40
Econometría I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante Magen Infante 1 ECONOMETRIA I I. INTRODUCCION Econometria Dos palabras de origen griego: Economía y Medida (Koutsoyiannis, 1977:3). Término introducido por Ragnar Frisch en 1926, de origen noruego, para referirse a estudios económicos que hacen uso de métodos estadísticos. Desde sus orígenes y por su propia definición, la econometría se ha movido entre los campos de las teorías económica y estadística. Así, en la medida en que ha sido empleada tanto para proponer nuevas formulaciones como para apoyar o, en su caso, refutar planteamientos ya hechos en la propia teoría económica, la econometría se ha nutrido de las aportaciones de economistas cuyo campo de acción es fundamentalmente la teoría económica (algo semejante puede decirse de quienes centran su interés en la política económica). Pero, simultáneamente, en la medida en que la econometría supone la aplicación de la teoría estadística, diversos estadísticos han incursionado en el terreno de aquella haciéndola evolucionar. (Fuente: Para una breve historia de la econometría, José Fernández García*/ Claramartha Adalid Díaz de Urdanivia) En la literatura podrían darse otras definiciones como: 1. Aplicación de la Estadística matemática a la información económica para dar soporte empírico a los modelos construidos por la Economía Matemática y obtener resultados numéricos. 2. Análisis cuantitativo de fenómenos económicos reales, basados en el desarrollo simultáneo de la teoría y la observación, relacionados mediante métodos apropiados de inferencia. Es un apoyo para disipar la imagen de la Economía, considerada como una materia donde se hacen afirmaciones y supuestos que para diferentes economistas tienen diferentes interpretaciones. Una clasificación desde el punto de vista estadístico podría ser:

EconometriaI Teoría

Embed Size (px)

DESCRIPTION

econometria modelo lineal simple

Citation preview

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 1

    ECONOMETRIA I

    I. INTRODUCCION

    Econometria

    Dos palabras de origen griego: Economa y Medida (Koutsoyiannis, 1977:3).

    Trmino introducido por Ragnar Frisch en 1926, de origen noruego, para referirse a

    estudios econmicos que hacen uso de mtodos estadsticos.

    Desde sus orgenes y por su propia definicin, la econometra se ha movido entre

    los campos de las teoras econmica y estadstica. As, en la medida en que ha

    sido empleada tanto para proponer nuevas formulaciones como para apoyar o,

    en su caso, refutar planteamientos ya hechos en la propia teora econmica, la

    econometra se ha nutrido de las aportaciones de economistas cuyo campo de

    accin es fundamentalmente la teora econmica (algo semejante puede decirse

    de quienes centran su inters en la poltica econmica). Pero, simultneamente,

    en la medida en que la econometra supone la aplicacin de la teora estadstica,

    diversos estadsticos han incursionado en el terreno de aquella hacindola

    evolucionar.

    (Fuente: Para una breve historia de la econometra, Jos Fernndez Garca*/

    Claramartha Adalid Daz de

    Urdanivia)

    En la literatura podran darse otras definiciones como:

    1. Aplicacin de la Estadstica matemtica a la informacin econmica para dar

    soporte emprico a los modelos construidos por la Economa Matemtica y

    obtener resultados numricos.

    2. Anlisis cuantitativo de fenmenos econmicos reales, basados en el desarrollo

    simultneo de la teora y la observacin, relacionados mediante mtodos

    apropiados de inferencia.

    Es un apoyo para disipar la imagen de la Economa, considerada como una materia

    donde se hacen afirmaciones y supuestos que para diferentes economistas tienen

    diferentes interpretaciones.

    Una clasificacin desde el punto de vista estadstico podra ser:

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 2

    Econometra Terica

    Clsica

    Bayesiana

    Econometra Aplicada

    Bayesiana

    Clsica

    En este curso desarrolla el enfoque clsico y aplicado

    Econometra Aplicada

    Utiliza herramientas de la Estadstica para estudiar modelos de algunos campos

    especiales de la economa, los negocios u otros. En particular, puede estudiar temas

    conocidos como:

    1. Empleo

    2. Desempleo

    3. Crecimiento econmico

    4. Consumo

    5. Produccin

    6. Inversin

    7. Demanda y oferta

    8. Inflacin

    9. Importaciones

    10. Portafolio, etc.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 3

    II. QUE ES UN MODELO ECONOMETRICO

    Modelo

    Es una representacin simplificada de la realidad, estructurada de tal forma que permita

    comprender el funcionamiento total o parcial de esa realidad o fenmeno.

    Es una representacin formal de ideas o conocimientos acerca de un fenmeno

    (teoras) que generalmente se traducen bajo la forma de un conjunto de ecuaciones

    matemticas. Carneiro de Matos, Orlando; 2da Edicin;

    Editora Atlas S.A., Sao Paulo - Brasil 1997

    Clasificacin de los modelos

    Como visto anteriormente, es una representacin simplificada de la realidad, que

    involucra:

    A. Por la Forma funcional

    a. Lineales.- aquellos donde los parmetros son expresados en forma lineal o

    pueden ser transformados a lineales.

    b. No lineales.- lo contrario de lo anterior.

    B. Por el nmero de ecuaciones

    a. Uniecuacionales.- El modelo consta de solo una ecuacin.

    cWbXaY b. Multi-ecuacionales.- El modelo consta de varias ecuaciones.

    cWbXaY

    fQeWdZ

    tZY

    C. Por la asociacin de las variables con el tiempo

    a. Estaticos.- Todas las variables se refieren a un mismo periodo de tiempo.

    ttt cWbXaY

    b. Dinmicos.- Las variables se refieren a distintos periodos de tiempo.

    ttt cWbXaY 1

    D. Por la finalidad

    a. Previsin.

    b. Decisin.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 4

    Modelo economtrico

    Como visto anteriormente, es una representacin simplificada de la realidad, que

    involucra:

    a) Relaciones o ecuaciones.- Modelo matemtico.

    b) Variables.- Caractersticas de inters observables que pueden tomar

    distintos valores.

    c) Parmetros.- (o coeficientes) son valores que permanecen constantes y son

    desconocidos de aquella relacin matemtica.

    d) Trmino aleatorio.- (perturbacin aleatoria) que representa a todas las

    caractersticas que no han podido ser includas en el modelo o relacin

    matemtica.

