P. 1
Econometria_1

Econometria_1

|Views: 705|Likes:

More info:

Published by: Enrique Romero Dominguez on May 20, 2011
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

11/07/2012

pdf

text

original

INTRODUCCION A LA ECONOMETRIA

1.1 ¿Que es la Econometría?

Antes de comenzar a estudiar la econometría como área de estudio es preciso comprender que es lo que se entiende por econometría y los inicios de la misma. En pocas palabras, la econometría consiste en la aplicación estadística matemática a la información económica para dar soporte empírico a los modelos construidos por la economía y de ese modo obtener resultados significativos. Por tanto, es plausible señalar que la econometría nos sirve para: (a) Probar teorías económicas, vale decir, se busca examinar las relaciones que existen entre distintas variables explicativas y variables explicadas. Verbigracia, un fenómeno económico relevante generará teorías para explicar sus causas. (b) Pronosticar la economía, los econometristas al identificar relaciones entre variables en el tiempo, pueden predecir con diversos grados de exactitud los valores probables de éstas. (c) Diseñar políticas, se recomienda mediante estudios las políticas exactas para obtener resultados deseables en la economía. Ahora bien, es muy frecuente vincular la econometría con la economía como una relación unívoca y simbiótica porque la economía abastece y otorga a la econometría material para investigar, y la segunda devuelve investigaciones y proyecciones que son empleadas por la economía, lo que no quiere decir, que se necesitan mutuamente para existir, pero sí están altamente correlacionadas. De hecho, es posible encontrar conceptos como microeconometría y macroeconometría como subgrupos dentro de la econometría, siendo la primera la encargada o enfocada en cuestiones propias de la microeconomía (i.e., poniendo énfasis en las relaciones de ingresos y gastos, la función de Cobb-Douglas, ahorro y gasto, etc.) y la segunda en cuestiones propias de la macroeconomía vista desde la econometría aplicada (i.e., utilizando modelos de series temporales, analizando regresiones espurias, series estacionarias, etc.).

Sin embargo, tanto las categorías de aplicaciones mencionadas, como las vinculaciones efectuadas con la economía no son excluyentes ya que la econometría se puede utilizar para realizar estudios que no necesariamente sean económicos. De este modo, es posible encontrar estudios sobre la delincuencia, la salud, el comportamiento sexual, deportes, los negocios, las finanzas, ventas, etc.1 En definitiva, la econometría no es una herramienta con la que sólo tengamos que trabajar con índices económicos y series temporales, sino que es una herramienta que nos sirve para analizar distintos ámbitos que posteriormente se pueden utilizar no sólo para formar políticas públicas por un gobierno, también es dable la evaluación de las políticas públicas con distintas ecuaciones para dichos fines. Asimismo, es posible realizar estimaciones de ventas para algún negocio, proyectar las mismas ventas, explicar algunas relaciones que satisfagan al empresario para innovar en la producción del algún producto, etc. Por lo tanto, la utilización de la econometría tanto en el sector público como en el sector privado (si se desea analizar desde diferentes esferas por las regulaciones que puedan existir), por un lado, se transforma en un bagaje de alternativas para mejorar los índices de gobernabilidad y por el otro, otorga una ventaja para los negocios y aumentar las ventas. Por ejemplo, para crear políticas adecuadas el gobierno precisa conocer la influencia de ciertas variables en la conducta de los ciudadanos. En el caso de la delincuencia es posible formular políticas que busquen disminuir los índices de delincuencia si se encuentra que estos aumentan (o disminuyen) por variables como la educación, el desempleo u otras variables que no son únicamente económicas. Luego, con la misma herramienta dentro de su gama de opciones se podrá evaluar el impacto de las políticas públicas que se hayan implementado (en este caso en el área de la delincuencia). Análogamente, si se desea utilizar en el ámbito de los negocios, se podría establecer una relación entre el salario de los ejecutivos de una empresa y las ventas junto con el rendimiento de las acciones de la empresa. Especificación que podría generar una nueva estrategia en ventas, si los ejecutivos lo encontraran pertinente. Y al igual que en el caso de la delincuencia, los ejecutivos podrían establecer un nuevo modelo para analizar el impacto de la estrategia que se hubiese formulado, o se podrían encontrar errores en las regresiones. En suma, un punto relevante para trabajar con la econometría es desprenderse del paradigma sobre el área ocupación de la misma, es decir, dejar de pensar en la relación de la econometría con la economía como una relación absoluta. Si bien las distintas áreas de estudios que fueron mencionadas, son conocidas como economía del crimen, economía del deporte o economía de la salud, sus nombres solamente expresan una analogía con los supuestos básicos de la economía en relación al comportamiento del hombre, es decir, el
1

