Econometría I (Sem I-2013)

UCV-FACES-ECONOMA
ECONOMETRA I, Semestre I-2013

Profesor: Angel Cova
Tema I:
Introduccin a la Econometra
1
Definicin y objetivo
Econometra: medicin econmica (significado literal).

Consiste en analizar datos de origen econmico
aplicando herramientas estadsticas y matemticas, con
el propsito de dar soporte emprico a los modelos
planteados por la teora econmica.

No se considera una ciencia sino una disciplina que
combina la teora econmica, la matemtica y la
estadstica.
2
Metodologa economtrica
Planteamiento de la teora econmica.
Especificacin del modelo matemtico de la teora.
Especificacin del modelo estadstico de la teora
(economtrico).
Obtencin de los datos.
Estimacin de los parmetros del modelo
economtrico.
Pruebas de hiptesis.
Pronstico o prediccin.
Utilizacin del modelo para fines de control o poltica
econmica.

3
Metodologa economtrica
t t t
kt k t t t t
t kt k t t t t
t kt k t t t t
kt k t t t t
kt t t t t
Y Y
X X X X Y
X X X X Y
X X X X Y
X X X X Y
X X X X f Y
| | | | |
| | | | |
| | | | |
| | | | |
) 6
...

) 5
...

) 4
... ) 3
... ) 2
) ,..., , , ( ) 1
3 3 2 2 1 1 0
3 3 2 2 1 1 0
3 3 2 2 1 1 0
3 3 2 2 1 1 0
3 2 1
+ =
+ + + + + =
+ + + + + + =
+ + + + + + =
+ + + + + =
=
4
Los modelos y sus tipos.
a) Finito, infinito.
b) Lineal, no lineal.
c) Simple, mltiple.
d) Esttico, dinmico.
e) Determinista, estocstico.
f) De identidad, comportamiento.
g) Uniecuacional, multiecuacional.
h) Microeconmico, macroeconmico.

5
El modelo economtrico
Tipo de modelo y ecuacin.
Variable dependiente (explicada) y variables independientes
(explicativas).
Parmetros (poblacionales) y estimadores (muestrales).
Datos observados, datos estimados y trmino de error.
6
t t t
t kt k t t t t
t kt k t t t t
Y Y
X X X X Y
X X X X Y
| | | | |
| | | | |
...

...
3 3 2 2 1 1 0
3 3 2 2 1 1 0
+ =
+ + + + + + =
+ + + + + + =
Supuestos sobre las perturbaciones
n t t s
N
Cov
Var
E
t
t s
t
t
,..., 2 , 1 ;
) ; 0 ( ~
0 ) , (
) (
0 ) (
2
2
= =
=
=
=
o

o
7
Criterios de seleccin de un modelo
1. Ser aceptable segn los datos.
2. Ser consistente con la teora.
3. Tener regresores dbilmente exgenas.
4. Mostrar constancia paramtrica.
5. Exhibir coherencia en los datos.
6. Ser inclusivo.

La econometra como disciplina
Requisitos y niveles de conocimiento, bondades y problemas,
alcances y limitaciones, coherencia entre la estadstica y la teora
econmica.

8
UCV-FACES-ECONOMA
Tema II:
El Modelo Clsico
de Regresin Lineal
9
Anlisis de regresin
Se trata del estudio de la dependencia de la variable
explicada, respecto a una o ms variables
(denominadas explicativas), con el objetivo de estimar
y/o predecir la media o valor promedio poblacional de
la primera en trminos de los valores fijos conocidos
(en muestreo repetido) de las ltimas.

Cuando dicha relacin se escribe a travs de una
ecuacin lineal en los parmetros con una o mas
variables explicativas, entonces se habla de un modelo
clsico de regresin lineal (MCRL).
10
Trminos y conceptos para aclarar
Establecer diferencias entre:
Anlisis de regresin y anlisis de correlacin.
Anlisis de regresin y anlisis de causalidad.

Dejar claro los siguientes trminos:
Significado del trmino lineal (en las variables y en
los parmetros).
Significado del trmino de perturbacin estocstica.
Funcin de Regresin Poblacional (FRP) y Funcin de
Regresin Muestral (FRM).

11
Supuestos del MCRL
1. El modelo de regresin es lineal en los parmetros.
2. Los valores de X son fijos en muestreo repetido.
3. El valor medio de la perturbacin (
t
) es igual a cero.
4. Homoscedasticidad o igual varianza de
t
.
5. No existe autocorrelacin entre las perturbaciones.
6. La covarianza entre
t
y X
t
es igual a cero.
7. El nmero de observaciones (n) debe ser mayor que el
nmero de parmetros por estimar.
8. Variabilidad en los valores de X.
9. El modelo de regresin esta correctamente especificado.
10. No hay multicolinealidad perfecta entre las variables
explicativas.

12
Especificacin matricial del MCRL
n kn k n n n n
k k
k k
k k
k k
t kt k t t t t
X X X X Y
X X X X Y
X X X X Y
X X X X Y
X X X X Y
n t Para
X X X X Y
| | | | |
| | | | |
| | | | |
| | | | |
| | | | |
| | | | |
+ + + + + + =
+ + + + + + =
+ + + + + + =
+ + + + + + =
+ + + + + + =

=
+ + + + + + =
...
......... .......... .......... .......... .......... .......... .......... ..........
...
...
...
...
,..., 2 , 1
...
3 3 2 2 1 1 0
4 4 34 3 24 2 14 1 0 4
3 3 33 3 23 2 13 1 0 3
2 2 32 3 22 2 12 1 0 2
1 1 31 3 21 2 11 1 0 1
3 3 2 2 1 1 0
13
Especificacin matricial del MRLC
) 1 ( 1 ) 1 ( ) 1 ( ) 1 (
1
4
3
2
1
1 ) 1 (
3
2
1
0
) 1 (
3 2 1
4 34 24 14
3 33 23 13
2 32 22 12
1 31 21 11
1
4
3
2
1
3 3 2 2 1 1 0
*
... ...
*
... 1
... ... ... ... ... ...
... 1
... 1
... 1
... 1
...
,..., 2 , 1
...
nx x k k nx nx
nx
n
x k
k
k nx
kn n n n
k
k
k
k
nx
n
t kt k t t t t
X Y ente Matricialm
X X X X
X X X X
X X X X
X X X X
X X X X
Y
Y
Y
Y
Y
n t Para
X X X X Y
|
|
|
|
|
|
| | | | |
+ =
(
(
(
(
(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
=
+ + + + + + =
+ +
+ +
14
Supuestos sobre las perturbaciones
( )( ) | |
) ; 0 ( ~ ) 3
1 0 0 0 0
... ... ... ... ...
0 ... 1 0 0
0 ... 0 1 0
0 ... 0 0 1
0 0 0 0
... ... ... ... ...
0 ... 0 0
0 ... 0 0
0 ... 0 0
) (
) ( ) ( ) ( ) ( ) 2
0
0
...
0
0
0
) (
...
) (
) (
) (
) ( ) 1
2
2 2
2
2
2
2
1 1
3
2
1
I N
I Var
E E E E Var
E
E
E
E
E
nxn
nxn
t
t
nx nx
n
o
o o
o
o
o
o
=
(
(
(
(
(
(
=
(
(
(
(
(
(
=
= =
=
(
(
(
(
(
(
=
(
(
(
(
(
(
=
15
Estimacin por Mnimos
Cuadrados Ordinarios (MCO)
| |
)
( )
(
)
* :
* :
...
...
1 ) 1 ( ) 1 ( ) 1 ( ) 1 (
) 1 ( 1 ) 1 ( ) 1 ( ) 1 (
) 1 (
3
2
1
) 1 (
3 2 1
1
2
| |
|
|
|
|

X Y X Y
X Y
X Y
X Y Entonces
X Y que Dado
Minimizar
t t
t t
x k k nx nx nx
nx x k k nx nx
nx
n
xn
n
t
n
t
t
=
=
=
=
+ =
(
(
(
(
(
(
=
+ +
+ +
=
16
Estimacin por Mnimos
Cuadrados Ordinarios (MCO)
| |
| |
| |
Y X X X
Y X X X
X Y X X
X X X Y
X X Y X X Y Y Y
X Y X Y
X Y X Y
X Y X Y
t t
t t
t t t
t t t
t
t
t t t t t t t
t t t t
t t t
t t
1
) (
) (
0
) (