    Proceso metodolgico de la Econometra

    Fuente: Adaptacin de Intrilligator 1978

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 5

    Proceso metodolgico de la Econometra

    Fuente: Adaptacin de Maddala 1996

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 6

    Teora

    Econmica

    Observacin

    del

    Mundo Real

    Formulacin

    de Hiptesis

    Modelo

    Matemtico

    Modelo

    Economtrico

    Colecta de Datos

    Apropiados

    Estimacin

    de los

    Parmetros del

    modelo

    Evaluacin

    de Resultados:

    Hiptesis

    del modelo

    AceptablesNo Aceptables

    Revisin

    de la

    Metodologa

    Inferencia,

    Previsin

    Toma de

    Decisiones

    1ra ETAPA:

    Especificacin oConstruccin delModelo

    2da ETAPA:

    Estimacin

    del

    Modelo

    3ra ETAPA:

    Evaluacin

    del

    Modelo

    Estimado

    Desistencia

    de las

    Hiptesis

    Proceso Metodolgico de la Econometra

    Fuente: Adaptacin de Carneiro de Matos, Orlando; 2da Edicin;

    Editora Atlas S.A., Sao Paulo - Brasil 1997

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 7

    Ejemplo: Proceso metodolgico de la econometra

    1. Planteamiento de la teora o de la hiptesis.

    2. Especificacin del modelo matemtico de la teora.

    3. Especificacin del modelo economtrico de la teora.

    4. Obtencin de datos.

    5. Estimacin de parmetros del modelo economtrico.

    6. Pruebas de hiptesis.

    7. Pronstico o prediccin.

    8. Utilizacin para fines de control o poltica.

    1. Planteamiento de la teora o de la hiptesis.

    Se establece un conjunto de hiptesis, leyes o conjeturas sobre el comportamiento de

    un fenmeno de la vida real ya existente o contribuciones de nuevas teoras.

    2. Especificacin del modelo matemtico de consumo.

    Es una representacin formal de las ideas o conocimientos anteriormente mencionadas

    acerca de las teoras que generalmente se traducen bajo la forma de un conjunto de

    ecuaciones matemticas.

    3. Especificacin del Modelo Economtrico de Consumo

    Es la misma especificacin anterior pero incorporando un trmino aleatorio a la relacin

    matemtica, ste trmino considerara todos los elementos que por alguna razn no

    pueden ser considerados en la relacin matemtica.

    El modelo matemtico dado en el paso 2, supone que existe una relacin exacta

    determinstica entre las variables, lo que no es cierto en la mayora de los casos.

    4. Obtencin de Informacin

    Para estimar los valores desconocidos de la relacin economtrica, se necesitan datos,

    generalmente se toman datos muestrales.

    5. Estimacin del modelo economtrico

    Los datos o informaciones obtenidas en el paso 4 permiten estimar los valores

    desconocidos de la relacin matemtica para tomar decisiones.

    6. Prueba de hiptesis

    Para comprobar si los valores estimados concuerdan con la teora.

    7. Proyeccin o prediccin

    Si el modelo escogido confirma la teora, este modelo se puede utilizar para predecir

    valores futuros o desconocidos.

    8. Usos del modelo para fines de control o de poltica

    Un modelo final estimado puede ser utilizado para fines de control o de poltica.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 8

    Ejemplo 1: Teora Keynesiana del Consumo. (D. Gujarati)

    a) Planteamiento de la teora o de la hiptesis.

    KEYNES plantea:

    La ley sicolgica fundamental. Consiste en que los hombres y mujeres como regla

    general y en promedio, estn dispuestos a incrementar su consumo a medida que su

    ingreso aumenta, pero no en la misma cuanta del aumento en su ingreso.

    En otras palabras, Keynes postula que la propensin marginal a consumir (PMC), es

    decir, la tasa de cambio del consumo generado por una unidad de cambio en el ingreso,

    es mayor que cero pero menor que uno.

    b) Especificacin del modelo matemtico de consumo.

    Keynes postul una relacin positiva entre el consumo y el ingreso. Sin embargo, no

    especific la relacin funcional entre las dos.

    Por ejemplo, la forma ms simple de la funcin Keynesiana de consumo podra ser:

    XY 21 10 2 (planteada por un Economista matemtico).

    1 parmetro intercepto del modelo

    2 parmetro pendiente del modelo, mide la PMC (Propensin Marginal a Consumir).

    Y

    X

    PMC2

    1

    Intercepto1

    }

    }

    Funcin Keynesiana de

    Consumo

    c) Especificacin del Modelo Economtrico de Consumo

    El modelo matemtico dado en el paso 2, supone que existe una relacin exacta

    determinstica entre el consumo y el ingreso. Pero las relaciones entre las variables

    econmicas son en general inexactas.

    Un econometrista modificara la funcin determinstica as

    XY 21 10 2 = trmino de perturbacin o de error, es una variable aleatoria.

    El trmino de representa todos aquellos factores que afectan el consumo pero que no son considerados en el modelo en forma explcita. Este ltimo sera

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 9

    el llamado Modelo de Regresin Lineal, el cual ser estudiado a lo largo del

    curso.

    d) Obtencin de Informacin

    Para estimar los valores desconocidos de 1 y 2 se necesitan datos, por

    ejemplo:

    Mes Y=Consumo X=Ingreso

    Enero 2009

    Febrero 2009

    Diciemb 2009

    .

    .

    .

    2505.6

    2870.7.

    .

    .

    .

    .

    .

    3248.9

    3761.3

    4280.8

    4822.1

    e) Estimacin del modelo economtrico

    A travs de un anlisis de regresin se obtendrn estimadores para 1 y 2 del

    modelo teorico

    XY 21 10 2

    por ejemplo, se puede obtener:

    XY 270.05.1 (Interpretar modelo ajustado) donde

    1 =-1.5 estimador de 1 y

    2 = 0.70 estimador de 2

    f) Prueba de hiptesis

    Si el modelo ajustado es una aproximacin razonablemente buena de la realidad, se

    necesitan criterios apropiados para encontrar si los valores estimados obtenidos en una

    ecuacin como la anterior, concuerda con las expectativas de la teora que est siendo

    probada.

    Del modelo anterior, Keynes esperaba que la PMC sea menor que 1.

    Se quiere responder a la pregunta es 0.70 estadsticamente menor que 1?

    Si lo es, puede apoyar la teora de Keynes.