Si el alumno se interesa por las diversas áreas de investigación, podrá encontrar en la bibliografía complementaria una serie de documentos de investigación sobre diversos temas.

supuesto de la racionalidad del hombre que busca siempre más a menos, pero no implica otra cosa. De esa manera, el investigador cuenta con un abanico de oportunidades para proyectos, ya que lo que busca la econometría en esencia es la utilización de modelos empíricos para rechazar (o aceptar) una hipótesis teórica, pensando evidentemente en que la dificultad está en la construcción del modelo como también en la recolección de datos suficientes para realizar una regresión. Por último, es menester señala que la econometría se ha transformado en un poderoso aliado, pero no implica ser una disciplina mesiánica que sirva para explicar y comprender todas las relaciones que intentemos realizar; además como se verá, la econometría no se supone como un determinismo, de ahí la importancia de la estadística. 1.2 Metodología de la Econometría

Para ilustrar los pasos que se siguen al elaborar un modelo econométrico que tenga consecuencias prácticas, utilizaremos los casos de la economía de la delincuencia y economía de las finanzas como ejemplos guías: 1.- Planteamiento de la teoría o hipótesis: Se esboza una teoría que implique la utilización de variables que busquen encontrar una explicación hacia algún fenómeno o comportamiento particular del individuo. Por ejemplo, según Becker (1969) las personas se transforman en potenciales delincuentes al analizar el costo-beneficio de su contexto, tomando por consideración en el vector de beneficios los ingresos que recibiría por concepto de hurto (o robo), el placer (adrenalina o factores incuantificables), prestigio, y el tiempo (analizado desde el punto de vista del costo de oportunidad, es decir, cuanto dejo de ganar trabajando legalmente si comienzo a delinquir). Mientras que en el vector o grupo de costos, el sujeto tiene como variables el número de policías en las calles, la probabilidad de ser detenido, la cantidad de años en la cárcel en caso de ser detenido, y variables sicológicas como la conciencia, moral o ser denostado por sus pares2. Sin duda que es posible añadir un mayor número de variables o factores que puedan afectar la decisión para delinquir en la teoría presentada, pero se considera innecesario indicar más. Un punto que se debe debatir en relación a la teoría planteada es que los delincuentes (a priori) no realizan cálculos de costo-beneficio cuando deciden delinquir, sino que los realizan al estar influenciados por una serie de factores socio-económicos y sociodemográficos. Por lo tanto, una vez que el investigador haya delineado distintas tesis y antítesis y con ellas haya logrado complementar algunas teorías, podemos decir que el investigador está en posición de especificar un modelo que busque respaldar su teoría.
2

Para mayor interés sobre la economía de la delincuencia, se sugiere revisar la bibliografía complementaria.

Des. Esc) . X3. X2. podríamos expresar la siguiente función: y = f (X1. También es posible pensar en añadir variables dummy o cualitativas que indiquen categorías según el mes del año o el trimestre. es decir..Especificación del modelo matemático: Y = β 1 + β 2X donde: Y = Variable dependiente. X4. podemos llegar a similares conclusiones. NP. por su valor rezagado.Del mismo modo si pensamos en alguna otra relación. exógena β1 = Intersección o Intercepto β2 =Pendiente Esta relación puede escribirse como una función: y = f (X1. de una forma más precisa ID = f (MJH. es decir. podemos pensar en que las ventas pueden estar influenciadas de manera autorregresiva. Det. o por valores rezagados de variables cuantitativas. endógena X = Variable independiente. DI. X5. explicada. explicativa. Sin embargo. X6) ó si se desea. X2) En el caso de la delincuencia. o sea. tal como en la delincuencia hay factores que no podemos determinar o que no se están vinculando de manera 2. podemos postular en el área de negocios que las ventas están en función de la publicidad que se haga del producto en el mercado como también de los ingresos per cápita de sus consumidores (luego de un estudio de mercado). en la economía de la delincuencia.