)
( )
(
)
( )
=
=
=
= + =
c
c
=
c
c
+ =
=
=
=
|
|
|
|
|

|

| | | |
| |
| |
| |
17
Propiedades estadsticas de los
estimadores MCO
| |
| | | |
| |
| |
1 2
1 2 1 1 2
1 2 1
1 1
1
1
1
1 1
1
1
) ( ; ~
) 3
) ( ) ( ) ( )
(
) ( ) ( )
(
) ( ) ( ) ( )
(
) ( ) ( )
( ) 2
)
( ) ( ) ( ) ( )
( ) 1
) (
) ( ) (
) ( ) (
) (
=
=
=
+ =
= + =
+ =
+ =
+ =
=
X X N
X X X X X X X X Var
X X X I X X X Var
X X X Var X X X Var
X X X Var Var Var
E E X X X E E
X X X
X X X X X X X
X X X X
Y X X X
t
t t t t
t t t
t t t t t
t t
t t
t t
t t t t
t t
t t
o | |
o o |
o |
|
| |
| | | |
| |
| |
| |
|
18
Resumen de propiedades
(enfoque matricial)
| |
1 2 2
1 2 2
1
) ( ; ~
) ; 0 ( ~ ) 3
) ( )
( ) ( ) 2
)
( 0 ) ( ) 1
) (
= =
= =
=
= + =
= + =
X X N I N
X X Var I Var
E E
MELI Y X X X
FRM X Y X Y
FRP X Y X Y
t
t
t t
o | | o
o | o
| |
|
| |
| |
19
Interpretacin de los estimadores de

Si la variable explicativa X
i
aumenta en una unidad, la variable explicada Y
aumenta en promedio tantas unidades como indica el valor estimado de
, manteniendo constante el resto de las variables explicativas.

Si la variable explicativa X
i
aumenta en una unidad, la variable explicada Y
disminuye en promedio tantas unidades como indica el valor estimado de
, manteniendo constante el resto de las variables explicativas.

Nota: recuerde mencionar la unidad de medida de cada variable.

20
k i
X
Y
X X X X Y
i
it
t
t kt k t t t t
,..., 2 , 1
...

3 3 2 2 1 1 0
= =
c
c
+ + + + + + =
|
| | | | |
0
>
i
|
0
<
i
|
Condicin de ortogonalidad
(enfoque matricial)

0

0 0 ) 7
0 )
( ) 6
0
) ( ) 5
) ( ) 4
) (
) 3
) 2

) 1
1
= = = . = =
=
=
=
=
= + =
=
= + =
Y Y X Y X X
X Y X
X X Y X
Y X X X
Y X X X
Y Y Y Y
X Y Siendo
X Y X Y
t t t t
t
t t
t t
t t
|
|
|
|
|

|
| |
21
Explicacin del promedio de la
variable dependiente (Y) en el MRLC
( )
( )
kt k t t t t
n
t
t
n
t
kt k t t t
n
t
t
n
t
t kt k t t t
n
t
t
t kt k t t t t
t t
X X X X Y
n entre Dividiendo
X X X X Y
X X X X Y
X X X X Y
n t Y Y
| | | | |
| | | | |
| | | | |
| | | | |

...

:
...

...

...

,..., 2 , 1 ;
3 3 2 2 1 1 0
1 1
3 3 2 2 1 1 0
1
1
3 3 2 2 1 1 0
1
3 3 2 2 1 1 0
+ + + + + =
+ + + + + + =
+ + + + + + =
+ + + + + + =
= + =

= = =
= =
22
Suma de cuadrados: total,
explicada y de residuos
| |
| |
2 2 2
2
2
3 3 2 2 1 1 0
3 3 2 2 1 1 0

)
( 2 )
( ) (

)
( ) (
( ) (

...

...

t t t t t
t t t
t t t
t t t
kt k t t t t
t kt k t t t t
Y Y Y Y Y Y
Y Y Y Y
Y Y Y Y
Y Y
X X X X Y
X X X X Y

| | | | |
| | | | |
+ + =
+ =
+ =
+ =
+ + + + + =
+ + + + + + =
23
Suma de cuadrados: total,
explicada y de residuos
| |
| |

= = =
= = = = =
= = = =
= =
+ =
+ + =
+ + =
+ + =
+ + =
n
t
t
n
t
t
n
t
t
n
t
t
n
t
t
n
t
t t
n
t
t
n
t
t
n
t
t
n
t
t t
n
t
t
n
t
t
n
t
t t t t
n
t
t
t t t t t
Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
Y Y Y Y Y Y
1
2
1
2
1
2
1
2
1 1 1
2
1
2
1
2
1 1
2
1
2
1
2 2
1
2
2 2 2
( ) (

2
2 )
( ) (

)
( 2 )
( ) (

)
( 2 )
( ) (

)
( 2 )
( ) (

24
Los residuos y la bondad del ajuste: R
2
ajustado R
k n
n R
R
ajuste de bondad
STC
SRC
R
STC
SRC
STC
SEC
STC
STC
SRC SEC STC
Y Y Y Y
n
t
t
n
t
t
n
t
t
2
2
2
2
1
2
1
2
1
2
) 1 )( 1 (
1
1
)
( ) (

=
=
+ =
+ =
+ + +
+ =

= = =

25
El R
2
constituye la proporcin de la SEC con respecto a la STC, y nos
indica que tanto de las variaciones que se producen en la variable
dependiente (Y) son explicadas por el modelo estimado.
Conceptos para revisar
Algebra matricial.
Derivadas totales y parciales.
Propiedades de los logaritmos
Distribuciones tericas de probabilidad:
Normal
Z (normal estndar)
t de student

2

F de snedecor
Estimacin puntual y por intervalo.
Contraste de hiptesis.

26
Forma funcional de los modelos
1. Modelo lineal.
2. Modelo log-lin (crecimiento).
3. Modelo lin-log.
4. Modelo log-log (logartmico, elasticidad constante).
27
t kt k t t t
t kt k t t t
t kt k t t t
t kt k t t t
X X X Y
X X X Y
X X X Y
X X X Y
| | | |
| | | |
| | | |
| | | |
+ + + + + =
+ + + + + =
+ + + + + =
+ + + + + =

) ln( ... ) ln( ) ln( ) ln( ) 4
) ln( ... ) ln( ) ln( ) 3
... ) ln( ) 2
... ) 1
2 2 1 1 0
2 2 1 1 0
2 2 1 1 0
2 2 1 1 0
Los parmetros de acuerdo a la
forma funcional de los modelos
i it
t
i
i it
t
i
i it
t
i
i it
t
i
X en relativo Cambio
Y en relativo Cambio
X
Y
X en absoluto Cambio
Y en relativo Cambio
X
Y
lin
X en relativo Cambio
Y en absoluto Cambio
X
Y
Lin
X en absoluto Cambio
Y en absoluto Cambio
X
Y
Lineal
c
c
=
c
c
=
c
c
=
c
c
=
) ln(
) ln(
log log
) ln(
log
) ln(
log
|
|
|
|
28
Interpretacin de los parmetros segn
la forma funcional de los modelos
1) Modelo lineal.
Para
i
> 0; X
i
aumenta (1 unidad); Y aumenta (
i
unidades).
Para
i
< 0; X
i
aumenta (1 unidad); Y disminuye (
i
unidades).

2) Modelo log-lin.
Para
i
> 0; X
i
aumenta (1 unidad); Y aumenta en porcentaje (
i
*100).
Para
i
< 0; X
i
aumenta (1 unidad); Y disminuye en porcentaje (
i
*100).

3) Modelo lin-log.
Para
i
> 0; X
i
aumenta (1%); Y aumenta (
i
/100 unidades).
Para
i
< 0; X
i
aumenta (1%); Y disminuye (
i
/100 unidades).

