 1 1
Y2 1 2 X 22 ... K X K 2 2
............
Yn 1 2 X 2 n ... K X Kn n
Notacin matricial
19
Y1 1 2 X 21 ... K X K 1 1
Y2 1 2 X 22 ... K X K 2 2
............
Yn 1 2 X 2 n ... K X Kn n
y1 1
y 1
2
... ...

yn 1
x 21
x 22
...
x2n
x 31
x 32
...
x3n
...
...
...
...
xk 1
x k 2
...
x kn
1 1

2 2
... ...

k n
Y = X +
Supuestos del modelo

20
1. Yi es variable observable, variable dependiente.

2. Xi son variables fijas (con valores predeterminados, no colineales
(linealmente independientes). Rango (X) = K. Variables explicativas o
independientes.
i son variables aleatorias homocedasticas e incorrelacionadas, es decir,
E( i ) = 0; V( i ) = 2 ; Cov ( i, j ) = 0.
E ( )
E ( 1 ) 0
E ( ) 0
2
.....
E
(
0
n
1

2
V ( ) E () E 1 2
...

n
E ( 12 )
... n
E ( 1 2 ) ... E ( 1 n )

2
E
(
)
E
(
)
...
E
(
)
2
1
2
2
n
0
...
...
...
... ...

2
E ( n 1 ) E ( n 2 ) ... E ( n ) 0
...
2
...
0
...
...
0
2I
...
... 2
4. El nmero de observaciones excede al de parmetros a estimar.

21
Propiedades de matrices y
Distribuciones de probabilidad
22
1. A es simtrica
2. A es idempotente
AT = A
An = A
3. A es simtrica e idempotente
4. Si AB y BA
(A) = Traza (A)
Traza (AB) = Traza (BA)
Propiedades de matrices y
Distribuciones de probabilidad
23
5. Si X(kx1) es N(, V) y si Tpxk es una matriz de coeficientes con (T) = p

TX tiene distribucin N(T, TVT)
Puesto que TX genera

combinaciones lineales de
variables normales
6. Si X(kx1) es N(0, I) y A es una matriz simtrica e idempotente

XAX es 2(r) con r = Traza(A)
7. XAX y XBX son formas cuadrticas independientes
AB=0
Estimador de Mnimos Cuadrados Ordinarios (MCO)

24
Sea
Dado el estimador
Obtenemos el valor calculado
...
Yi 1 2 X 2 i 3 X 3 i ... k X ki
y el residuo o error de estimacin
ei Yi Yi Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )
El mtodo de mnimos cuadrados ordinarios consiste en obtener los estimadores

de i minimizando la suma de cuadrados de los errores, esto es,
n
i 1
i 1
S ( ) e 2i [Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )]2 ee
S ( ) ee e1
e2
... en
e1
e
n
2
e2
i
...
i 1

en
Y1 Y1
Y Y
Y Y
......
Yn Yn
S ( ) ee (Y Y )(Y Y ) (Y X )(Y X )
25
Para minimizar S ( )
respecto a cada
por la condicin de primer orden obtenemos las derivadas
e igualamos a 0
S ( ) [Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )]2

i 1
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki ) ( 1) 0
1
i 1
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki ) ( X 2 i ) 0
2
i 1
.
n
S ( )
2 (Yi ( 1 2 X 2 i 3 X 3 i ... k X ki )( X ki ) 0
k
i 1
Con estas igualdades formamos un sistema de ecuaciones, denominadas ecuaciones normales
26
Sistema de ecuaciones normales

n
i 1
i 1
i 1
i 1
Yi n1 2 X 2i 3 X 3i ... k X ki
n
Y
i 1
X 2i
i 1
i 1
i 1
i 1
1 X 2 i 2 X 22i 3 X 2 i X 3 i ... k X 2 i X ki
.
n
Y X
i 1
ki
i 1
i 1
i 1
i 1
1 X ki 2 X ki X 2 i 3 X ki X 3 i ... k X ki2
y1 n
y x
2 2i
... ...