    Estos criterios son conocidos como parte de la Inferencia Estadstica.

    g) Proyeccin o prediccin

    Si el modelo escogido confirma la teora, este modelo se puede utilizar para predecir

    valores futuros o desconocidos de la variable dependiente Y, siendo que se conoce el

    valor de X (variable predoctora) y se utilizan los estimadores 1 y 2 anteriormente

    hallados.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 10

    h) Usos del modelo para fines de control o de poltica

    Un modelo estimado como XY 270.05.1 puede ser utilizado para fines de control o

    de poltica.

    El gobierno por ejemplo podra manejar la variable de control

    X Ingreso para producir el nivel deseado de la variable objetivo.

    Y Consumo.

    En resumen, en esta seccin hemos visto el planteamiento de un

    modelo para un fenmeno de la realidad y la estimacin de este

    modelo para luego interpretarlo. Ms adelante estudiaremos algo sobre

    modelos.

    Ejercicio: Responda:

    1. Qu es un modelo?

    2. Qu diferencia hay entre un modelo matemtico y un modelo economtrico?

    3. Qu es un modelo no lineal?

    4. Cules son las etapas del proceso metodolgico de la econometria?

    5. Cules son los pasos del proceso metodolgico de la econometra?

    6. Qu cree usted que es Especificacin de un modelo?

    Carneiro de Matos, Orlando; 2da Edicin;

    Editora Atlas S.A., Sao Paulo - Brasil 1997

    JMAEVResaltado

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 11

    III. CARACTERISTICAS DE LOS DATOS EN ECONOMETRA

    Se puede encontrar los siguientes trminos como caractersticas de los datos

    cuantitativos que podran ser empleados en anlisis de problemas de econometra:

    1. Series de Tiempo

    2. Datos de Corte Transversal

    3. Datos Agrupados

    4. Datos de Panel

    5. Datos Agregados

    6. Variables Ficticias

    7. Variables Aproximadas

    1. Series de tiempo

    Esta informacin se obtiene de la observacin de la variable en diferentes periodos de

    tiempo. En usual, que las series de tiempo tengan periodicidad diaria, semanal,

    mensual, trimestral y anual. Las series de tiempo suelen estar altamente

    correlacionadas debido a su evolucin paralela en el tiempo.

    2. Datos de corte transversal

    Consiste en datos de una o ms variables recogidos en un periodo de tiempo fijo y

    determinado, registrados una sola vez para cada unidad. Puede ser, un da, una

    semana, un mes, un ao, un periodo determinado para registrar una sola vez los datos.

    3. Datos Agrupados

    Los datos agrupados contienen informacin de corte transversal y de series de tiempo

    juntos. Por ejemplo: En cada mes, se tomaron 3 registros de cada una de las 4

    variables o caractersticas.

    4. Datos de Panel ( longitudinales)

    Este es un tipo especial de datos agrupados, en la cual la misma unidad de corte

    transversal es observada a travs del tiempo.

    Unidad

    de tiempo V1 V2 V3 V4

    ENERO

    FEBRERO

    MARZO

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 12

    5. Datos Agregados

    Se dice de datos agregados cuando un economista cuenta con informacin agregada,

    desconociendo el mtodo empleado para generarla.

    Ejemplo: Se quiere estimar las Importaciones de un pas, (Mxico por ejemplo) se

    deflacta las variables Importaciones mexicanas por el ndice de precios del productor

    para bienes en los Estados Unidos.

    Nota: Se produce un sesgo de sub o sobreestimacin

    en el valor real de las importaciones ya que el ndice

    citado difiere del ndice global de precios.

    El ndice global podra calcularse, pero el costo y

    dificultad en hacerlo podra no ser justificado.

    6. Variables Ficticias

    Son variables que toman valor 1 para una submuestra y 0 para la otra.

    7. Variables Aproximadas

    En ocasiones no se cuenta con informacin sobre alguna variable que interviene en el

    modelo economtrico. Una posible solucin es utilizar una aproximacin a esta variable

    bajo el supuesto de que su comportamiento es similar. A este tipo de datos se le llama

    variable proxy y depende de la verificacin del supuesto.

    Observacin:

    En ocasiones, economistas con experiencia estudiando las estructuras de economa en

    pases desarrollados donde se encuentra disponible gran parte de la informacin, no se

    percatan de las restricciones de informacin que puedan existir en pases como el

    nuestro por ejemplo. Si stos mismos profesionales desarrollan modelos para un pas

    como el nuestro por ejemplo, es posible que no tenga la importancia prctica.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 13

    IV. MODELO LINEAL SIMPLE

    Modelo con dos variables

    Un modelo linear es un intento de hacer un anlisis cuantitativo de la relacin que existe

    entre la variable dependiente, con las variables explicativas para un conjunto de valores

    observados de ambos tipos de variables. Un modelo lineal simple considera slo una

    variable explicativa.

    Otras denominaciones de la variable respuesta

    Respuesta

    Dependiente

    Salida

    Endgena

    Regresiva

    Explicada

    Otras denominaciones de la variable explicativa

    Estmulo

    Independiente

    Entrada

    Exgena

    Regresora

    Explicativa

    Predeterminada

    Objetivo: Determinar un modelo con parmetros numricos que permita estimar o

    aproximar el valor de una variable Y en base a otra variable X.

    XY 21

    Y variable dependiente o variable respuesta.

    X variable explicativa error aleatorio

    Ejemplo 3: (D. Gujarati)

    Supngase un pueblo pequeo viven slo 60 familias. Se realiza un censo en este

    poblado porque interesa a gobierno estudiar la relacin entre el Gasto de consumo

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 14

    familiar semanal Y; y el Ingreso familiar semanal X (luego de los impuestos de

    ley).

    En otras palabras, se quiere predecir el nivel de la media del Gasto de consumo

    semanal por familia (de la poblacin) conociendo el ingreso semanal de la familia.

    xxXYE 21)/(

    ingresoingresoXConsumoE 21)/(

    Se dividen las familias en 10 grupos, donde cada grupo tiene ingresos aproximados y

    se registran las Gastos de consumo de cada familia para cada nivel de Ingresos.

    Todos los registros son semanales.