4) Modelo log-log.
Para
i
> 0; X
i
aumenta (1%); Y aumenta en porcentaje (
i
%).
Para
i
< 0; X
i
aumenta (1%); Y disminuye en porcentaje (
i
%).

29
Comparacin entre modelos
utilizando la bondad de ajuste R
2
Requisitos:
El mismo tamao de la muestra (n).
La misma variable dependiente (Y).

En este sentido, si tienen igual tamao de muestra se pueden
comparar directamente los modelos:
Lineal con lin-log.
Logartmico con log-lin.

Si no se cumplen estas dos condiciones es necesario realizar
transformaciones a los modelos para poder comparar la
bondad de ajuste de los mismos.
Pasar de logaritmo a lineal.
Pasar de lineal a logaritmo.

30
Modelo logartmico
Elasticidad constante
1
0
0 1
1
0 1
1
1 0
0
0
0
1
1
1
1
1
1
* ) (
*
) ln( ) ln(
) ln( ) ln( ) ln( ) ln(
) ln( ) ln( ) ln( ) ln(
) ln( ) ln(
mente Intrnseca
|
|
| |
| |
| o
| |
|
|
|
|
|
|
|
|
|
= =
=
=
+ + =
+ + =
+ + =
=
=
yx
t
t
yx
t
t t
yx
t
t
t
t
t
t
t
t
yx
t t t
t t t
t t
t t
t t
E
e X
e X
E
Y
X e X
E
Y
X
dX
dY
X
dX
Y
dY
E Elasticiad
X Y
e X Y
e X Y
e X Y
lineal e X Y
t
t
t
t
t
t
31
Modelo log-lin
Tasas de crecimiento
| |
| |
| | 100 * 1 ) log(
100 * tan
) ln(
) ln(
) 1 ln( ; ) ln(
) 1 ln( ) ln( ) ln(
) 1 ( ln ) ln( ) ln(
) 1 ( ln ) ln(
mente Intrnseca ) 1 (
1
1
1 0
1 0
1 0 0
0
0
0
0

+ + =
+ =
= + =
+ + =
+ + =
+ =
+ =
|
|
| |
| |
| |
anti compuesta o crecimient de Tasa
tnea ins o crecimient de Tasa
t C
t C
r C Asumiendo
r t C C
r C C
r C C
lineal r C C
t t
t
t
t
t
t
t
t
t
32
Inferencia en el MCRL para los
coeficientes de la regresin
| |
1) ; N(0 ~ Z
)
( )
(
) (
) ( ; ~
) ; 0 ( ~ ) 3
) ( )
( ) ( ) 2
)
( 0 ) ( ) 1
1 2 2
1 2 2
1 2 2
Z
ee
a desconocid es Var ee
a desconocid es X X a desconocid es
X X N I N
X X Var I Var
E E
i i
i i
t
t
t
=
= =
= =
|
| |
| |
o o
o | | o
o | o
| |
33
Inferencia en el MCRL para los
coeficientes de la regresin
| | o | | | | |
o
|
|
| |
o

o
o o |
o o
= + s s
= s s
=

1 )
( *
( *
:
1 ) ( :

t ~
)
; 2 / ; 2 /
; 2 / ; 2 /
gl k - n
2 2
i k n i i i k n i
k n i k n t
i
i i
t
ee t ee t P IC
t t t P IC
para conf ianza de Intervalo
ee
de Estimador
k n
caso este En
i
i
34
35
Contraste de hiptesis para los
coeficientes de la regresin (caso A)

Naturaleza del problema.
Determinar si la variable X
i
aporta informacin de forma individual para explicar a
la variable Y, a un nivel de significancia o.
Planteamiento de hiptesis.
Ho:
i
= 0

Ha:
i
0
Estadstico de contraste.

Regla de decisin.

Conclusin.
Si rechazo Ho, X
i
aporta informacin de forma individual para explicar a la
variable Y , a un nivel de significancia o.
t kt k t t t
X X X Y | | | | + + + + + = ...
2 2 1 1 0
gl k - n
t ~
)
|
| |
ee
i i

0
0 ; 2 / calculado
Rechazo
Rechazo t
H Pvalue Si
H t Si
k n
<
>

o
o
36
coeficientes de la regresin (caso B)

i
aporta informacin de forma individual para explicar a
la variable Y, a un nivel de significancia o.
Ho:
i
0

Ha:
i
< 0

Regla de decisin.

Conclusin.
Si rechazo Ho, X
i
t kt k t t t
X X X Y | | | | + + + + + = ...
2 2 1 1 0
gl k - n
t ~
)
|
| |
ee
i i

0 ; calculado
Rechazo t H t Si
k n
<
o
37
coeficientes de la regresin (caso C)

i
aporta informacin de forma individual para
explicar a la variable Y, a un nivel de significancia o.
Ho:
i
0

Ha:
i
> 0

Regla de decisin.

Conclusin.
Si rechazo Ho, X
i
t kt k t t t
X X X Y | | | | + + + + + = ...
2 2 1 1 0
gl k - n
t ~
)
|
| |
ee
i i

0 ; calculado
Rechazo t H t Si
k n
>
o
38
Contraste de hiptesis de
significancia global de la regresin

Determinar si las variables explicativas en conjunto explican el comportamiento
de Y, a un nivel de significancia o.
Ho:
1
=
2
=
3
==
k
=0

Ha: Algn
i
0 Para todo i=1,2,,k

Regla de decisin.

Conclusin.
Si rechazo Ho, las variables explicativas en conjunto explican el comportamiento
de Y, a un nivel de significancia o.
t kt k t t t
X X X Y | | | | + + + + + = ...
2 2 1 1 0
) /( ) 1 (
) 1 /(
) /(
) 1 /(
2
2
k n R
k R
k n SRC
k SEC
F

=
0
0
1
;
Rechazo
Rechazo
H Pvalue Si
H F F Si
k
k n calculado
<
>

o
o
Restricciones lineales
sobre los parmetros
En ocasiones los modelos planteados por la teora econmica exigen el
cumplimiento de ciertas relaciones en los coeficientes. En este sentido,
nos vemos en la necesidad de plantear restricciones lineales sobre los
parmetros, las cuales dependern del requerimiento exigido
tericamente. Como ejemplo se pueden mencionar:

39
constante c ; j i
ms. muchas y )... ( ); (
); ( ); ( ); ( ; ) (
: nes restriccio como plantear pueden Se
...
: modelo el Sea
2 2 1 1 0
= =
= =
= + = = =
+ + + + + =
j i j i
j i j i j i i
t kt k t t t
c c
c c
X X X Y
| | | |
| | | | | | |
| | | |
40
Contraste de hiptesis para un conjunto de
restricciones lineales sobre los parmetros
R t kt k t t
t kt k t t t t
t kt k t t t t
t kt k t t t
NR t kt k t t t
SRC X X Y
X X X X Y
X X X X Y
X X X Y
SRC X X X Y
Ejemplo
+ + + + =

+ + + + =
+ + + + + =
+ + + + + =
= = +
+ + + + + =
| | |
| | |
| | | |
| | | |
| | | |
| | | |
... ) (

... ) (
...
... ) 1 (
o Restringid Modelo
1 1
lineal n Restricci
...
o restringid no Modelo
: 1
*
2 2 0
*
1 2 2 0 1
2 2 1 2 1 0
2 2 1 2 0
2 1 2 1
2 2 1 1 0
41
Contraste de hiptesis para un conjunto de
restricciones lineales sobre los parmetros
Determinar si la restriccin lineal planteada es estadsticamente vlida, a un
nivel de significancia o.
Ho:
1
+
2
=1

Ha:
1
+
2
1

Regla de decisin.