... xkn yn xki
1 1 1 ... 1
x x x ... x
2n
21 22 23
... ... ... ... ...
xk 1 xk 2 xk 3
x
x
2i
2
2i
...
x2i xki
XY = (XX)
x
x x
3i
2i 3i
...
x3i xki
...
...
...
...
x
x x
1

2 i ki 2
... ...
2
x ki k
ki
( X X )1 X Y
27
Utilizando la expresin matricial para S ( )
S ( ) ee (Y X )(Y X ) (Y X ) (Y X )
Y Y X Y Y X X X
Y Y 2 X Y X X
S ( )
2 X Y 2( X X ) 0
X Y ( X X )
( X X )1 X Y
28
Propiedades de los estimadores

1) Insesgado: E ( )
29
( X X ) 1 X Y ( X X ) 1 X ( X ) ( X X ) 1 X
Funcin lineal de las obs. Y
Funcin lineal de las perturbaciones
E ( ) [( X X ) 1 X ]E ( )
2)
V ( ) 2 ( X X ) 1
( X X ) 1 X
1
1
V ( ) E[( )( )] E[( X X ) X X ( X X ) ]
( X X ) 1 X E () X ( X X ) 1 ( X X ) 1 X ( 2 I ) X ( X X ) 1
2 ( X X ) 1
Teorema de Gauss-Markov
30
El estimador MCO es el estimador lineal insesgado ptimo, en el

sentido de que cualquier otro estimador lineal insesgado tiene una
matriz de covarianzas mayor que la del estimador MCO
Demostracin
~ ~
Sea A Y un estimador lineal de y sea
~
A A ( X X ) 1 X ; matriz kxT , de mod o que
~ [ A ( X X ) 1 X ]Y [ A ( X X ) 1 X ] ( X )
~ AX [ A ( X X ) 1 X ]
~
Luego E ( ) AX as ~ ser insesgado slo si A es tal que AX 0
Teorema de Gauss-Markov
31
Si cumple la condicin, el vector quedara expresado como:
~
[ A ( X X ) 1 X ]
La matriz de convarianzas de
~
ser
~
~
~
V ( ) E[( )( )]
E ([ A ( X X ) 1 X ] )([ A ( X X ) 1 X ] )
2 AA 2 ( X X ) 1 2 ( X X ) 1 V ( MCO )
Estimador de 2
32
e Y X X X ( X X ) 1 X Y
X X ( X X ) 1 X ( X )
X ( X X ) 1 X
[ I X ( X X ) 1 X ] M
M es simtrica e idempotente
M [ I X ( X X ) 1 X ] I X ( X X ) 1 X M
MM [ I X ( X X ) 1 X ][ I X ( X X ) 1 X ]
I X ( X X ) 1 X X ( X X ) 1 X X ( X X ) 1 X X ( X X ) 1 X
I X ( X X ) 1 X M
S ( ) ei2 ee ( M )( M ) M M M
E ( e ) E ( M ) E
2
i
a
i 1
ii
2
i
2 aij i j
i j
aii 2 2 aij E ( i j )
2 Traza ( M ) 2 ( n k )
Traza ( M ) Traza ( I nxn X ( X X ) 1 X )
Traza ( I ) Traza ( X ( X X ) 1 X )
n Traza (( X X ) 1 X X ) n Traza ( I kxk ) n k
2
e
i
ee
nk nk
33
Es un estimador insesgado de
Clculo de
2
S
2
2
e
2
e
i
ee
nk nk
ee Y Y 2 X Y X X
ee Y Y 2 X Y X X [( X X ) 1 X Y ]
ee Y Y X Y
Y Y ( X Y )
S
nk
2
2
e
34
Aplicacin 1
Para las variables Y, X2, X3, X4 se plante el siguiente modelo
Yi 1 2 X 2 i 3 X 3 i 4 X 4 i i , para i 1, n
Obtenemos los estimadores de los parmetros con la siguiente informacin
resumida de la data obtenida para una muestra:
Y`Y = 10
3
3
X Y
2
10
4
X `X
2
( X X ) 1 X Y
0.52
0.64
0.16
0.38
4 2
8 0
0 6
0 0
0
0
0
( X ` X ) 1
0
0.1364 0.0682 0.0455
0.0682 0.1591 0.0227
0
0.0455 0.0227 0.1818

0
0
0
0
0.125
Y Y ( X Y ) 10 4,9205
S
0,8466
nk
6
2
2
e
Yi 0.52 0.64 X 2 i 0.16 X 3 i 0.38 X 4 i