porque como se habrá leído. Det = detenciones. Dicho término es una variable aleatoria o estocástica (i. ver = ventas rezagadas. Para dar cabida a relaciones inexactas entre variables. X2. NP = número de policías (contingente) y Esc = tasa de escolaridad. 3.1). Mientras que en el ejemplo de negocios podríamos expresarlo como sigue: y = f (X1. se puede apreciar µ. que se pueden cometer errores) que tiene propiedades probabilísticas definidas.1) En el caso de (1. se supone que existe una relación exacta o determinista entre las variables endógena y exógena. X4) o también como: Ve = f (INPC. Sin embargo.La función muestra una relación entre ID = índice de la delincuencia (tasa de delincuencia) con MJH = tasa mujeres jefas de hogar. Para la comprensión del alumno. Des = tasa de desempleo. Pre) Donde la función muestra una relación entre Ve = Ventas (de un empresa) con INPC = Ingreso per cápita de los consumidores. Pre = precios de los productos. se entenderá µ como un término que puede representar todos aquellos factores que afectan a alguna variable endógena.Especificación del modelo econométrico: la especificación matemática es de interés limitado para el econometrista. Pub = publicidad. X3. por ello es que se especifica un modelo econométrico.. ¿Es posible explicar de una forma determinista el índice de delincuencia o las ventas de un empresa? O dicho de otra manera ¿se pueden explicar en función de esas variables explicativas las variables regresadas exhaustivamente? Se puede pensar que existen muchas variables que no son medibles y que son del orden socio-mental y que pueden guardar relación con las ventas o con la delincuencia. las relaciones entre las variables son inexactas. Pub.e. . Ver. DI = distribución del ingreso. que es conocido como el término de perturbación o de error.. el econometrista modificará la función matemática o determinística y escribirá el modelo de la siguiente manera: Y = β1 + β2X +µ (1. pero que no son consideradas en el modelo de manera explícita.

si formulamos una relación sobre delincuencia: . es una parte medular dentro de la elaboración del modelo.) (1.g. vale decir. se podría agregar el estado civil. Por consiguiente. El alumno debe apreciar que no se están utilizando variables dummy o cualitativas y que podrían ser agregadas (e.). tasa desempleo.g. ahora podemos expresarlo del siguiente modo: Yrt = β1 + β2X2rt + β3δ3rt + β4ώ4rt + µrt Sean: Y: La tasa de denuncias por robo (o índice de delincuencia) X: Un vector de variables sociodemográficas (e.1).. o bien no se pueden recopilar por dificultad o simplemente no se ha pensado que puede tener alguna vinculación. etc. no por agregar más variables a un modelo econométrico éste será más preciso o más apreciado. Así. se calculan y encuentran los estimadores o parámetros. para reunir las variables que se deseen utilizar el modelo expresa una simplificación al emplearse vectores que incluyen todas las variables que comparten ciertas características. sería el estimar β1 y β2 de la ecuación (1.2) es que se ha agregado el término de perturbación estocástico puesto que como se mencionó anteriormente existen variables que pueden afectar el comportamiento delictivo de una persona y que no son medibles (variables de orden sicológica). En relación al caso de las ventas la especificación econométrica es similar. Por último. conociendo los parámetros es posible conocer cuánto influye la variación de X sobre Y. verbigracia en Chile no existen datos acerca de la tasa (o índice) de delincuencia. Esta etapa que algunas veces es despreciada porque se considera y se supone que la recolección de información es fácil y segura.. 5. Por ejemplo. religión. cantidad de policías. En el caso estudiado.Estimación del modelo econométrico: una vez se han recopilado los datos.Obtención de información: Es evidente que para estimar el modelo econométrico necesitamos obtener datos. a menudo este paso puede transformarse en una limitante para el modelo y también en algo engorroso por el tiempo que se necesita para recopilar información.. distribución ingreso) ώ: Variable relacionado con los costos de delinquir (e. como se verá más adelante. 4.Considerando nuestra relación matemática en relación al índice de delincuencia. por lo que se utiliza frecuentemente en investigaciones la tasa de denuncias (que es un dato negro).g.g.. ¿Qué pasa si no puedo encontrar los datos de alguna variable que se consideró importante para explicar algún fenómeno? En el tema de la delincuencia. Asimismo.2) Lo que se puede apreciar en (1. en cuanto a las variables explicativas: cantidad no implica calidad. mujeres jefas de hogar) δ: Un vector de variables socioeconómicas (e...