Conclusin.
Si rechazo Ho, no hay evidencia estadstica para afirmar que se cumple la
restriccin lineal planteada, a un nivel de significancia o.
) /(
/ ) (
k n SRC
g SRC SRC
F
NR
NR R
=
0 ;
RechazoH F F Si
g
k n calculado
>
o
Para estudiar este problema se aplica la prueba de estabilidad de los
parmetros conocida como Test de Chow, el cual consiste en lo siguiente:
1. Asumiendo que se dispone de n observaciones, se realiza una regresin
del modelo planteado con todas las n observaciones y se obtiene SRC.
2. Se divide la muestra de n observaciones en tantas sub-muestras (sub-
perodos) como considere necesario el investigador, digamos m sub-
muestras.
3. Se realiza una regresin del modelo planteado para cada sub-muestra,
de las cuales se obtienen SRC
i
, i=1,2,,m.
4. Se calcula el siguiente estadstico:

5. Estableciendo un nivel de significancia , si el valor calculado de la F,
resulta mayor que el valor crtico proporcionado por la tabla, entonces
se rechaza la hiptesis nula (Ho: No hay cambios en los valores de los
parmetros).

42
Estabilidad de los parmetros.
Contraste de estabilidad estructural
) /(
) 1 /( ) (
1
1
mk n SRC
k m SRC SRC
F
m
i
i
m
i
i

=
=
Determinar si hay cambios en los valores de los parmetros en el tiempo, a un
Ho: No hay cambios en los valores de los parmetros.

Ha: Hay cambios en los valores de los parmetros.

Regla de decisin.

Conclusin.
Si rechazo Ho, hay cambios en los valores de alguno de los parmetros en el
tiempo, a un nivel de significancia o.
43
Estabilidad de los parmetros
Contraste de estabilidad estructural
) /(
) 1 /( ) (
1
1
mk n SRC
k m SRC SRC
F
m
i
i
m
i
i

=
=
0
) 1 (
); (
RechazoH F F Si
k m
mk n calculado
>

o
Prediccin en el modelo lineal.
p p p
gx
g n
n
n
n
n
x k
k
k gx
g n k g n g n g n
n k n n n
n k n n n
n k n n n
n k n n n
gx
g n
n
n
n
n
X Y ente Matricialm
X X X X
X X X X
X X X X
X X X X
X X X X
Y
Y
Y
Y
Y
|
|
|
|
|
|
+ =
(
(
(
(
(
(
(
(
+
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
(
=
(
(
(
(
(
(
(
(
+
+
+
+
+
+ +
+ + + +
+ + + +
+ + + +
+ + + +
+ + + +
+
+
+
+
+
*
... ...
*
... 1
... ... ... ... ... ...
... 1
... 1
... 1
... 1
...
1
4
3
2
1
1 ) 1 (
3
2
1
0
) 1 (
; ; 3 ; 2 ; 1
4 ; 4 ; 3 4 ; 2 4 ; 1
3 ; 3 ; 3 3 ; 2 3 ; 1
2 ; 2 ; 3 2 ; 2 2 ; 1
1 ; 1 ; 3 1 ; 2 1 ; 1
1
4
3
2
1
44
El objetivo consiste en predecir un conjunto de valores de
Y que estn fuera de la muestra original (n). Dicho
concepto puede verse expresado a continuacin:
45
Prediccin en el modelo lineal.
Contraste de fallo predictivo

Determinar si el modelo estimado es bueno para realizar pronstico, a un nivel
de significancia o.
Ho: Y
p
= X
p
+
p
;
p
~N(0,
2
I
g
)

Ha: Y
p
X
p
+
p


Regla de decisin.

Conclusin.
Si rechazo Ho, el modelo estimado no es bueno para realizar pronstico, a un
) /(
/ ) (
k n SRC
g SRC SRC
F
D
D g D
=
+
0 ;
RechazoH F F Si
g
k n calculado
>
o
46
UCV-FACES-ECONOMA
Tema III: Evaluacin
del Modelo Economtrico.
46
47
Criterios de seleccin de un modelo

Ser aceptable segn los datos.
Ser consistente con la teora.
Tener regresoras dbilmente exgenas.
Mostrar constancia paramtrica.
Exhibir coherencia en los datos.
Ser inclusivo.

47
48
Evaluacin de los supuestos en el
Modelo de Regresin Lineal Clsico

Correcta especificacin del modelo.
No hay multicolinealidad perfecta entre las variables
explicativas.
Homoscedasticidad en las perturbaciones.
No existe autocorrelacin entre las perturbaciones.
Las perturbaciones estn normalmente distribuidas.
48
49
Violacin de los supuestos en el
Modelo de Regresin Lineal Clsico

Errores de especificacin (modelo).
Multicolinealidad (variables explicativas).
Heteroscedasticidad (perturbaciones).
Autocorrelacion (perturbaciones).
No normalidad (perturbaciones).

49
50
Especificacin del modelo
y pruebas de diagnstico

Tipos de errores de especificacin
50
51
Tipos de errores de especificacin.

Omitir variables relevantes.
Incluir variables innecesarias.
Adoptar una forma funcional incorrecta.
Errores de medicin.
Especificar incorrectamente el trmino de error.

51
52
Omitir variables relevantes
Modelo correcto:

Modelo incorrecto:

Variable omitida:
X
5t
Termino de error:

t t t t t t
X X X X Y
1 5 5 4 4 3 3 2 2 1
| | | | | + + + + + =
t t t t t
X X X Y
2 4 4 3 3 2 2 1
| | | | + + + + =
t t t
X
5 5 1 2
| + =
52
53
Incluir variables innecesarias
Modelo correcto:

Modelo incorrecto:

Variable innecesaria:
X
5t
Termino de error:

t t t t t t
X X X X Y
2 5 5 4 4 3 3 2 2 1
| | | | | + + + + + =
t t t t t
X X X Y
1 4 4 3 3 2 2 1
| | | | + + + + =
t t t
X
5 5 1 2
| =
53
54
Consecuencias

Omitir variables relevantes; produce estimadores
MCO eficientes (varianza mnima), pero sesgados.

I ncluir variables innecesarias; produce estimadores
MCO insesgados, pero ineficientes (varianzas altas).

54
55
Ejercicio de la demanda de pollos
Y: Consumo per cpita de pollos (libras)
X
1
: Ingreso per cpita real disponible ($)
X
2
: Precio real al detal del pollo por libra ($)
X
3
: Precio real al detal del cerdo por libra ($)
X
4
: Precio real al detal de la carne de res por libra ($)
X
5
: Precio real compuesto de los sustitutos del pollo por libra ($)
55
56
Omisin de una variable relevante
Modelo correcto:

Modelo incorrecto:

Variable omitida:
X
1t

t t t t t
X X X Y
1 5 3 2 2 1 1 0
| | | | + + + + =
56
t t t t
X X Y
2 5 2 2 1 0
o o o + + + =
57
Variable omitida (X
1
)

57
58
Contraste de hiptesis (pasos)
1
es relevante (contribuye al modelo) a un nivel
de significancia o.

Ho: se omiti la variable X
1
siendo irrelevante.
Ha: se omiti la variable X
1
siendo relevante.


Regla de decisin.
Si Fcalculada > Fcritica, Rechazo Ho
Si Pvalue < , Rechazo Ho

Conclusin.
Si rechazo Ho, debo incluir la variable X
1
al modelo a un nivel de
significancia .

) /(
/ ) (
k n SRC
g SRC SRC
F
NR
NR R
calculada
=
58
59
Variable omitida (X
1
)

59
60
Inclusin de una variable innecesaria
Modelo correcto:

Modelo incorrecto:

Variable innecesaria:
X
5t

t t t t t
X X X Y
2 5 3 2 2 1 1 0
| | | | + + + + =
60
t t t t
X X Y
1 2 2 1 1 0
o o o + + + =
61
Variable innecesaria (X
5
)

62
5
es necesaria (contribuye al modelo) a un nivel
de significancia o.

Ho: la variable X
5
es innecesaria.
Ha: la variable X
5
es necesaria.


Regla de decisin.
Si Fcalculada > Fcritica, Rechazo Ho

Conclusin.
Si rechazo Ho, debo dejar la variable X
5
en el modelo a un nivel de
significancia .

) /(
/ ) (
k n SRC
g SRC SRC
F
NR
NR R
calculada
=
62
63
Variable innecesaria (X
5
)

63
64
La prueba RESET de Ramsey
Detectar forma funcional inapropiada
prueba de mala especificacin.
64
65
Determinar si el modelo esta correctamente especificado a un nivel de
significancia o.