35
Modelo:
Yi 1 2 X 2 i 3 X 3 i 4 X 4 i i , para i 1, n
Modelo estimado
Yi 0.52 0.64 X 2 i 0.16 X 3 i 0.38 X 4 i ei

S e2 0,8466 ;
S e 0,9201
0
0.1154 0.058 0.0385
0.058 0.1347 0.019
V ( ) S e2 ( X `X ) 1
0.0455 0.019 0.1539
0
0
0
0
0
.
1058
36
Coeficiente de determinacin R2
Yi 1 2 X i
y
yi
y
37
Yi y
SCR
2
R
SCT
(Y
i 1
Y )
2
(Y
y )2
(Y y
i 1
SCT
(
y
y
)
i
(Yi y i )
Variacin
no explicada
error
Variacin
Total
xi
SCE
( y i y )
Variacin
explicada por
la regresin
( y
i 1
Y )2
SCR
Este coeficiente indica en que proporcin

la variacin de Y es explicada por el
modelo de regresin
SCE
R2 1
1
SCT
2
i
2
(
Y
y
)
i
SCE
R2 1
1
SCT
(Y Y ) e
(Y Y )
2
R2
2
i
2
e
i
2
(
Y
y
)
i
n Y 2 (Y Y X Y )
2
2
Y
n
Y
i
n
Y
R2
Y Y n Y 2
38
2
R
Coeficiente de determinacin ajustado
R2 1
2
e
i
2
(
Y
y
)
i
Al considerar a R2 como un indicador del poder explicativo del modelo, debemos

tener en cuenta que al comparar dos modelos con diferente nmero de variables
explicativas, el modelo con ms variables siempre tendr un R2 mayor.
Para determinar que tanto mejora el poder explicativo del modelo al adicionar
nuevas variables se propone una modificacin en el clculo del R2 al que se
denomina R2 ajustado.
2
R 1
[ SCE /( n k )]
n1
1
(1 R 2 )
[ SCT /( n 1)]
nk
Este coeficiente es sensible al nmero de variables adicionadas, de manera que si las

variables adicionadas no incrementan de manera significativa el poder explicativo el
R2 ajustado se reducir.
39
Distribuciones de los estimadores
el vector de perturbaciones
tiene distribucin normal
2
N
(
0
,
multivariante I )
entonces:
1
1
1) ( X X ) X Y ( X X ) X
Es funcin lineal de las perturbaciones, y por lo tanto
tiene distribucin normal N ( , 2 ( X X ) 1 )

Luego, cada i tiene distrib. N ( i , 2 a ii ); donde a ii ( X X ) 1
2)
tiene dist . N (0, I n )

( n k ) S e2 M
2
tiene
dist
.
(
n k )
2
2
40
3)
1
2
( )[V ( )] ( ) tiene dist . ( k )
( ) X X ( )
1
( )[V ( )] ( )
2
[ X ( )] [ X ( )] ( N )( N ) N
2
2
X ( ) X X Y (Y ) (Y Y )
M ( I M ) ( X ( X X ) 1 X ) N
Traza(N) = K
41
( n k ) S e2 M
2
tiene
dist
.
( n k )
2
2
N
1
2
( )[V ( )] ( )
tiene
dist
.
(k )
2
MN M ( I M ) M MM 0
Entonces las dos formas cuadrticas son independientes
Luego
[( ) X X ( )] / k
F
tiene dist . F( k , n k )
2
Se
42
Estimacin y Prueba de Hiptesis para los parmetros del modelo