Punto crucial ya que se analiza si las variables y el modelo construido es significante o no. Ahora bien.3) nos permite realizar algunas afirmaciones sobre como algunas variables X escogidas afectan el comportamiento de Y.. .Prueba de hipótesis: suponiendo que el modelo ajustado es una aproximación razonable de la realidad.Yi = β1 + β2Esc + β3Det + β4MJH + µi Y lo que se estima es: Yi = β1 + -1. 7. 8. a saber: A) B) C) D) Especificar Estimación Inferencia Proyección 3 Esta metodología no representa un modo ni tampoco es una guía para realizar una investigación académica. se puede utilizar para predecir o proyectar el valor futuro de la variable en cuestión. se desarrollan criterios para encontrar si los valores estimados obtenidos en la ecuación concuerdan con las expectativas de la teoría. fines de control para poder realizar políticas públicas por un gobierno o la elección de políticas económicas..Fines del modelo: Uso del modelo con fines políticos.3) La estimación (1.. es posible resumir esta metodología de 8 pasos en sólo 4. es decir. por lo que etapa nos permite pronosticar o bien la media o un valor individual. es plausible entonces utilizarlo con fines de elaboración de política pública3.020 + β467. Si nuestro modelo es significante y podemos generar proyecciones.91 + µi (1. Tal confirmación o refutación de las teorías económicas con base en evidencia muestral está basada en lo conocido como inferencia estadística o prueba de hipótesis. 6.Proyección: Si el modelo confirma la hipótesis o la teoría.84Esc + β30. simplemente menciona los pasos básicos a seguir para “correr” un modelo y evaluar su impacto. Es de gran interés para algunos centros de investigación pronosticar algún fenómeno en particular.

nº 18. Molina. Schmidt.1968.pdf Economía del Deporte 1. Becker.pdf 4. 18 N.uchicago. Damodar.gov.edu/levitt/Papers/LevittUnderstandingWhyCrime2004. Madrid. Stefan. Working paper Series. Szymanski. Vol. Stephen. International Association of sports Economists.3 Referencias Bibliografía utilizada 1. http://pricetheory. http://www. O. Vol. Journal of Political Economy. 169-217. México D. pp. Núñez.” Journal of Economic Perspectives.uchile. Stephen.1. Beyer. (2004) “Estadística y econometría”. Rivera. (2005) “Econometría”.pdf . D. y Reagle.edu/departments/economics/RePEc/spe/Szymanski_Paradox. Villavicencio (2003). y Vergara. Concurso de Políticas Públicas de la Dirección de Asuntos Públicos de la Pontificia Universidad Católica de Chile. Evidencia desde un Panel de Datos de las Regiones de Chile.F. D. (1968). Gary. Bibliografía complementaria Economía del Crimen 1. H. y X.. 2. Editorial McGraw-Hill. Editorial Thompson. (2006) “Delincuencia en Chile: Determinantes y rol de las Políticas Públicas”. México D.unimagdeburg. http://www. J. Levitt.econ. Gujarati. (2005) “Introducción a la Econometría”.cl/public/Archivos/pub/001898cb-526c-41c7-a359-1844809fa80c.ww. 1. Wooldridge. “Determinantes Socioeconómicos y Demográficos del Crimen en Chile. Editorial McGraw-Hill. J. Editorial McGraw-Hill. Jeffrey.cl/1510/articles69857_recurso_1. Agosto 2006. http://www.pdf 3. Salvatore.”Estudios de Economía 30: 55-85. “Crime and Punishment: An Economic Approach”. 76. (2006) “Competitive Balance in Sports Leagues and the Paradox of Power”. 4.pdf 2.de/bizecon/material/becker.holycross. http://www. 3.subdere. “Understanding Why Crime Fell in the 1990s: Four Factors That Explain the Decline and Six That Do Not. R. (2004) “Econometría”. (2004).F. 163-90. Madrid. Vol.