Ho: modelo correctamente especificado.
Ha: modelo incorrectamente especificado.


Regla de decisin.
Si Fcalculada > Fcrtica, Rechazo Ho

Conclusin.
Si rechazo Ho, entonces el modelo esta mal especificado a un nivel de
significancia .
) /(
/ ) (
k n SRC
g SRC SRC
F
NR
NR R
calculada
=
65
66
Modelo lineal (incorrecto)

66
67
Modelo logartmico (correcto)

67
68
Multicolinealidad

Qu pasa si las regresoras
estn correlacionadas?
68
69
Fuentes de la multicolinealidad
El mtodo de recoleccin de informacin empleado
(un fenmeno muestral).
Restricciones en el modelo en la poblacin objeto
de muestreo.
Especificacin del modelo.
Un modelo sobredeterminado (k > n)
Tendencia comn en las regresoras.
70
Naturaleza de la multicolinealidad
Relacin lineal exacta:

Relacin lineal inexacta:(baja, moderada, alta)

No hay relacin lineal:
Cor(X
i
, X
j
) = 0 para todo i j
0 ...
3 3 2 2 1 1
= + + + +
kt k t t t
X X X X | | | |
0 ...
3 3 2 2 1 1
= + + + + + t
kt k t t t
V X X X X | | | |
71
Estimacin y multicolinealidad
Colinealidad perfecta:
No se pueden calcular los estimadores MCO (son
indeterminados) y sus errores estndar son infinitos.

Colinealidad no perfecta:
Se pueden calcular los estimadores MCO, pero no se
pueden interpretar.
Se mantiene la propiedad de insesgamiento y de
eficiencia (varianza mnima), pero los errores
estndar son grandes en relacin con el valor de los
estimadores y por ende pequeos valores t (lo que
conduce a no poder rechazar la Ho de que |
i
= 0)

72
Advertencias sobre la multicolinealidad
La multicolinealidad es un problema de grado y no de
clase.
Es por lo general una caracterstica de la muestra y no
de la poblacin.
Aun cuando los coeficientes son no significativos
individualmente, una combinacin lineal de ellos
puede resultar eficiente si el objetivo es el pronstico.

73
Deteccin del problema
Un valor alto del R
2
acompaado de estadsticos t
poco significativos.
Altas correlaciones simples entre parejas de
regresores.
Examen de correlaciones parciales.
Regresiones auxiliares (regla prctica de Klien).
Factores de tolerancia y de inflacin de varianza
(investigar).

74
R
2
alto y pocas t significativas

75
Anlisis de correlaciones simples

76
Regresiones auxiliares (X
1
)

77
2
)

78
3
)

79
4
)

80
5
)

81
Medidas correctivas
No hacer nada (posible problema de deficiencia de datos,
micronumerosidad)
Informacin a priori (si conozco la relacin que existe entre las
variables, planteo modelo restringido por dicha relacin).
Combinacin de informacin de corte transversal y de series
de tiempo (mezcla de datos).
Eliminacin de variables (sesgo de especificacin).
Transformacin de variables (1eras diferencias) o
transformacin de razn (trminos per cpita, trminos reales)
por aquello de la tendencia comn.
Datos nuevos o adicionales (midiendo la sensibilidad y los
cambios en los errores estndar).
Regresiones polinomiales.
82
Heteroscedasticidad

Qu pasa cuando la varianza
del error no es constante?
82
83
Naturaleza de la heteroscedaticidad
Si la varianza condicional de
i
(dado Xi) aumenta en la
medida que aumenta X
i
, entonces se evidencia un problema de
heteroscedasticidad.

Fuentes del problema:
Modelos de aprendizaje sobre los errores (
i
disminuye).
A mayor ingreso, mayor ingreso discrecional.
Mejores tcnicas de recoleccin de datos (tecnologa).
Datos o factores atpicos, sobretodo en muestras pequeas.
Errores de especificacin.
Asimetra en la distribucin de una o ms regresoras.
Incorrecta transformacin de los datos.

84
El problema de heteroscedasticidad
Consecuencias:
Los estimadores continan siendo lineales, insesgados y
consistentes pero no son eficientes.

Deteccin:
Naturaleza del problema (series de corte transversal).
Mtodo grafico (diagrama de dispersin entre los residuos al
cuadrado y los valores estimados de Y).
Prueba de Park (mtodo exploratorio).
Prueba general de White.

85
Mtodo grfico

86
Prueba de Park
Park sugiere que la varianza heteroscedastica es una funcin
de la variable explicativa X que se expresa por:

Si 0 => hay heteroscedasticidad.
i i i
i i i
i
i i i
v
i i
v X
escribir puede se que Lo
v X
sugiere Park conoce se no Como
v X
Aplicando
e X
i
+ + =
+ + =
+ + =
=
ln ln
:
ln ln ln
: ,
ln ln ln
: ln
2
2 2
2
2 2
2 2
| o
| o
o
| o o
o o
|
87
Prueba de Park

88
Prueba general de White (pasos)
Ejemplo con un modelo de 3 variables (si aumenta el nmero de variables,
esta prueba consume grados de libertad rpidamente)

Estime el siguiente modelo y obtenga los residuos estimados (
t
).

Efectu la siguiente regresin auxiliar y obtenga el R
2
.
Sin trminos cruzados (prueba de heteroscedasticidad pura)

Con trminos cruzados (prueba de heteroscedasticidad y de sesgo de
especificacin)

Bajo la hiptesis nula de que no hay heteroscedasticidad, n* R
2
obtenidos de
la regresin auxiliar, asintticamente sigue la distribucin Ji-cuadrada con k
gl (parmetros de la de regresin auxiliar sin incluir el intercepto).
n* R
2
~
2
k gl

t t t t
X X Y | | | + + + =
2 2 1 1 0
t t t t t t t t
v X X X X X X + + + + + + =
2 1 5
2
2 4
2
1 3 2 2 1 1 0
2
o o o o o o
t t t t t t
v X X X X + + + + + =
2
2 4
2
1 3 2 2 1 1 0
2
o o o o o
89
Determinar si los residuos (
i
) son homoscedasticos a un nivel de
significancia o.

Ho: No hay heteriscedasticidad => (o
1
= o
2
= o
3
= o
4
= o
5
= 0)
Ha: Hay heteroscedasticidad => (algn o
i
0)

n* R
2
~
2
k gl

Regla de decisin.
Si n* R
2
>
2
k gl
, Rechazo Ho

Conclusin.
Si rechazo Ho, hay problemas de heteroscedasticidad a un nivel de
significancia .
89
90
Sin trminos cruzados

91
Con trminos cruzados

92
Medidas correctivas
Mtodo de mnimos cuadrados ponderados (MCP).
Cuando la varianza heteroscedastica es conocida:

Cuando la varianza heteroscedastica es desconocida:

Donde w
i
puede ser: X
i
, X
i
, E(Y
i
) dependiendo del patrn observado.

Una trasformacin logartmica.

|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
=
|
|
.
|
\
|
i
t
i
t
i
t
i i
t
X X Y
o
o
|
o
|
o
|
o
2
2
1
1 0
1
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
+
|
|
.
|
\
|
=
|
|
.
|
\
|
i
t
i
t
i
t
i i
t
w w
X
w
X
w w
Y
| | |
2
2
1
1 0
1
t t t t
X X Y | | | + + + =
2 2 1 1 0
ln ln ln
93
Prueba para los modelos lineal y logartmico

94
Autocorrelacin

Qu sucede si los trminos
de error estn correlacionados?
94
95
Naturaleza del problema
Simblicamente se expresa: E(
i
j
) 0 para i j

Fuentes del problema:
Inercia (las series econmicas suben o bajan en funcin de los
ciclos econmicos y en relacin con los valores anteriores).
Sesgo de especificacin por variables excluidas o por una
forma funcional incorrecta.
Rezagos de la variable explicada o de las explicativas en el
modelo.
Manipulacin de los datos (cambios en la periodicidad de la
serie y/o interpolacin - extrapolacin).
Transformacin de datos (operadores de diferencias).
No estacionariedad de las series de tiempo.