1. Para i
( i i )
Como i es N ( i , 2 a ii )
y
( n k ) S e2
2
tiene
dist
.
( n k )
2
a ii
( n k ) S e2
( n k ) 2
Estimacin por intervalo
t 1 / 2 T
- t1-/2
t1-
( i i )
es t ( n k )
S e a ii
( i i )
S e a ii
t 1 / 2
Obtenemos
t(n-k)
L i t1 / 2 S
43
Prueba de Hiptesis
H 0 : i i*
H 1 : i i*
Estadstica de la Prueba
( i i* )
T
es t ( n k ) si H 0 es cierta
S e a ii
Decisin
Rechazar la H0 a favor de H1 si
T t 1 / 2 o
- t1-/2
t1-
t(n-k)
T t 1 / 2
44
2. Para
( n k ) S e2
2
tiene
dist
.
(
n k )
2
1-
2
/2
Obtenemos
12 / 2
(2n k )
( n k ) S e2
Li
12 / 2
45
2
/2
( n k ) S e2
2
1 / 2
2
( n k ) S e2
Ls
2 / 2
10
Prueba de Hiptesis
H0 :
H1 :
20
....
0
k
[( 0 )[ X X ]( 0 )] / k
F
tiene dist . F( k , n k ) si H 0 es cierta
2
Se
Decisin
Rechazar la H0 a favor de H1 si
F > F1-
F1-
46
F(k ,n-k)
Prueba de Hiptesis para restricciones lineales

Sea el modelo
Yi 1 2 X 2 i .... 5 X 5 i i , para i 1, n
Para el cual se formula las siguientes hiptesis
3 3 5 8
1. H 0 : 4 4 1 0
3 2
5 2
H 0 : R r
1
0 0 3 0 1 2
1 0 0 4 0
0 1 0 0 3 4
Restricciones lineales
R
47
8
0
2
r
Prueba de Hiptesis para restricciones lineales
H 0 : R r
H 0 : R r
Rqxk ; q k
Rango( R ) = q (las restriciones son
linealmente independientes)
1. Prueba o Test de Wald

Estadstica
W ( R r )[V ( R r )]1 ( R r ) es (2q )
es N ( , 2 ( X X ) 1 )
( R r ) es N (0, R[V ( )] R)
E ( R r ) R E ( ) r R r 0
V ( R r ) R[V ( )]R
W ( R r )[ 2 R ( X X ) 1 R]1 ( R r ) es (2q )
W ( R r )[ S e2 R ( X X ) 1 R]1 ( R r ) (2q )
48
12
(2n k )
2. Prueba F
H 0 : R r
H 0 : R r
Rqxk ; q k
{( R r )[ R ( X X ) 1 R]1 ( R r )} / q
F
es F( q ,n k )
ee /( n k )
F1
F( q ,n k )
W ( R r )[ 2 R ( X X ) 1 R]1 ( R r ) es (2q )
( n k ) S e2 ee
2
tiene
dist
.
(
n k )
2
2
W qF
49
Estimacin de un modelo de Regresin mltiple con EViews

1. Ingresar a EViews
File
New
workfile
File
New
workfile
50
2. Frequency
anual
Range
51
OK
3. Ingreso de datos:
Quick
Empty group
52
Aparece una planilla en blanco en la que se asigna nombre a las variables y se ingresa los
datos como en una planilla excel
53
3. Estimacin de la ecuacin:
Quick
54
Estimate equation
En la ventana se especifica el modelo ingresando a la izquierda la v. dependiente luego la

constante y las variables explicativas, luego presionar en OK
55
El programa ofrece los resultados de la estimacin
56
Modelo estimado
INV 5.23 0.21 PNB 0.83 R e

Dependent Variable: INV
Method: Least Squares
Date: 04/01/07 Time: 17:38
Sample: 1971 1994
Included observations: 24
Variable
Coefficient
Std. Error
t-Statistic
Prob.
5.228449
29.00686
0.180249
0.8587
PNB
0.213205
0.011921
17.88539
0.0000
-0.828817
3.239046
-0.255883
0.8005
R-squared
0.941937
Mean dependent var
41.13333
Adjusted R-squared
0.936407
S.D. dependent var
20.97122
S.E. of regression
5.288459
Akaike info criterion
6.285400
Sum squared resid
587.3238
Schwarz criterion
6.432656
F-statistic
170.3368
Prob(F-statistic)
0.000000
Log likelihood
Durbin-Watson stat
-72.42479
0.787335
57
Para guardar el modelo: Name
Se escribe el nombre
58
Se escribe la especificacin
OK
Anlisis de significancia de las variables

Sea el modelo
1) Anlisis de significancia de la variable Xi
H0 : i 0
H1 : i 0
i
T
S
es t ( n k ) si H 0 es cierta
i
- t1-/2
59
t1-
t(n-k)
2) Anlisis de la significancia de un subvector de s variables
R 0 qxs I sxs
q 1

q 2
H0 :
.....
sx1
0
0

...