O. Szymanski. Journal of Health Economics. Garcia.. Vol. 5. Working Paper Series. Vol. Knapp. (2006) “On the Edge of Your Seat: Demand for Football on Televisión and the Urcertainty of Outcome Hypothesis”. F.pdf 3.edu/departments/economics/RePEc/spe/GarciaSzymanski_Goal. Documentos FCE. Journal of Health Economics. (restringido) 4. nº 31. Working paper Series. Chen. 2. 93 N. Moscone. Stefan.edu/departments/economics/RePEc/spe/Andreff_NewPerspectives.pdf Economía de las Finanzas 1. G. 4.. J. 185-206. deberá contactarse con su Secretaría de Estudios para obtener una clave”. pp.fce. 95 N. pp. International Association of Sports Economists. 2. (2008) ”Bringing institutions into the health Economics”. Working paper Series. Vol. Wladimir.holycross. (2006) “New Perspectives in Sports Economics: A European View”. Qi. L. Vol. International Association of Sports Economists. nº 05. y Szymanski. 842-864. 2.edu/departments/economics/RePEc/spe/Szymanski-etal_Initiative.2. Y. Journal of Health Economics. Vol. P. . J. Chicaíza. M.pdf Economía de la Salud 1. (2007) “Mental Health Expediture in England: A Spatial Panel Approach”. http://www. 413-426. pp. L. pp. H (2009) “Mother’s Education and Child Health: Is there a Nurturing Effect?”. Andreff. Lisa. Tosetti. Journal of Financial Economics. Wald. Hale. 202-226.unal. (restringido) 2. (restringido) “Para poder descargar documentos de investigación (como los restringidos) en revistas electrónicas. nº 26. Journal of Financial Economics. Lozano. pp. y Santos.edu. Y. Universidad Nacional de Colombia. Vol. http://www. (2006) “Goal! Profit maximization and Win Maximization in Football leagues”. M. (2010) “Political Rights and the Cost of Debt”. (restringido) 2. García. International Association of sports Economists.holycross. (2009) “Do Banks Price Their Informational Monopoly?”. Vol. J.holycross. (2009) “Fast Food Costs and Adolescent Body Mass Index: Evidence from Panel Data”. 28 N. y Li. Roth. 26 N. 28 N. Powell. http://www.co/publicaciones/media/docs/DocChicaiza%20_EACP1. 963-970.pdf 4. Vol. http://www. (restringido) 3. S.

educación. desempleo. consideremos la dependencia del ejemplo que hemos señalado anteriormente en el capítulo anterior. es posible distinguir una dependencia de naturaleza estocástica. pero no la relación funcional o determinística propia de la física. ¿Por qué? Debido a que las variables explicativas no nos permiten predecir de manera exacta el índice de denuncias dada la existencia de los errores involucrados en la medición de estas variables y en rezón de otra serie de factores (otras variables no consideradas o no incluidas en el modelo) que afectan colectivamente el índice de denuncias de delincuencia.2. respecto a una o más variables ( las llamadas variables explicativas o exógenas). pero que dada su naturaleza son difíciles de identificar individualmente. miedo o variables proxy o no cuantificables. mujeres jefas de hogar. Por ejemplo.1 ANALISIS DE REGRESION Introducción El análisis de regresión trata del estudio de la dependencia de la variable dependiente. · Relaciones Estadísticas v/s Relaciones determinísticas: En el análisis de regresión nos interesa lo que se conoce como dependencia estadística entre las variables. · . nunca podrá establecer una conexión causal. o sea. Para mayor claridad. esto es. variables que tienen distribuciones de probabilidad. una relación de causa-efecto. con el propósito de estimar y/o predecir la media o valor poblacional de la variable dependiente. Y. En las relaciones estadísticas entre variables tratamos esencialmente con variables aleatorias o estocásticas.2. sin embargo. el índice de denuncias (en relación a la delincuencia obviamente). son conceptos muy distintos. una relación estadística no puede por si misma implicar en forma lógica una causalidad. a saber. · Regresión v/s causalidad: una relación estadística sin importar que tan fuerte y sugestiva sea. Analizando la dependencia del índice de denuncias respecto de variables como el ingreso. Regresión v/s correlación: es frecuente cometer un error con estos conceptos puesto que generalmente se piensa que describen lo mismo.

g. Como se podrá observar. · Avanzando paulatinamente en el estudio de la econometría. es posible mencionar 3 tipos de datos: a) Datos de corte transversal. se denotan con el subíndice i (e. se puede hablar de correlación entre el hábito de fumar y el cáncer al pulmón. en la regresión se trata de estimar o predecir el valor promedio de una variable sobre la base de valores fijos de otras variables. en la regresión las variables son asimétricas. Por otro lado.1 Estudiante 1 2 3 4 5 6 7 8 9 10 11 12 Calificación 100 70 65 40 90 20 85 72 48 67 59 35 Horas de estudio 16 15 16 10 13 8 14 13 9 12 10 8 .. En cambio. Tabla 2. el lector se podrá encontrar con distintos tipos de datos sobre los que se trabaja y con los que se formulan diversos modelos econométricos. las altas calificaciones en el colegio y las altas calificaciones en la universidad. la variable endógena Y es aleatoria y la variable explicativa X tiene valores fijos. ya que en la correlación las variables son simétricas. Xi ). la diferencia sustancial entre ambos conceptos radica en la simetría de las variables. Por ejemplo.El análisis de correlación tiene como objetivo medir la fuerza o grado de asociación entre variables (2 variables). Así. no hay diferencias entre explicativa y explicada. vale decir.