    Ingresos familiares semanales

    X_i X_1 X_2 X_3 X_4 X_5 X_6 X_7 X_8 X_9 X_10

    Y 80 100 120 140 160 180 200 220 240 260

    55 65 79 80 102 110 120 135 137 150

    Gasto de 60 70 84 93 107 115 136 137 145 152

    Consumo 65 74 90 95 110 120 140 140 155 165

    Familiar 70 80 94 103 116 130 144 152 165 168

    por 75 85 98 108 118 136 145 157 175 180

    semana 88 113 125 140 160 180 185

    115 162 191

    173

    E(Y/X=x) 65 77 89 100 113 125 137 149 161 173

    60)(

    60

    1

    Y

    YE j

    n

    i

    i

    in

    Y

    XYE

    j

    1)/(

    10,...,3,2,1

    ,...,3,2,1

    j

    ni j

    As, tenemos: (para las familias)

    La Esperanza o Promedio 65)80/( 1 XYE es el Consumo promedio semanal de

    las familias que ganan 80 nuevos soles.

    Similarmente,

    El consumo promedio de las familias que ganan 160 es 113.

    El consumo promedio de las familias que ganan 260 es 173.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 15

    Funcin de regresin poblacional (FRP)

    Muestra cmo el valor de Y vara en relacin a los valores de la variable X. Su forma

    estocstica es la siguiente:

    XY 21

    1 y 2 son parmetros fijos, desconocidos (valores poblacionales) Se denominan coeficientes de regresin, intercepto, coeficiente de la pendiente de la

    recta, etc.

    As, el valor esperado de Y vara tambin de acuerdo a la variacin de X y se

    denomina Lnea de Regresin Poblacional.

    XXYE 21)/(

    Interpretacin:

    65)80/( XYE valor promedio de Y para 80X

    La Regresin Poblacional para un valor particular de la variable dependiente es:

    ii XY 21

    Si en el modelo ii XY 21 reemplazamos cada uno de los valores de

    consumo cuando el ingreso es 80X , nos da las siguientes expresiones:

    1211 55 XY

    2212 60 XY

    3213 65 XY

    4214 70 XY

    5215 75 XY

    La diferencia entre cada valor observado y cada valor promedio se debe al trmino de

    perturbacin i

    )()/( 21 XYXYEY iiii

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 16

    Interpretacin de i

    Suponga que conseguimos conocer los valores de 1 y 2 , entonces slo faltara

    conoce el valor del trmino de perturbacin i que representa a toda otra variable(s)

    posible(s) de las que tambin depende iY que no estn incluidas en el modelo porque

    es imposible medirlas. Tambin, i representa efectos aleatorios que no dependen

    de las variables, denominada perturbacin estocstica o trmino de error estocstico.

    1. Grfica de la FRP.- Lnea de Regresin Poblacional o Curva de Regresin

    Poblacional. Es el lugar geomtrico de las esperanzas de la variable dependiente

    para los valores fijos de las variables explicativas

    La FRP en dos variables (en su forma estocstica) es

    ii XY 21 .

    Se grafica la esperanza de la FRP en dos variables: XXYE 21)/(

    Y

    X

    )/( iXYE

    80 220

    149

    101

    65 *

    *

    *

    Ingreso semanal140

    Gasto de

    Consumo

    semanal

    * : Media condicional

    Lnea de Regresin

    Poblacional

    Esperanza Poblacional de Y dado iX : Cmo vara la esperanza de Y variando X.

    Otra forma de escribir la FRP ii XY 21 es

    ii XYEY )/(

    Los valores de iY estn agrupados alrededor del valor esperado de todos los valores

    de Y para un dado iX .

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 17

    Funcin de regresin muestral (FRM)

    Es la que se obtiene a partir de una muestra de observaciones (no de la poblacin), y

    se necesita estimar los parmetros del modelo lineal simple poblacional (o de la FRP), a

    partir de la informacin proporcionada por la muestra. Su forma estocstica es la

    siguiente:

    ii XY 21

    1 es un estimador de 1

    2 es un estimador de 2

    i es un estimador de i

    iY aproxima (o es el ajuste de) iY

    La Funcin de Regresin Muestral es:

    XYi 21

    iY estimador de )/( iXYE

    1 estimador de 1

    2 estimador de 2

    i Al trmino de perturbacin obtenido de la muestra se le dice Residual.

    )( 21 XYii

    El i se estima a partir de los residuales i as: iii YY

    Cuando no se dispone de toda la informacin poblacional, se toman muestras de Y

    para valores dados de X.

    Si se toman dos muestras aleatorias de Y para valores de X dados y se trazan dos

    diagramas de dispersin de las muestras en el mismo grfico y se trazan las Lneas de

    Regresin Muestral para cada muestra, se tiene:

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 18

    Y

    X

    .

    .

    . . ..

    .

    . . .

    . .

    .

    .. . . . .

    .

    .

    . ... .

    .. .

    FRM1

    FRM2

    Caractersticas:

    1.- Cada lnea se conoce como lnea de regresin muestral.

    2.- Cada lnea intenta representar la Funcin de Regresin Poblacional.

    3.- Muestralmente, slo se considerar como aproximaciones de la verdadera FRP.

    4.- Para n muestras, habrn n FRM, posiblemente todas diferentes.

    Luego de obtener la informacin de una muestra y sustituirla en los estimadores, se

    obtienen valores de 1 y 2 , a los que se les denomina valores estimados o

    estimativas.

    3. Estimacin

    Dado que el objetivo principal es estimar la FRP: ii XY 21

    Hallando la FRM: ii XY 21 ,

    Como la FRM es apenas una aproximacin de la FRP, se desea una regla o un mtodo

    que haga que esta aproximacin sea lo ms ajustada posible.

    En otras palabras, se busca construir una FRM tal que 1 y 2 estn lo ms cercano

    posible a los verdaderos valores de 1 y 2 , aunque nunca se llegue a conocer los

    valores de 1 y 2 .

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 19

    Funcin de regresin muestral

    X

    FRM:

    ii XXYE 21)/( FRP:

    ii XY 21 .

    .

    .iiY

    iY

    iY

    )/( iXYE

    iX

    4. Mtodo de Estimacin

    El mtodo para la construccin de esta FRM es posible tanto para el caso bivariado

    iii XY 21

    como para el caso multivariado con k variables explicativas o independientes

    iikkiii XXXY 23121

    tambin visto en forma matricial para n observaciones como XY .

    El mtodo ms utilizado para hallar la FRM es el Mtodo de Mnimos Cuadrados

    Ordinarios (MCO).