0
0
0
...
0
sx1
... 0 1 0 ... 0
... 0 0 1 ... 0
... ... ... ... ... ...
... 0 0 0 ... 1
1
...
q 1
q 2
sxk
0
0

...

0
...

k
sx1
kx1
Ninguna de las s variables es

significativa para explicar a Y
Con H0 se define una particin en la matriz X :
1 X 21
1 X
22
X
... ...
1 X 2 n
... X q1
... X q 2
... ...
... X qn
X1
60
X X1 X 2
X q 1 1
X q 1 2
...
X q 1 n
...
...
...
...
X2
X k1
X k 2
...
X kn
X X1 X 2
B
1
B2
Y X1 X 2
H 0 : B2 0
B1
B X 1 B1 X 2 B2
2
H 1 : B2 0
H 0 : R 0 sxq I sxs
A11
R ( X X ) R 0 I
A21
1
61
B1
B B2 0
2
A12 0
A22
A22 I
B
X X 11
B21
B12
B22
A11
A21
( X X ) 1
A12
A22
1
A11 ( B11 B12 B22
B21 ) 1
1
A12 B11
B12 A22
A22 ( B22 B21 B111 B12 ) 1
1
A21 B22
B21 A11
X 1'
X X
'
2
X1
X 1' X 1
X 1' X 2
'
X 2 X1
X 2' X 2
X2
R( X X ) 1 R A22 [ X 2' X 2 X 2' X 1 ( X 1' X 1 ) 1 X 1' X 2 ]1 [ X 2' M 1 X 2 ]1

Donde M 1 [ I X 1 ( X 1' X 1 ) 1 X 1' ]
Del modelo restringido
62
Y X 1 B1 1
H 0 : B2 0
H 1 : B2 0
H 0 : R 0 sxq I sxs
B1
B B2 0
2
Entonces la estadstica
{( R r )[ R ( X X ) 1 R]1 ( R r )} / q
F
es F( q ,n k )
ee /( n k )
Se reduce a:
2' [ X 2' M 1 X 2 ] 2 / s
F
es F( s , n k )
2
Se
63
Contraste de significacin, mediante sumas residuales

H 0 : B2 0
H 1 : B2 0
Modelo restringido
Modelo sin restriccin
Modelo sin restriccin

(MSR)
Y X1 X 2
B1
B X 1 B1 X 2 B2
2
SCE ( MSR ) ee Y M Y
e MY
Modelo restringido
(MR)
B1

B2
Y X 1 B1 1
SCE ( MR ) e1e1 Y M 1 Y
e1 M 1Y
64
En el MSR
Y X 1 B 1 X 2 B 2 e
M 1Y M 1 X 1 B 1 M 1 X 2 B 2 M 1e M 1 X 2 B 2 e
M 1 X 1 1 [ I X 1 ( X 1' X 1 ) 1 X 1' ] X 1 1 0
X Y ( X X )
Luego
X 1'
X 1' e
0
e '
'
X2
X 2 e 0
X (Y X ) X e 0
M 1e [ I X 1 ( X 1' X 1 ) 1 X 1' ]e e
65
M 1Y M 1 X 2 B 2 e
( M 1Y )( M 1Y ) ( M 1 X 2 B 2 e )( M 1 X 2 B 2 e )
Y M 1Y B 2 X 2 M 1 M 1 X 2 B 2 B 2 X 2 M 1 e e M 1 X 2 B 2 ee
2 X 2 M 1e 2 X 2 e 0
e M 1 X 2 2 [ 2 X 2 M 1e ] 0
Y M 1Y B 2 X 2 M 1 X 2 B 2 ee
SCE(MR)
Luego
SCE(MSR)
B 2 X 2 M 1 X 2 B 2 SCE ( MR ) SCE ( MSR )

Y Y 1 X 1Y (Y Y X Y )
( X Y nY 2 ) ( 1 X 1Y nY 2 )
SCR(MSR)
66
SCR(MR)
H 0 : B2 0
H 1 : B2 0
Estadstica de la prueba
2' [ X 2' M 1 X 2 ] 2 / s
F
es F( s , n k )
2
Se
Equivale a:
[ SCE ( MR ) SCE ( MSR )] / s [ SCR( MSR ) SCR( MR )] / s

