ECONOMETRÍA

La econometría se basa en métodos estadísticos para estimar las

relaciones económicas, poner a prueba teorías económicas y evaluar y
poner en práctica políticas gubernamentales y comerciales. La
aplicación más común de la econometría es el pronóstico de variables
macroeconómicas importantes como las tasas de interés e inflación y el
producto interno bruto.

El pronóstico de los indicadores económicos es muy común y con

frecuencia recibe amplia publicidad, pero los métodos econométricos
sirven también en campos de la economía que no tiene nada que ver
con las predicciones macroeconómicas.

La econometría evoluciono como disciplina independiente de la

estadística matemática porque se concentra en los problemas
inherentes a la recopilación y análisis de datos económicos no
experimentales. Los datos no experimentales no se obtienen mediante
experimentos controlados acerca de individuos, empresas o sectores de
la economía. En las ciencias naturales, los datos experimentales se
generan en el laboratorio, mientras que en las ciencias sociales resulta
mucho más difícil utilizar este medio. Aunque es posible idear algunos
experimentos sociales, con frecuencia es imposible, prohibitivamente
cara o repugnante, en términos morales, realizar los experimentos
controlados que se necesitarían para abordar las cuestiones
económicas. El método de análisis de regresión múltiple es el pilar de
ambos campos, pero su enfoque e interpretación puede diferir en forma
notable.

Los métodos econométricos son importantes en prácticamente todas las

ramas de la economía aplicada. Entran en acción cuando tenemos una
teoría económica que poner a prueba, o cuando hemos pensado en una
relación que tenga alguna importancia para las decisiones de negocios o
el análisis de políticas. Un análisis empírico usa datos para probar una
teoría o estimar una relación. En algunos casos, en particular los que se
ocupan de probar las teorías económicas, se elabora un modelo
económico formal, que consta de ecuaciones matemáticas que
describen diversas relaciones.
Después de que especificamos un modelo económico, necesitamos
convertirlo en lo que denominamos un modelo econométrico.

En su mayor parte, el análisis econométrico comienza por especificar un

modelo econométrico, sin considerar los detalles de la creación de tal
modelo. El razonamiento económico tendrá una función importante en
nuestros ejemplos y la especificación del modelo econométrico se
basara en la teoría económica. Una vez especificado un modelo
econométrico, es posible enunciar varias hipótesis de interés en
términos de los parámetros desconocidos. Por definición, un análisis
empírico necesita datos. Luego de reunir los datos sobre las variables
pertinentes, se utilizan métodos econométricos para estimar los
parámetros del modelo y para probar formalmente las hipótesis de
interés. En algunos casos, el modelo econométrico sirve para hacer
predicciones, tanto en la evaluación de una teoría como en el estudio del
impacto de una política.
Datos de corte transversal

Un conjunto de datos de corte transversal consta de una muestra de

individuos, hogares, empresas, ciudades, estados, países u otras
diversas unidades, tomada en un momento determinado. A veces, los
datos de todas las unidades no corresponden con exactitud al mismo
periodo; por ejemplo, es posible entrevistar a varias familias durante
semanas distintas del año. En un análisis de sección cruzada pura,
ignoraríamos cualquier diferencia de tiempo mínima en la recopilación
de los datos. Si se entrevisto a un grupo de familias en semanas
distintas del mismo año, aun veríamos esta información como un
conjunto de datos de corte transversal.

Una particularidad importante de los datos de corte transversal es que, a

menudo, damos por sentado que se obtuvieron mediante muestreo
aleatorio de la población de origen. El muestreo aleatorio es el esquema
de muestreo que se estudia en los cursos de introducción a la
estadística y simplifica el análisis de los datos de corte transversal. En
ocasiones, el muestreo aleatorio no es adecuado como premisa para
analizar datos de corte transversal.

Los datos de corte transversal tienen mucho uso en la economía y en

otras ciencias sociales. En la economía, el análisis de estos datos está
muy cercano a los campos de la microeconomía aplicada, como la
economía laboral, las finanzas públicas locales y estatales, la
organización industrial, la economía urbana, la demografía y la
economía de la salud. Los datos sobre individuos, hogares, empresas y
ciudades en determinado momento son importantes para probar
hipótesis microeconómicas y evaluar políticas económicas.

Datos de series de tiempo

Un conjunto de datos de series de tiempo consta de observaciones, de

una o más variables, hechas en el tiempo. Entre los ejemplos de este
tipo de información se encuentran los precios de las acciones, el monto
del circulante, el índice de precios al consumidor, el producto interno
bruto, los índices anuales de homicidios y las cifras de venta de
automóviles.
A diferencia del ordenamiento de los datos de corte transversal, la
disposición cronológica de las observaciones en una serie temporal
proporciona información potencialmente importante.

Combinación de cortes transversales

Algunos conjuntos de datos tienen características tanto de corte

transversal como de series temporales. Con el objeto de aumentar el
tamaño de nuestra muestra, podemos formar una combinación de
cortes transversales para los dos años. Las combinaciones de cortes
transversales de diversos años suelen ser un medio eficaz para analizar
los efectos de una nueva política gubernamental. La idea es recopilar
datos de los años anteriores y posteriores del cambio en la política
gubernamental.
Una combinación de cortes transversales se analiza en forma muy
parecida al corte transversal estándar, salvo que con frecuencia
tenemos que considerar las diferencias seculares de las variables en el
tiempo. De hecho, además de aumentar el tamaño de la muestra, a
menudo el punto crítico de un análisis de las combinaciones de
secciones de corte transversal, es ver como cambió con el tiempo una
relación fundamental.