    Para utilizar el mtodo de Mnimos Cuadrados Ordinarios (MCO) en la estimacin de los

    parmetros, se requiere que el modelo sea lineal en los parmetros y se les conoce

    simplemente como Modelos de Regresin Lineal.

    Es posible que algunos modelos no presenten linealidad en los parmetros. Sin

    embargo, es posible, a travs de una transformacin adecuada obtener un modelo

    lineal en todos los parmetros, entonces, al modelo antes de la transformacin se le

    considera como un Modelo de Regresin Lineal.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 20

    5. Linealidad

    Antes de obtener el modelo que mejor se ajuste al modelo real, conviene graficar las

    observaciones de tal forma que permita lograr una configuracin a priori para facilitar la

    eleccin de la forma funcional apropiada.

    Las funciones reconocidas con ms frecuencia son:

    (1) Lineal XY 10

    (2) Cuadrtica 2

    210 XXY

    (3) Hiperblica o recproca X

    Y1

    10

    (4) Semilogartmico )ln(10 XY

    )ln()ln( 10 XY

    (5) Semilogartmico inverso XY 10)ln(

    (6) Logartmico o logartmico doble )ln()ln()ln( 10 XY

    (7) Logartmico recproco X

    Y1

    )ln( 10

    En los modelos de dos variables, la forma funcional puede deducirse a partir del

    diagrama de dispersin, pero en un modelo de Regresin Mltiple, no es fcil

    determinar la forma funcional apropiada porque grficamente no se puede visualizar los

    diagramas de dispersin.

    Todos los casos anteriores son funciones de regresin lineal en los parmetros.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 21

    Y

    X

    Y

    X

    xy 10 xy 10

    2

    210 xxy

    2

    210 xxy

    Y

    X

    Y

    X

    xy /10

    xy /10 xy 10ln

    Y

    X

    Y

    X

    xy 10ln

    xy lnln 10

    xy lnln 10

    xy lnlnln 10

    xy lnlnln 10

    Ejemplo:

    En el ejemplo de Consumo, i podra ser otras variables de las cuales tambin dependera el modelo como por ejemplo:

    (21 XY Riqueza, tamao de la familia, consumo de un periodo

    anterior, Variacin de precios al consumo, tasa de inters, etc. ) .

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 22

    Ejemplo:

    Cules de los siguientes modelos pueden ser considerados lineales: (A, B, y son parmetros)

    (1) eAXY

    (2) XAY lnlnln

    (3)

    X

    Y

    (4) XY

    Ejemplo:

    Escriba 2 modelos no lineales con dos variables explicativas.

    Laboratorio

    1) Buscar una base de datos de por lo menos 5 variables explicativas (con la

    variable dependiente son 6 variables).

    2) Importar datos hacia R-project

    JMAEVResaltado

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 23

    VI. MODELO LINEAL GENERAL CLASICO

    Modelo lineal general

    Suponga que existe una relacin lineal entre una variable Y , )1( k variables

    explicativas 1X , 2X , kX y un trmino de perturbacin .

    Modelo terico:

    kkXXXY 23121

    Para n observaciones se tiene un sistema de n ecuaciones de la forma:

    iikkiii XXXY 23121 ni ....,2,1

    1112311211 kkXXXY

    nkkXXXY 222321212

    nnkknnn XXXY 23121

    matricialmente:

    nknkn

    k

    k

    n XX

    XX

    XX

    Y

    Y

    Y

    2

    1

    1

    0

    1

    221

    111

    2

    1

    1

    1

    1

    En notacin matricial:

    11)1()1(1 nkknn XY .

    o simplemente se puede escribir:

    XY

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 24

    Escalarmente:

    iY Variable aleatoria observable ni ....,2,1

    ijX Variables no aleatorias observables fijas ni ....,2,1 , kj ....,2,1

    j parmetros desconocidos kj ....,2,1

    i error aleatorio no observable ni ....,2,1

    Matricialmente:

    Y Vector aleatorio observable

    X Matriz de valores observables fijos

    Vector de parmetros desconocidos Vector de errores aleatorios no observables

    Supuestos del Modelo Lineal General Clsico

    Escalarmente

    (i) 0)( iE ni ,,2,1

    (ii) 2)( iVar constante (homocedasticidad)

    (iii) 0)( jiCov ji (no correlacin entre los errores)

    (iv) ),0(2Ni (distribucin normal)

    (v) No existe relacin lineal exacta entre los kXXX ,,, 21

    (vi) los parmetros k ,,,, 210 permanecen constantes a los largo de toda la

    muestra (estabilidad)

    Matricialmente

    (i) 0

    0

    0

    )(

    1

    n

    E

    (ii) I2

    1

    1

    )(

    n

    n

    EE

    nnnn

    n

    n

    E

    21

    2

    2

    221

    112

    2

    1

    )( E

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 25

    )(),(),(

    ),()(),(

    ),(),()(

    21

    2212

    1211

    nnn

    n

    n

    VarCovCov

    CovVarCov

    CovCovVar

    I2

    2

    2

    2

    00

    00

    00

    (iii)

    nkn

    k

    k

    kn

    XX

    XX

    XX

    1

    221

    111

    1

    1

    1

    X matriz de nmeros determinsticos

    (iv) 1)( kRango X ( 1k =nro columnas de knX ) ( 1 kn )

    El supuesto 1)( kRango X asegura que ninguna de las columnas de la

    matriz knX deben ser linealmente independientes.

    (v) ),(2

    1

    I0

    N

    n

    en consecuencia: ),( 2IXY N

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 26

    VII. EVALUACIN DE LA NORMALIDAD

    La variable respuesta del modelo clsico, deber evaluarse en la normalidad. Existen

    diversos mtodos para evaluar la normalidad de las observaciones.

    Fundamentalmente, se debe verificar las siguientes medidas.

    Sesgadez.- Es una medida de asimetra de la distribucin de las series alrededor de

    su media. La sesgadez se calcula como:

    n

    i

    i YY

    nS

    1

    3

    1

    donde

    n

    i

    i

    n

    YY

    1

    2

    La sesgadez de una distribucin simtrica es cero. Sesgadez positiva significa que la

    distribucin tiene una larga cola hacia la derecha y sesgadez negativa significa que la

    distribucin tiene una larga cola a la izquierda.