F
es F( s , n k )
SCE ( MSR ) /( n k )
SCE ( MSR ) /( n k )
[ X Y 1 X 1Y ] / s
F
[Y Y X Y ] /( n k )
67
ANALISIS DE VARIANZA: Contraste de significacin
Fuente de variacin
Suma de cuadrados
Debido a X2, , XK
SCR X Y nY
Debido a X2, , Xr
SCR1 1 X 1 Y nY
Debido a Xr+1, , XK
2
2
SCR2 X Y 1 X 1 Y
Debido a X2, , XK-1
SCR1 X Y nY 2 k / a kk
Debido a XK
SCR2 k2 / a kk
G.L.
C.M.
Razn F
k-1
SCR
K 1
SCR / k 1
SCE / n k
SCR2
kr
SCR2 / k r
SCE / n k
SCR2
k2 / a kk
SCE / n k
SCE
nk
r-1
k-r
k-2
Debido al error
SCE Y Y X Y
n-k
Total
Y Y nY
n-1
68
Modelo en desviaciones de media

Yi 1 2 X 2 i .... k X ki ei , para i 1, n
Y 1 2 X 2 .... k X k ya que
1 Y ( 2 X 2 .... k X k )
Yi Y 2 ( X 2 i X 2 ) .... k ( X ki X k ) ei
yi 2 x 2 i .... k x ki ei
y xB 2 e
y : Vector de las observaciones Y en desviaciones de media
x:
Matriz de observaciones de las variables Xs en desviaciones de media

69
Yi 1 2 X 2 i .... k X ki ei , para i 1, n
Modelo en desviaciones
y xB 2 e
B 2 ( x x ) 1 x y
E ( B 2 ) B2
V ( B 2 ) 2 ( x x ) 1
2
V ( 1 )
2 X 2 ( x x ) 1 X 2
n
1 Y ( 2 X 2 .... k X k )
V ( 1 ) V [Y ( 2 X 2 .... k X k )] V [Y X 2 B 2 ] V (Y ) X 2 V ( B 2 ) X 2
cov( 1 , B 2 ) Cov[Y X 2 B 2 , B 2 ] X 2 V ( B 2 ) 2 X 2 ( x x ) 1
70
2
e
i
ee
y y B 2 x y

nk nk
nk
2
y xB 2 e
e y xB 2
SCE
y y B 2 x y
R 1
1
SCT
y y
2
71
ee y y B 2 x y
B 2 x y
R
y y
2
Prediccin utilizando el modelo de Regresin Mltiple

Modelo:
E (Yi ) 1 2 X 2 i .... k X ki X 'i
Prediccin del promedio

Prediccin puntual
Yi 1 2 X 2 i 3 X 3 i ... k X ki X 'i
Prediccin por intervalo
Si i es N (0, 2 )
E (Yi ) E ( X 'i ) X 'i
V (Yi ) V ( X 'i ) X 'i V ( ) X i
Yi E (Yi )
2
e
'
i
S X ( X X ) X i
es t ( n k )
L Yi t1 / 2 S e2 X i' ( X X )1 X i
72
Prediccin de un valor individual

Prediccin puntual
Yi 1 2 X 2 i .... k X ki i
Yi 1 2 X 2 i 3 X 3 i ... k X ki X 'i
Prediccin por intervalo
E (ei ) 0
e i Yi Yi X i' i X i'
Si i es N (0, 2 )
T
V (ei ) 2 X 'i V ( ) X i
Yi Yi
1
S (1 X ( X X ) X i )
2
e
'
i
es t ( n k )
L Yi t1 / 2 S e2 (1 X i' ( X X ) 1 X i )
73
Coeficientes estandarizados
Yi Y 2 ( X 2 i X 2 ) .... k ( X ki X k ) i
Yi Y
S
2 SX 2
SY
Y
j j
*
X 2i X 2
SX j
S X2
....
S Xk
SY
X 2i X 2
S X2
Variables en su nivel
Variables en
desviaciones de media
Variables estandarizadas
Se denomina coeficiente estandarizado o coeficiente Beta
SY
Los coeficientes beta informan respecto de la importancia relativa de las variables