96
El problema de autocorrelacin
Consecuencias:
Los estimadores continan siendo lineales, insesgados y
consistentes pero no son eficientes.

Deteccin:
Mtodo grafico
Residuos respecto al tiempo.
Residuos estandarizados respecto al tiempo.
Residuos y residuos rezagados (diagrama de
dispersin).
Prueba d de Durbin- Watson.

97
Anlisis grfico de los residuos
(Y
t
=
0
+
1
X
1t
+ X
2t
+
t
)

98
Supuestos:
El modelo de regresin incluye el intercepto.
Las variables explicativas X son no estocsticas.
La perturbaciones se generan mediante un esquema
autorregresivo de 1er orden (
t
=
t-1
+
t
), no se
puede utilizar para esquemas de orden superior.
El trmino de error est normalmente distribuido.
El modelo de regresin no incluye valores rezagados
de la variable dependiente como variable explicativa.
No hay observaciones faltantes en los datos.
99
( )
4 0
1
1 2

1 2
)

(
1
2
2
1
1
2
2 2
1
2
2
1
2
1
2
2
1
2
s s
s s
~
|
|
|
|
.
|
\
|
~
+
=
=
=
=

=
=
=
=
=
=

=
=

=
=
=
=
d
d d
d
n t
t
t
n t
t
t t
n t
t
t
n t
t
n t
t
t t
n t
t
t t
n t
t
t
t
n t
t
t

100
i
) estn correlacionados a un nivel de
significancia o.

Ho: No hay autocorrelacin en los residuos.

Durbin- Watson (d)

Regla de decisin.
Si 0 < d < dl => se evidencia autocorrelacin positiva (ZR)
Si dl s d s du => sin decisin (ZI)
Si du < d < 4 - du => no hay autocorrelacin (ZA)
Si 4 - du s d s 4 - dl => sin decisin (ZI)
Si 4 - dl < d < 4 => se evidencia autocorrelacin negativa (ZR)

100
101
Modelo lineal Modelo logartmico

102
Medidas correctivas
Mnimos cuadrados generalizados

t t t
t t t t t t t
d
Asumir
ser puden opciones las conocida es no Si
X X X X Y Y
conocida es Si
c
c | | |

) 3
2
1
) 2
1 ) 1
:
) ( ) ( ) 1 ( ) (
1
2 2 2 1 1 1 0 1
+ =
=
=

+ + + =

103
Medidas correctivas
En niveles 1eras diferencias

104
Normalidad

Por qu debe formularse el supuesto de
distribucin normal en las perturbaciones?
104
105
Supuesto de normalidad
La regresin lineal normal clsica supone que cada
i
esta
normalmente distribuida con media, varianza y covarianza:

Que en forma compacta se expresa como:

Normal e idnticamente distribuidos con media cero y
varianza constante.
| |
| || | { } j i E E E E
E E E
E
j i j j i i
i i i
i
= = =
= =
=
0 ) , ( ) ( ) (
) ( ) (
0 ) (
2 2
2

o
) NID(0, ~
2
o
i
106
Razones del supuesto de normalidad

i
representa las variables explicativas que no forman parte del
modelo de regresin, se espera que su influencia en la variable
explicada sea pequea y de forma aleatoria. Por Teorema del
Lmite Central (TLC) se demuestra que la distribucin de la
suma de un gran nmero de variables aleatorias independientes
e idnticamente distribuidas tiende a una normal a medida que
aumenta el nmero de variables indefinidamente .
Como los estimadores MCO son una funcin lineal de
i
,
entonces tambin siguen una distribucin normal, lo que
implica pruebas de hiptesis mas sencillas.
Adems, permite utilizar las pruebas estadisticas: t, F y
2
.
107
i
) estn normalmente distribuidos a un nivel de
significancia o.

Ho:
i
se distribuye normalmente.
Ha:
i
no se distribuye normalmente.

Prueba asinttica o de muestras grandes:

Regla de decisin.
Si JB >
2
2gl
, Rechazo Ho

Conclusin.
Si rechazo Ho, los residuos no se distribuyen normalmente a un nivel de
significancia .
107
(

+ =
24
) 3 (
6
2 2
K S
n JB Bera Jarque
108
Residuos del modelo lineal

109
Residuos del modelo logartmico

UCV-FACES-ECONOMA
Tema IV: Modelo de Ecuaciones
Simultneas
110
Naturaleza de los Modelos
de Ecuaciones Simultneas (MES)

Los MES contienen ms de una variable dependiente
(endgena), lo cual requiere igual nmero de ecuaciones.
Asimismo, la variable endgena (regresada) de una
ecuacin puede participar como variable explicativa
(regresora) en otra ecuacin del sistema (mutuamente o
conjuntamente dependientes).
En los MES no es posible estimar los parmetros de una
ecuacin aisladamente sin tener en cuenta la
informacin derivada de las restantes ecuaciones del
sistema.
111
Modelo de Ecuaciones
Simultneas vs MCRL
MCRL MES

Uniecuacional.
Estimacin por MCO.
Y: variable dependiente.
X: variables independientes.

t kt k t t
u X X Y + + + + = | | | ...
1 1 0
t t t t
t t t t
u X Y Y
u X Y Y
2 1 21 1 21 20 2
1 1 11 2 12 10 1
+ + + =
+ + + =
| o o
| o o

Multiecuacional.
Problema de identificacin,
estimacin por otros mtodos.
Y
1t
, Y
2t
Variables endgenas.
X
1t
Variable exgena.

112
Ejemplo 1: Modelo
de oferta y demanda.
El precio P de un bien y sus cantidades vendidas Q, estn
determinadas por la interseccin de las curvas de oferta (Q
s
) y de
demanda(Q
d
):

Si: u
1t
( u
2t
) > 0 Desplaza Q
d
(Q
s
) hacia arriba.
Si: u
1t
( u
2t
) < 0 Desplaza Q
d
(Q
s
) hacia abajo.

Existe dependencia simultanea entre P y Q, y por ende E(u
it
, P
t
) 0
s
t
d
t
t t
s
t
t t
d
t
Q Q
u P Q
u P Q
=
> + + =
< + + =
0
0
1 2 1 0
1 1 0
| | |
o o o

1
113
Ejemplo 2: Modelo Keynesiano
de determinacin del ingreso.
C
t
es la funcin consumo, donde B
1
es la propensin marginal a
consumir, y Y
t
es la ecuacin identidad del ingreso nacional , I
t
es la
inversin.

C
t
y Y
t
son interdependientes, lo que provoca que Y
t
se encuentre
relacionado con u
t
, ya que cambios en u
t
originan desplazamientos
de C
t
, la cual a su vez afecta a Y
t
. En tal sentido, no es correcto
estimar los coeficientes aplicando MCO.
(2)
(1) 1 0
1 1 0
t t t
t t t
I C Y
u Y C
+ =
< < + + = | | |
114
Ejemplo 3: Modelo
Salario-Precio.
En este caso la variable P ingresa en ecuacin de W, y la variable W
ingresa en ecuacin de P (mutuamente dependientes), por lo que
se espera que dichas variables estn correlacionadas con las
perturbaciones estocsticas correspondientes.
t t t t t
t t t t
u M R W P
u P UN W
2 3 2 1 0
1 2 1 0
+ + + + =
+ + + =

| | | |
o o o
as estocstic ones perturbaci ,u u
tiempo t , importadas primas materias las de precio del cambio de tasa M
capital, de costo del cambio de tasa R precios, los de cambio de tasa P
(%), desempleo de tasa UN , monetarios salarios los de cambio de tasa W
2 1
t
t t
t t
=
= =
= =
= =
115
Ejemplo 4:
Modelo IS.
Equilibrio en el mercado de bienes:

Al estimar la funcin C
t
de forma aislada se obtienen estimaciones
sesgadas para B
0
y B
1
, debido a que el consumo depende del Y
dt
,
esta a su vez de Y
t
, que tambin depende de r, G y otros parmetros
que se reflejan en
0

t t t t
t
t t dt
t t
t t
dt t
G I C Y
G G
T Y Y
r I
Y T
Y C
+ + =
=
=
+ =
< < + =
< < + =
1 0
1 1 0
1 1 0
1 0
1 0

o o o
| | |

) 1 ( 1
1
) 1 ( 1
1 1
1
1 1
0 1 0 0
0
1 0
o |
t
o |
| o |
t
t t

=

+ +
=
+ =
G
r Y IS: Ecuacin
t t

116
Inconsistencia y sesgo
de los estimadores MCO
En los MES las variables endgenas de una ecuacin
pueden participar como variable explicativa en otra
ecuacin del sistema. En este sentido, los estimadores
obtenidos por MCO seran:
Inconsistentes: el lmite de probabilidad del estimador no
tiende hacia el verdadero valor poblacional (parmetro) a
medida que aumenta el tamao de la muestra (n).
Sesgados: el valor esperado del estimador no coincide con
el parmetro poblacional indistintamente del tamao de la
muestra.
117
Notacin y definiciones
Variables:
Endgenas (estocsticas): son variables conjuntamente
dependientes y sus valores se determinan dentro del
modelo. Se denotan por: M = Y
1
, Y
2
, Y
3
, , Y
M

Predeterminadas (no estocsticas): son aquellas que
sus valores estn determinados fuera del modelo. Se
denotan por: K = X
1
, X
2
, X
3
, , X
K
Exgenas (presente y rezagada) X
t
y X
t-i
Endgenas rezagadas Y
t-i
118
Ecuaciones:
Forma estructural o de comportamiento: muestra
la estructura original del modelo (de acuerdo a la
teora) o comportamiento del agente econmico
manera explcita.
Forma reducida: muestra a una variable endgena
en funcin de las variables predeterminadas, ms
el trmino de error. Se obtienen a partir de las
ecuaciones estructurales.

119
Parmetros o coeficientes:
Estructurales: miden relaciones econmicas o de
comportamiento en el modelo estructural.
De forma reducida (de impacto o corto plazo):
son los coeficientes correspondientes a las
ecuaciones en forma reducida y miden el impacto
inmediato de un cambio unitario del valor de la
variable exgena sobre la variable endgena.

120
Ejemplo 5: Notacin y definiciones
Sea el modelo de oferta y demanda

Condicin de equilibrio:
les estructura Parmetros 1 , 0 ;
l estructura forma en Modelo

2 1 0
1 1 0
= .

)
+ + =
+ + =
i
u P Q
u P Q
i i
t t
s
t
t t
d
t
| o
| |
o o
s
t
d
t
Q Q =
121
Se obtiene:
error de trminos ;
impacto de es Coeficient ;
reducida forma en Modelo
1 1
1 1 2 1
1 1
1 2
1 1
1 0 0 1
1
1 1
0 0
0
1
0
= [
= [
)
`
+ [ =
+ [ =
| o
| o
| o
| o
| o | o
| o
o |
t t
t
t t
t
t
t
u u
w
u u
v
w Q
v P
122
Modelo Keynesiano de determinacin del ingreso (continuacin)

(1.1)
reducida ecuacin sig. la Obtengo
) 1 (
) 1 (
1

) 1 (
: Si
) 1 ( ) 1 (
1
) 1 (
) 1 (
) (
: (2) en (1) Sustituyo
1 0
1
1
1
1
0
0
1 1 1
0
0 1
0 1
1 0
t t t
t
t
t
t t
t t t
t t t t
t t t t
v I Y
u
v
u
I Y
u I Y
u I Y Y
I u Y Y
+ [ + [ =
= [ .
= [
=
+ + =
+ + =
+ + + =
|
| |
|
| | |
|
| |
| |
| |
(2.1)
reducida ecuacin sig. la Obtengo
) 1 (
) 1 (

) 1 (
: Si
) 1 ( ) 1 ( ) 1 (
) 1 (
) (
: (1) en (2) Sustituyo
3 2
1
1
1
3
1
0
2
1 1
1
1
0
1 0 1
1 1 0
1 0
t t t
t
t
t
t t
t t t
t t t t
t t t t
v I C
u
v
u
I C
u I C
u I C C
u I C C
+ [ + [ =
= [ .
= [
=
+ + =
+ + + =
+ + + =
|
|
|
|
|
| |
|
|
|
| | |
| | |
| |
123
Problema de identificacin
Objetivo: determinar si las estimaciones
numricas de los parmetros de una ecuacin
estructural pueden obtenerse a partir de los
coeficientes estimados de la forma reducida.

Posibles condiciones de la ecuacin:
Identificada (exactamente o sobreidentificada).
No identificada (subidentificada).

124
Los coeficientes estructurales pueden ser obtenidos a
partir de los coeficientes estimados de la forma reducida?
SI:
Ecuacin
identificada
Exacta
identificacin
Sobre
identificacin
No:
Ecuacin no
identificada
Sub
identificacin
125
Sub identificacin: No se pueden estimar los parmetros
estructurales a partir de los coeficientes estimados de la
forma reducida. Ejemplo:

4 coeficientes estructurales vs 2 coeficientes de impacto.

1 1
1 0 0 1
1
1 1
0 0
0
1
0
2 1 0
1 1 0
| o
| o | o
| o
o |
| |
o o
= [
= [
+ [ =
+ [ =
)
`
+ + =
+ + =

t
t
t t
s
t
t t
d
t
w Q
v P
u P Q
u P Q
126
Identificacin exacta: Pueden obtenerse valores nicos de los
parmetros estructurales a partir de los coeficientes
estimados de la forma reducida . Ejemplo:


1 1
1 1 2 1
1 1
2 1
5
1 1
1 2
4
1 1
1 0 0 1
3
1 1
1 2
1 1
2
2
1 1
2
1
1 1
0 0
0
1 5 4 3
1 2 1 0
2 1 2 1 0
1 2 1 0
| o
| o
| o
| o
| o
| o
| o
| o | o
| o | o
|
| o
o
| o
o |
| | |
o o o
= [
= [
= [
= [
= [
= [
+ [ + [ + [ =
+ [ + [ + [ =
)
`
+ + + =
+ + + =
t t
t
t t
t
t t t t
t t t t
t t t t
t t t t
u u
w
u u
v
w P I Q
v P I P
u P P Q
u I P Q
127
Sobre identificacin: Pueden obtenerse ms de un valor para
alguno de los parmetros estructurales. Ejemplo:


1 1
1 1 2 1
1 1
2 1
7
1
1 3
6
1 1
1 2
5
1 1
1 0 0 1
4
1 1
1 2
1 1
2
3
1 1
3
2
1 1
2
1
1 1
0 0
0
1 7 6 5 4
1 3 2 1 0
2 1 2 1 0
1 3 2 1 0
| o
| o
| o
| o
| o
| o
| o
| o
| o
| o | o
| o | o
|
| o
o
| o
o
| o
o |
| | |
o o o o
= [
= [
= [
= [
= [
= [
= [
= [
+ [ + [ + [ + [ =
+ [ + [ + [ + [ =
)
`
+ + + =
+ + + + =
t t
t
t t
t
t t t t t
t t t t t
t t t t
t t t t t
u u
w
u u
v
w P R I Q
v P R I P
u P P Q
u R I P Q
128
Reglas para la identificacin
Notacin:
M = N de variables endgenas en el modelo.
m = N de variables endgenas en una ecuacin.
K = N de variables predeterminadas en el modelo.
k = N de variables predeterminadas en una ecuacin.
Reglas:
Condicin de orden(necesaria pero no suficiente).
Condicin de rango.
129
Condicin de orden (necesaria pero no suficiente):
En un modelo de M ecuaciones simultneas, para que
una ecuacin est identificada debe excluir al menos M-1
variables (endgenas y predeterminadas) que aparecen
en el modelo.

Ecuacin
Variables Excluidas
(VE)
(K-k) Vs. (m-1)
Subidentificada VE < (M-1) (K-k) < (m-1)
Identificacin exacta VE = (M-1) (K-k) = (m-1)
Sobreidentificada VE > (M-1) (K-k) > (m-1)
130
Condicin de rango (concepto):
En un modelo que contiene M ecuaciones en M variables
endgenas, una ecuacin esta identificada si y solo si
puede construirse por lo menos un determinante
diferente de cero, de orden (M-1)(M-1), a partir de los
coeficientes de las variables (endgenas y
predeterminadas) excluidas de esa ecuacin particular,
pero incluidas en las otras ecuaciones del modelo.