    Kurtosis.- Mide el apuntalamiento o aplanamiento de la distribucin de la serie. La

    Kurtosis se calcula como:

    n

    i

    i YY

    nK

    1

    4

    1

    donde

    n

    i

    i

    n

    YY

    1

    2

    La Kurtosis de la distribucin normal es 3. Si la Kurtosis excede a 3, la distribucin es

    puntiaguda (leptocurtica) comparada con la normal. Si la Kurtosis es menor que 3, la

    distribucin es aplanada (pleptocurtica) comparada con la normal.

    Jarque-Bera (JB).- Es el test estadstico para probar si las series son o no distribudas

    normalmente. Este test mide la diferencia de la sesgadez y kurtosis de las series con

    aquellos de una distribucin normal. El estadstico es calculado como:

    4

    )3(

    6

    22 KS

    knBeraJarque

    Donde S es la sesgadez, K es la kurtosis y k representa el nmero de

    coeficientes estimados utilizados para crear las series.

    Contraste de hiptesis

    :0H Las observaciones provienen de una distribucin Normal

    :1H Las observaciones no provienen de una distribucin Normal

    Estadstico de Prueba:

    Bajo la hiptesis nula, es decir, suponiendo que la normalidad se cumple, el estadstico

    de Jarque-Bera tiene una distribucin Chi-cuadrado con 2 grados de libertad.

    Regla de decisin:

    Rechazar 0H si 2

    ..2 lgBeraJarque a un nivel de significancia.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 27

    Nota acerca de la normalidad:

    Hay diversas pruebas de normalidad, entre las ms conocidas se tiene:

    Distancia de Malahanobis

    Kolmogorov-Smirnov

    Cramer y Von Mises.

    Kendall y Stuart.

    Shapiro y Wilks

    Shapiro y Francia

    Qqplot=quantile-quantile plot

    De todas las listadas arriba, al rechazar la prueba de normalidad, ninguna de ellas

    proporciona una solucin si es que la hubiese.

    Hay una prueba que ayudara a conocer qu tipo de transformacin de los datos podra

    hacerlos aproximadamente normales para poder aplicarlo, como en este curso al

    modelo lineal clsico. El mtodo de Box y Cox es una salida.

    JMAEVResaltado

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 28

    VIII. ESTIMACIN MCO - MV

    I. Mtodos de Estimacin de los Parmetros

    El Modelo de Regresin Lineal Clsico tiene un conjunto de parmetros desconocidos,

    tales como k ,,, 10 y 2 .

    Existen diversos mtodos para estimar los parmetros k ,,, 10 y 2 del

    modelo lineal clsico, de los cuales mencionamos:

    a). Mtodo de Mnimos Cuadrados (MCO OLS).

    b). Mtodo de Mxima Verosimilitud (MV).

    c). Mtodos de Mnimos Cuadrados Generalizados (MCG).

    Pueden existir otros mtodos, menos conocidos, pero la mayora de los mtodos de

    estimacin se basan en los residuos o errores, que se definen como la diferencia entre

    el valor real de la variable dependiente y su estimador a travs del modelo.

    ii YY ni ,,2,1 Entre los mtodos para estimar los parmetros del modelo utilizando los residuos,, el

    ms simple y conocido es el Mtodo de Mnimos Cuadrados Ordinarios (MCO OLS).

    II. Mtodo de mnimo cuadrados ordinarios

    1 PARA DOS VARIABLES modelo ii XY

    1.1 Estimadores para i

    Dada una muestra de n observaciones de X y Y , se desea hallar la Funcin de Regresin Muestral (FRM) tal que la suma de los residuos al cuadrado sea mnima.

    Dado una muestra de n observaciones:

    SUMA DE RESIDUOS AL CUADRADO:

    2

    11

    2)(

    n

    i

    ii

    n

    i

    i YY

    Procedimiento:

    Minimizar la suma de los residuos al cuadrado 2

    1

    10

    2

    11

    22 )()(

    n

    i

    i

    n

    i

    ii

    n

    i

    i XYYYS

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 29

    Derivando con respecto a 0 y 1 :

    n

    i

    i

    n

    i

    i

    XY

    XYS

    1

    10

    0

    1

    2

    10

    0

    2

    0)1)((2

    )(

    n

    i

    i

    n

    i

    i

    XXY

    XYS

    1

    10

    1

    1

    2

    10

    1

    2

    0))((2

    )(

    Resolviendo las dos ecuaciones se obtiene:

    ESTIMADORES DE MCO:

    n

    i

    i

    n

    i

    ii

    X

    YX

    1

    2

    10 y

    n

    i

    i

    n

    i

    ii

    XnX

    YX

    1

    22

    11

    VALORES ESTIMADOS O ESTIMATIVAS:

    n

    i

    i

    n

    i

    ii

    x

    yx

    b

    1

    2

    10 y

    n

    i

    i

    n

    i

    ii

    xnx

    yx

    b

    1

    22

    11

    Caractersticas:

    (1) Los estimadores MCO se expresan en funcin de las variables X y Y.

    (2) Son estimadores puntuales (escalar)

    (3) La Lnea de Regresin Muestral pasa a travs de las medias muestrales X y

    Y , por tanto, puede escribirse como XY 10 .

    (4) La suma de los residuos estimados es igual a cero 01

    n

    i

    i

    Pregunta:

    Cmo sera para tres variables? (la variable respuesta y dos variables explicativas)

    JMAEVResaltado

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 30

    2.- MATRICIALMENTE modelo XY )(;( 21 IX)X'XY N

    2.1 Estimador para

    Hallar tal que minimice la Suma de Cuadrados de los Residuales:

    )()(

    )(1

    2

    1

    2

    1

    1

    Y(Y)'YY

    n

    i

    ii

    n

    i

    in

    n

    YY

    (1) Utilizar la Suma de Cuadrados de los Residuales en su forma extensa

    )()( Y(Y)'YY

    )( X(Y)'XY

    XX''YX''XY'YY'

    XX''YX''YY' 2

    (2) Derivar con respecto a e igualar a cero:

    XX''YX''YY'

    )2(

    )'(

    'XX'YX' 22

    0

    obteniendo el llamado Sistema de Ecuaciones Normales YX'XX'

    y el Estimador de Mnimos Cuadrados Ordinarios es: YX'XX'1)(

    (3) Derivar por segunda vez con respecto a para verificar que es un mnimo.

    Como 02

    )'(2

    2

    XX'

    , se verifica que minimiza la Suma de Cuadrados de

    los Residuos. (porque es positiva definida y simtrica).