explicativas en el modelo de regresin mltiple.
Indican cual es el cambio en unidades estandarizadas de la variable dependiente
ante un cambio en una desviacin estndar de la variable dependiente.
74
Correlacin Parcial
En el modelo de regresin mltiple interesa medir cun relacionada est la
variable dependiente con cada una de las variables independientes, luego de
eliminar completamente el efecto de las otras variables independientes en el
modelo.
Ejemplo
Sea el modelo:
Yi 1 2 X 2 i 3 X 3 i i
y sean los modelos auxiliares
1) Yi 1 2 X 3 i
2) X 2 i 1 2 X 3 i
Eliminamos de Y y X2 la influencia lineal de X3 y obtenemos:
de 1) Y * Yi Yi
de 2) X *2 i X 2 i X 2 i
Al coeficiente de correlacin entre Y* y X*2 se denomina correlacin parcial

entre Y y X2.
75
rYX 2 : Correlacin simple entre Y
y X2
rYX 3 : Correlacin simple entre Y
y X3
rX 2 X 3 : Correlacin simple entre X 2
y X3
rYX 2 . X 3 : Correlacin parcial entre Y

rYX 2 . X 3
X2
Y
X3
y X 2 ( controlada por X 3
rYX 2 rYX 3 rX 2 X 3
2
1 rX22 X 3 1 rYX
3
SY .3
2 rY 2.3
S 2.3
SY.3 : Desv. est. de los residuos en la regresin de Y en X3

S2.3 : Desv. est. de los residuos en la regresin de X2 en X3
76

Econometria I-MRLM

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

Econometria I-MRLM

Hochgeladen von

Copyright:

Verfügbare Formate

Facultad de Economa - UNMSM

Econometra: Significado y objeto

Econometra: este vocablo procede del griego y significa

medida de la economa. Lo que pone de manifiesto su

El desarrollo de la Teora Econmica

Intriligator (1978) define Econometra como aquella rama de

la Economa que se ocupa de medir desde el punto de vista

Econometra: Significado y objeto

Los dos ingredientes bsicos de la Econometra son: 1) La

Teora Econmica y 2) Los datos.

saber conjugar perfectamente ambos ingredientes. En otras

Econmica, para validar determinadas relaciones que

Un modelo es la representacin simplificada de

cualquier fenmeno, proceso, institucin y en

Mg. Beatriz Castaeda

Modelo econmico y modelo economtrico

Modelo econmico. Son leyes o relaciones econmicas

que son aplicables con validez general a diversos sistemas

Modelo economtrico: Es un modelo especfico de

aplicacin a sistemas reales concretos, basado en un

Mg. Beatriz Castaeda

Objeto y mtodo de la investigacin

verificacin de los modelos economtricos.

Proceso para estimar un modelo:

Definir la variable que queremos estudiar (variable

Mg. Beatriz Castaeda

Metodologa del Trabajo Economtrico

Teora Econ.: Si el ingreso o la tasa de

Anlisis de coeficientes estimados y signos.

Tipos de modelos economtricos

Modelos estructurales: la especificacin, lineal o

no lineal, del modelo se basa en las relaciones

Modelos de regresin uniecuacionales

Mg. Beatriz Castaeda

Tipos de modelos economtricos

Modelos de series temporales: Examinan el

comportamiento pasado de una serie temporal

Mg. Beatriz Castaeda

Relacin entre variables econmicas

modelo economtrico exige una teora

Regresin esprea: Es aquella regresin que no

tiene significado ni explicacin en la teora

Mg. Beatriz Castaeda

El clculo de coeficientes de correlacin y el trazado satisfactorio de

Mg. Beatriz Castaeda

Proceso de contrastacin de teoras segn Koutsoyiannis (1973)

Expresin matemtica de la teora:

Confrontacin del modelo

PROCESO GENERAL DE CONTRASTACIN DE TEORIAS

Modelo adoptado para contrastacin

Confrontacin del modelo

Modelo economtrico N-1

Compatibilidad con datos

Incompatibilidad con datos

Para todos los modelos

Para algunos modelos

Informa sobre grado de

Nuevos desarrollos tericos en la misma lnea

Nuevos desarrollos tericos c/posibles correc.

Para todos los modelos

Contraste con datos no concluyente (reducida prob. o resultados opuestos compensados)

El papel de los modelos economtricos en la

Sea el modelo estimado