131
Condicin de rango (procedimiento):
1. Escriba el sistema en forma tabular.
2. Elimine los coeficientes del rengln en el cual aparece la
ecuacin bajo consideracin.
3. Elimine las columnas que corresponden a aquellos
coeficientes del punto anterior que son diferentes de cero.
4. Con los datos que quedan en la tabla, forme todas las
matrices posibles de orden M-1 y obtngase los
determinantes correspondientes.

Si es posible encontrar al menos un determinante distinto de
cero, la ecuacin en cuestin estar identificada.

132
Ejemplo 7:
E
c
u
a
c
i
n

Coeficientes de las variables Evaluacin
1
Y
1
Y
2
Y
3
Y
4
X
1
X
2
X
3
(K-k) Vs. (m-1) Identificacin
1.1
10
1
12
13
0
11
0 0 2 = 2 Exacta
1.2
20
0 1
23
0
21
22
0 1 = 1 Exacta
1.3
30
31
0 1 0
31
32
0 1 = 1 Exacta
1.4
40
41
42
0 1 0 0
43
2 = 2 Exacta
(1.4)
(1.3)
(1.2)
(1.1)
t t t t t
t t t t t
t t t t t
t t t t t
u X Y Y Y
u X X Y Y
u X X Y Y
u X Y Y Y
4 3 43 2 42 1 41 40 4
3 2 32 1 31 1 31 30 3
2 2 22 1 21 3 23 20 2
1 1 11 3 13 2 12 10 1
=
=
=
=
| | |
| |
| |
| | |
133
Prueba de simultaneidad (Hausman)
Pasos (Ejemplo 8):

1)Realice la siguiente regresin y obtenga la estimacin de P
t
y v
t

2)Realice siguiente regresin y contraste la significancia
2
.

t t t t
t t t t
t t t
t t t t t
w R I Q
v R I P
u P Q
u R I P Q
+ [ + [ + [ =
+ [ + [ + [ =
)
`
+ + =
+ + + + =
5 4 3
2 1 0
2 1 0
1 3 2 1 0
| |
o o o o
t t t t
v R I P + [ + [ + [ =
2 1 0
t t t t
u v P Q
2 2 1 0

+ + + = | | |
134
Prueba de simultaneidad (Hausman)
Determinar si la variable endgena Q esta correlacionada con el trmino de
error v, a un nivel de significancia .

Ho: No hay simultaneidad
Ha: Hay simultaneidad


Regla de decisin.
Si tcalculada > t
/2;n-k
Rechazo Ho

Conclusin.
Si rechazo Ho, hay problemas de simultaneidad a un nivel de significancia .

En dicho caso no puede utilizarse MCO.

)
2
2 2
|
| |
ee
calculada t

=
135
Mtodos de estimacin
Mtodos de informacin limitada (uniecuacionales): cada
ecuacin del sistema se estima individualmente considerando
nicamente las restricciones impuestas sobre dicha ecuacin,
sin preocuparse por las restricciones sobre otras ecuaciones
del sistema.

Mtodos de informacin completa (mtodos de sistemas):
estiman todas las ecuaciones en el modelo de manera
simultnea, tomando en cuenta las restricciones existentes
sobre todas las ecuaciones del sistema.

136
Mtodos de estimacin
(uniecuacionales)

Mnimos Cuadrados Ordinarios (MCO).
Mnimos Cuadrados Indirectos (MCI).
Mnimos Cuadrados en Dos Etapas (MC2E).

Son los ms utilizados en la prctica debido a mltiples razones,
entre ellas: menores costos, carga computacional menor, evitan
trasmisin de errores de especificacin al resto de las ecuaciones
del sistema.

137
Modelos recursivos y MCO
Caractersticas:
No se produce correlacin entre las variables explicativas
y las perturbaciones estocsticas.
No existe correlacin entre los trminos de
perturbaciones estocstica de las diferentes ecuaciones
(cero correlacin contempornea).
No hay interdependencia entre las variables endgenas,
cada ecuacin presenta una dependencia causal unilateral.
Puede aplicarse MCO a cada ecuacin en forma separada,
obteniendo estimadores insesgados y consistentes.

138
Modelos recursivos y MCO
Ejemplo:

Y=variables endgenas; X=variables exgenas
Y
1
afecta a Y
2
; Y
2
no afecta a Y
1

Y
1
y Y
2
afectan a Y
3
; Y
3
no afecta a Y
1
ni Y
2

t t t t t t
t t t t t
t t t t
u X X Y Y Y
u X X Y Y
u X X Y
3 2 32 1 31 2 32 1 30 3
2 2 22 1 21 1 20 2
1 2 12 1 11 10 1
+ + + + + =
+ + + + =
+ + + =
| | |
| |
|
31
21

139
Estimacin de una ecuacin
exactamente identificada (MCI)
Pasos:
1. Obtener las ecuaciones en forma reducida.
2. Aplicar MCO individualmente a las ecuaciones en forma
reducida.
3. Estimar los coeficientes estructurales a partir de los
coeficientes obtenidos de las ecuaciones reducidas.

140
Ejemplo 10: Modelo Keynesiano (continuacin ejemplo 6)
1.

2. Los parmetros pueden ser estimados por MCO, ya que las
variables no estn correlacionadas con el trmino de error.

reducida Forma
(2.1)
(1.1)
3 2
1 0
+ [ + [ =
+ [ + [ =
t t t
t t t
v I C
v I Y
) 1 (
) 1 (
1
) 1 (
1
1
3
1
1
1
0
2 0
|
|
|
|
|
= [
= [
= [ = [
1
3
1
1
0
0
[
[
=
[
[
=
|
|
141

3. Estimacin de coeficientes estructurales para C
t

t t t
t t t
u Y C
u Y C
96 , 0 37 , 2

1 0
+ + =
+ + = | |
142
sobreidentificada (MC2E)
Considere el siguiente MES:

La idea bsica del MC2E consiste en purificar la variable
explicativa estocstica Y
1
, de la influencia de la perturbacin
estocstica u
2
.
Etapas:
1) Realice la regresin de Y
1
sobre todas las variables
predeterminadas en el sistema (para eliminar la correlacin
entre Y
1
y u
2
).
2) Reemplazar los Y
1
de la ecuacin original, por los Y
1
estimados
en la etapa 1, para luego aplicar MCO a la ecuacin as
transformada.

t t t
t t t t t
u Y Y
u X X Y Y
2 1 21 20 2
1 2 12 1 11 2 11 10 1

+ + =
+ + + + + =
| |
| |
143
sobreidentificada (MC2E)
Caractersticas del MC2E:
Puede aplicarse a una ecuacin individual en el sistema. Para
sistemas con muchas ecuaciones es un mtodo econmico.
Proporciona solamente una estimacin por parmetro en
ecuaciones sobreidentificadas, a diferencia del MCI.
Tambin se puede aplicar cuando existe identificacin exacta
Si R
2
en las regresiones de la forma reducida son altos, las
estimaciones por MCO y MC2E sern muy cercanas. Si el R
2

es bajo, las estimaciones por MC2E carecen de significado.

144
Plan de evaluacin
Tema Semana Evaluacin Peso (%)
I
Introduccin a
la econometra
1
2
II
El Modelo Clsico
de Regresin Lineal
3 1 evaluacin 10%
4
5
6
7
III
Evaluacin del
Modelo Economtrico
8 2 evaluacin 35%
9
10
IV
Modelo de
Ecuaciones Simultaneas
11 3 evaluacin 20%
12
13
Preparadurias (10%)
14 4 evaluacin 25%
15
16 Reparaciones Todos los temas
145

Econometría I (Sem I-2013)

Uploaded by

Document Information

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Econometría I (Sem I-2013)

Uploaded by

Copyright:

Available Formats

UCV-FACES-ECONOMA

ECONOMETRA I, Semestre I-2013

You might also like