    2.2 Estimador para 2

    Un estimador de , sera el residual . En consecuencia, la varianza del residual podra utilizarse como estimador de la varianza del trmino de perturbacin .

    Utilizando este resultado y sabiendo que I'2)( E se puede probar que

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 31

    kn

    '

    2 es un estimador insesgado de 2 .

    3. PROPIEDADES DE LOS ESTIMADORES MCO DE

    (1) YX'XX'1)( es lineal en Y .

    (2) es insesgado porque )(E

    XX'XX'YX'XX'YX'XX' 111 )()()())(()( EEE .

    (3) 21)()( XX'Var pues

    21111 )()()()())(()( XX'XX'XYX'XX'YX'XX' VarVarVar .

    (4) ))(;(21 XX' N .

    (5) );(2 jjjj aN kj ,...,2,1,0 y jja es el i-simo elemento

    de la diagonal de la matriz 1)( XX' .

    (6) 2),( ijji aCov , kml ,...,2,1,0, y ija es el ij-simo elemento

    fuera de la diagonal de la matriz 1)( XX' kji ,...,2,1,0, .

    (7) i y j son independientes si y solo si 0ija ji

    III. Mtodo de mxima verosimilitud

    1.- FUNCIN DE VERSIMILITUD

    Recordamos que )(;(21IX)X'XY N

    En este caso, la funcin de verosimilitud viene dada por la densidad conjunta de la

    normal multivariada L .

    ))(

    2

    1exp

    2

    1),/,(

    2

    2/

    2

    2 X(YXYXY

    n

    LL

    Tomando logaritmo:

    ))(

    2

    1exp

    2

    1loglog

    2

    2/

    2

    X(YXY

    n

    L

    ))(2

    1log

    22log

    2 22

    X(YXY

    nn

    derivando con respecto a los parmetros:

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 32

    0)(2

    2log

    2

    XX'YX'

    L

    0))(2

    1

    2log

    422

    X(YXY

    nL

    de las dos ltimas ecuaciones, los estimadores mximo verosmiles son:

    YX'XX' 1)( mv y n

    mv

    '

    2

    donde 2

    mv tambin se puede escribir asi:

    nnmv

    ))('

    2 X(YXY

    Ejemplo 5: Asumiendo que la Renta de una persona puede depender de los Aos de

    estudio y de la Edad. Para las observaciones dadas, hallar estimativas de los

    parmetros utilizando los estimadores MCO y hallar un previsor de la variable

    respuesta.

    renta Y Aos de estudio Edad

    i Y X_1 X_2

    1 10 6 28

    2 20 12 40

    3 17 10 32

    4 12 8 36

    5 11 9 34

    3491

    3681

    32101

    40121

    2861

    X

    58601562170

    156242545

    170455

    3491

    3681

    32101

    40121

    2861

    3436324028

    9810126

    11111

    ' XX

    1001601960

    1604001840

    1960184050656

    2880

    1)'( 1XX

    2430

    665

    70

    'YX y

    5

    50

    56

    24

    1

    2

    1

    0

    .

    Los resultados de mostrados son las estimativas del vector de parmetros

    verdadero .

    Previsor de Y : 2121 2.01.23.224

    5

    24

    50

    24

    56 XXXXY

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 33

    Para 71 X y 302 X entonces

    7.10 Y estimativa de la renta media con 7 aos de estudios y 30 aos de edad.

    previsin de la renta de un individuo con 7 aos de estudios, 30 aos de

    edad.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 34

    IX. COEFICIENTE DE DETERMINACIN - SUMAS DE CUADRADOS

    La variabilidad de los modelos de regresin lineal se mide a travs de las sumas de

    cuadrados definidas como sigue:

    DEFINICIONES

    1.- SUMA DE CUADRADOS DEL TOTAL (SCT)

    Es la varianza muestral de la variable endgena multiplicada por n. Es una medida del

    tamao de las fluctuaciones de dicha variable alrededor de su valor medio. La SCT es

    la suma que el modelo economtrico pretende explicar.

    2.- SUMA DE CUADRADOS DE LA REGRESIN (SCR)

    Es el grado de fluctuacin de la variable estimada Y alrededor del promedioY , donde

    Y es la variable generada por el modelo para representar a Y . Es el nivel de

    fluctuacin de la variable Y que el modelo es capaz de explicar. Llamada tambin

    Suma de Cuadrados Explicada.

    3.- SUMA DE CUADRADOS DEL RESIDUAL (SCE)

    Es un indicador del nivel de error del modelo en su intento de explicar Y .

    Ejemplo 6: En el caso biviariado, la suma explicada es el grado de fluctuaciones de la

    variable iY que el modelo pretende explicar.

    Y

    X

    Y

    iY

    iY

    })( ii YY Regresin Muestral

    } )( YYi )( YYi

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 35

    (1) Sumas de Cuadrados para modelos con intercepto

    Para un modelo con intercepto XY ,

    nkn

    k

    k

    XX

    XX

    XX

    X

    1

    221

    111

    1

    1

    1

    y

    k

    1

    0

    .

    SCESCRSCT

    donde

    Y11IY

    nYYSCT

    n

    i

    i

    ''

    1

    2

    (forma cuadrtica)

    Y11X'X)X(X'Y 1

    n

    YYSCRn

    i

    i

    ''

    1

    2

    (forma cuadrtica)

    YX'X)X(X'IY 1

    '1

    2n

    i

    ii YYSCE (forma cuadrtica)

    n

    i

    ii

    n

    i

    i

    n

    i

    i YYYYYY1

    2

    1

    2

    1

    2

    Interpretacin

    n

    i

    ii

    n

    i

    i

    n

    i

    i YYYYYY1

    2

    1

    2

    1

    2

    Fi jo, no depende del

    modelo. Puede verse

    c o m o l a s u m a d e

    cuadrados del resduo

    del modelo YY

    Cuanto mayor, mayor es

    la diferencia entre YY y

    kkXXY 110

    Cuan t o m enor ,

    ms motivos para

    usar

    kXXX ,,, 21 Reduccin en la suma decuadrados del resduo con

    la introduccin de

    kXXX ,,, 21 en el modelo

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 36

    (2) Sumas de Cuadrados para modelos sin intercepto

    Para un modelo sin intercepto XY ,

    nkn

    k

    k

    XX

    XX

    XX

    X

    1

    221

    111

    y

    k

    1

    SCESCRSCT ncnc

    donde

    YY'1

    2

    n

    i

    inc YSCT (forma cuadrtica)

    YY '1

    2

    n

    i

    inc YSCR (forma cuadrtica)

    YX'X)X(X'IY 1

    '1

    2n

    i

    ii YYSCE (forma cuadrtica)

    consecuentemente

    n

    i

    ii

    n

    i

    i

    n

    i

    i YYYY1

    2

    1

    2

    1

    2

    (3) Coeficiente de determinacin 2R

    En el MRLC iikkii XXY 110 , en su forma matricial

    XY , es deseable tener alguna medida de que tan bien el modelo de

    Regresin realmente se ajusta a las observaciones.