Datos de panel o longitudinales

Un conjunto de datos de panel consta de una serie temporal para cada

miembro del corte transversal en el conjunto de datos. Como ejemplo,
supongamos que tenemos salario, educación y antecedentes de empleo
de un grupo de individuos a los que se ha dado seguimiento durante 10
años.

La característica fundamental de los datos de panel, que los distinguen

de las combinaciones de cortes transversales, es el hecho de que se da
seguimiento a las mismas unidades transversales durante cierto
periodo.

El análisis econométrico de las series de tiempo aplica muchas de las

herramientas del corte transversal, pero es más complicado debido a las
tendencias y al carácter persistente de muchas de las series de
temporales económicas.
MODELO DE REGRESIÓN SIMPLE

Con el modelo de regresión simple es posible estudiar la relación entre

dos variables. El modelo tiene limitaciones como instrumento general
para el análisis empírico; sin embargo, en ocasiones es una herramienta
empírica conveniente.

Buena parte del análisis econométrico aplicado comienza con esta

premisa: y y x son dos variables que representan cierta población; estamos
interesados en explicar y en términos de x o bien en estudiar como varía y con
los cambios de x.

Y= β0 + β1x + u.

Esta ecuación define el modelo de regresión lineal simple. También se

denomina modelo de regresión lineal de dos variables o modelo de regresión
lineal bivariada, por que relaciona las dos variables x y y.

Cuando las relacionamos, las variables y y x posen varios nombres que se

usan en forma distinta.

Y X
Variable dependiente Variable independiente
Variable explicada Variable explicativa
Variable de respuesta Variable de control
Variable predicha Variable predictora
Regresando Regresor

La variable u, denominada termino de error o perturbación de la

relación, representa los factores, aparte de x, que influyen en y. en la
práctica, un análisis de regresión simple trata a todos los factores que
influyen en y además de x como inobservables.

La ecuación Y= β0 + β1x + u., también aborda el tema de la relación funcional

entre y y x. Si los otros factores de u se mantienen fijos de modo que el
cambio en u sea cero, Δu=0, entonces x tiene un efecto lineal en y:

Δy= β1Δx si Δu =0.

Así, el cambio en y es β1 multiplicada por el cambio en x. Esto significa

que β1 es el parámetro de la pendiente de la relación entre y y x si se
mantienen fijos en u los otros factores; esto es de interés fundamental
en la economía aplicada. El parámetro de intercepción β0 también tiene
sus usos, pero pocas veces es crucial para el análisis.

La linealidad significa que un cambio de una unidad en x tiene el mismo

efecto en y, cualquiera que sea el valor inicial de x. Esto es poco realista
en muchas aplicaciones económicas; por ejemplo, en el caso de la
relación entre salario y escolaridad, acaso quisiéramos explicar
rendimientos crecientes: que un año adicional de educación tenga un
efecto mayor en el salario que el del año pasado.

MODELO DE REGRESIÓN MÚLTIPLE

El análisis de regresión múltiple se presta mejor al examen ceteris

paribus porque nos permite controlar explícitamente muchos otros
factores que influyen de manera simultánea en la variable dependiente.
Esto es importante tanto para probar teorías económicas como para
evaluar efectos de las medidas políticas cuando tenemos que confiar en
datos que no son experimentales.

Los modelos de regresión múltiple dan cabida a muchas variables

explicativas que podrían están correlacionadas, cabe inferir una
casualidad en los casos en que el análisis de regresión simple seria
equívoco.

Si sumamos al modelo más factores útiles para explicar y, es posible

explicar mas sobre la variación de y. Así, el análisis de regresión múltiple
sirve para elaborar modelos mejores que pronostiquen la variable
dependiente. Otra ventaja del análisis de regresión múltiple es que
incorpora formas funcionales bastante generales. En el modelo de
regresión simple, solo una función de una sola variable explicativa
aparece en la ecuación, el modelo de regresión múltiple nos concede
mucha más flexibilidad.

Y= β0 + β1x1 + β2 x2 + u.

Una vez que estamos en el contexto de la regresión múltiple, no hay

razón para detenerse en dos variables independientes, ya que el análisis
de esta regresión permite abarcar muchos factores observables que
influyen en y.

La terminología de la regresión múltiple es similar a la de la regresión

simple, ya que la variable u es el término de error o perturbación. No
importa cuántas variables explicativas incluyamos en nuestro modelo, siempre
habrá factores que no podamos integrar y que comprendamos colectivamente
en u.
ANÁLISIS ECONOMÉTRICO

Para empezar a analizar, primero debemos decidirnos por un tema el

cual será el objeto de estudio, debemos recopilar un adecuado conjunto
de datos. Suponiendo que los hemos reunido, tenemos que decidirnos a
continuación por los métodos econométricos apropiados.

Para justificar los MCO, también se debe exponer argumentos

convincentes de que se satisfacen para el modelo las suposiciones
claves. En cierta medida, el primer aspecto es si el término de error no
está correlacionado con las variables explicativas.

Los buenos trabajos en las ciencias sociales empíricas contienen un

análisis de sensibilidad. En términos generales, esto quiere decir que
uno estima su modelo original y lo modifica de maneras que parecen
razonables y por ende es de esperarse que no cambien las conclusiones
importantes.

CORRELACIÓN

VALOR O RANGO

Perfecta

|R| = 1

Excelente

0.9 <= |R| < 1

Buena

0.8 <= |R| < 0.9

Regular

0.5 <= |R| <0.8

Mala

|R|< 0.5