    Se quiere responder:

    a) Qu tan bien el modelo propuesto, conteniendo las variables explicativas

    realmente explican las variaciones en la variable dependiente.

    b) Qu tan bien la lnea de regresin estimada se acerca a todas las observaciones

    juntas.

    Observacin:

    El paso (b) no es lo mismo que decir que la lnea de

    regresin estimada se acerca a la lnea de regresin

    poblacional porque sta ltima nunca es conocida.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 37

    Se define al estadstico de bondad de ajuste del modelo coeficiente de

    determinacin como SCT

    SCE

    SCT

    SCRR 12

    Y, al coeficiente de correlacin mltiple entre Y y Y como:

    SCT

    SCE

    SCT

    SCRR 1 .

    Valores de 2R cercanos a 1 indica que el modelo explica cercanamente toda la

    variabilidad de la variable dependiente alrededor de su valor.

    Valores de 2R cercanos a 0 indica que el modelo se ajusta a los datos pobremente.

    Como ilustracin graficamos los casos extremos en el modelo divariado:

    Y

    X

    02 RRepresentado por una

    l nea est imada l lana

    (pendiente igual a cero).

    12 RY

    X

    Cuando todos los puntos de

    los datos caen exactamente

    en la lnea estimada

    Propiedades de 2R

    a) 12 R

    b) Si el modelo tiene trmino independiente ( 00 ), entonces 2R se puede

    escribir como:

    2

    2

    2

    22

    '

    ''

    '

    ''

    YnYY

    YnXX

    YnYY

    YnYXR

    )(

    SCT

    SCR

    c) Si el modelo no tiene trmino independiente ( 00 ), entonces

    ncnc

    nc

    SCT

    SCE

    SCT

    SCRR 12 y puede tomar valores de 11 2 R el

    exponente al cuadrado es considerado simplemente rotacional).

    d) Cuando 02 R , entonces no tiene sentido el trmino

    2R .

    e) Para 02 R se considera que un modelo se ajusta bien a las observaciones si

    2R es cercano a 1.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 38

    (4) Problemas al utilizar 2R como bondad de ajuste

    2R es simple de calcular, intuitivo de entender y provee una amplia indicacin del

    ajuste del modelo a los datos.

    Sin embargo, existen algunos problemas con 2R al utilizarlo como medida de bondad

    de ajuste.

    a) 2R es definido en trminos de variacin acerca de la medida de Y tal que si el

    modelo es reparametrizado y se cambia la variable dependiente, 2R cambia

    aunque el segundo modelo slo sea un reordenamiento del primer modelo con

    idntica SCR . Por eso, 2R no es sensible a comparar modelos con diferentes

    variables dependientes.

    b) 2R nunca decrece si se agregan ms regresores al modelo aunque aunque la

    variable agregada no sea realmente relevante para el modelo. Esta

    caracterstica de 2R hace imposible utilizarlo como un determinante de si es

    que, dada una variable, debera o no incluirse en el modelo.

    c) Para regresiones con series de tiempo, con frecuencia, 2R toma valores de por

    lo menos 0.9 y por lo tanto, 2R no es bueno para discriminar entre stos

    modelos, ya que la mayora de stos tendrn valores altos de 2R .

    (5) Coeficiente de determinancin ajustado 2R como bondad de ajuste

    Para resolver el tem b) de los 3 problemas de 2R antes mencionados, se suele

    tomar en cuenta la falta de grados de libertad asociado con la adicin de variables al

    modelo.

    El 2R o

    2R ajustado es:

    )1(

    11 22 R

    kn

    nR

    Si se agrega un regresor extra al modelo, k se incrementa y 2R disminuir siempre,

    excepto en casos cuando 2R crezca compensatoriamente.

    Observacin: No se pueden hacer pruebas

    estadsticas con 2R y

    2R porque sus distribuciones de probabilidad no estn disponibles.

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 39

    (6) Coeficiente de correlacin r Es una medida de asociacin entre dos variables

    Poblacional Muestral

    22

    ),(

    YX

    YXCovr

    1

    )(

    1

    )(

    ))((

    1

    2

    1

    2

    1

    n

    YY

    n

    XX

    YYXX

    rn

    i

    i

    n

    i

    i

    n

    i

    ii

    donde 2Rr 10 r

    Propiedades

    a) Es simtrica pues YXXY rr .

    b) Si X y Y son estadsticamente independientes, el coeficiente de correlacin es

    cero.

    c) Si 0r , eso no implica independencia entre las variables.

    d) 2Rr es una medida de asociacin lineal, es decir, mide la asociacin

    lineal entre dos variables.

    e) A r tambin se le denomina coeficiente de correlacin de orden cero.

    (7) Coeficiente de correlacin de orden m Por orden se entiende el nmero de ndices secundarios, por ejemplo:

    4.12r Coeficiente de correlacin de orden 1 ( de primer orden).

    34.12r 2

    345.12r 3

    12r 0

    As, 34.12r es el coeficiente de correlacin entre 1X y 2X manteniendo

    constantes 3X y 4X .

    De forma similar se interpretan los dems coeficientes de orden m .

  • Econometra I VERANO - 2014-III EPIES-FIECS Msc. Magen Infante

    Magen Infante 40

    (8) Coeficiente de correlacin parcial

    Las correlaciones parciales son los coeficientes de correlacin de primer orden, por

    ejemplo:

    )1)(1( 2232

    13

    2313123.12

    rr

    rrrr

    )1)(1( 2132

    12

    1312231.23

    rr

    rrrr

    )1)(1( 2232

    12

    2312132.13

    rr

    rrrr

    IX. INFERENCIA ACERCA DE LOS ESTIMADORES EN EL MRLC