g. se escriben con el subíndice t (e.2 602.1 REGION V Detenciones 2120 2841 3485 4253 5470 7117 14326 9733 Detenciones 2102 2950 2903 3722 4454 7818 12212 10787 Año 1990 1992 1994 1996 1998 2000 2003 2006 Tasa de denuncias 284.3 780. Tabla 2.3 1.g.7 5.6 1720.2 Año 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 1990 1991 1992 Tasa renuncia 1. Xt ).3 1027.6 764.9 2.0 3.2 1.2 REGION VII Tasa de denuncias 321.6 2.4 1.2 Tasa de desempleo 6.2 1046.3 Detenciones 8546 10578 12259 14635 18279 26851 55723 44402 Año 1990 1992 1994 1996 1998 2000 2003 2006 Año 1990 1992 1994 1996 1998 2000 2003 2006 REGION VIII Año 1990 1992 1994 1996 1998 2000 2003 2006 Tasa de denuncias 658.6 1051.9 833...7 2102.8 5.6 c) Datos de panel (unión de datos de corte transversal y de serie de tiempo).8 506.2 438.4 581. estos datos se expresan como it (e.0 572.6 1778.5 2. al ser la unión de los tipos anteriores.5 775.3 3.6 3.2 3.0 4.3 425.4 1333.2 1721.7 2.1 1.8 401.3 1823.b) Datos de serie de tiempo.8 5.6 300.4 1.3 2.8 2.6 926.6 2027.8 5.7 619.0 769.3 5.7 1246.4 2223.4 . Xit ) REGION RM Tabla 2.2 354.5 1.6 6.4 Detenciones 987 1021 1174 1452 1901 2534 3189 3698 Tasa de denuncias 453.2 7.

2. A pesar de la variabilidad del gasto en consumo para cada grupo de ingreso. en promedio el consumo semanal se incrementa en la misma medida que el ingreso. por tanto. La información se resume en la siguiente tabla: Tabla 2. No obstante.2 Ideas básicas sobre regresión Como se ha descrito anteriormente. El siguiente gráfico muestra el promedio de cada grupo: . es posible vislumbrar 10 valores fijos de X y los correspondientes valores de Y para cada uno de los valores X. es posible que leyendo esa breve descripción no sea posible comprender. el análisis de regresión se relaciona esencialmente con la estimación de la media (de la población) o valor promedio de la variable dependiente. para verlo más claramente se toma el ejemplo de una población de 60 familias que se dividen en 10 grupos de ingresos (de 80 a 260) y se analiza cómo cambia su gasto en consumo dado su ingreso. medias condicionales de Y 80 55 60 65 70 75 325 65 100 65 70 74 80 85 88 462 77 120 79 84 90 94 98 445 89 140 80 93 95 103 108 113 115 707 101 160 102 107 110 116 118 125 678 113 180 110 115 120 130 135 140 750 125 200 220 120 135 136 137 140 140 144 152 145 157 160 162 685 1043 137 149 240 137 145 155 165 175 189 966 161 260 150 152 175 178 180 185 191 1211 173 De este modo.4 X Y Gasto de consumo familiar semanal Y Total E (Y/X).

es importante recalcar que la forma funcional de la FRP dependerá del estudio que se esté efectuando. Por tanto. si se supone que la relación entre X e Y es lineal se tiene la siguiente función lineal: E (Y/Xi) = β1 + β2Xi Donde β1 y β2 parámetros no conocidos pero fijos que se denominan coeficientes de regresión. . nos dice cómo la media o respuesta promedio de Y varía con X.Gasto de consumo familiar 200 E (Y/X) 150 100 50 80 100 120 140 160 180 200 220 240 260 Ingreso Semanal A estos valores medios los conocemos como los valores esperados condicionales en vista de que dependen de los valores dados a la variable X. E (Y/Xi) = f (Xi) función de regresión poblacional Esta función denota únicamente que el valor esperado de la distribución de Y dada Xi está relacionada funcionalmente con Xi.1 Concepto de Función de Regresión Poblacional (FRP) En el ejemplo dado cada media condicional E (Y/Xi) es función de Xi. A β1 se le conoce como el intercepto o intersección de la función en Y. mientras que β2 es conocido como la pendiente de regresión. Se anota en forma simbólica como E (Y/X). Así.2. 2. saber el nivel de ingreso nos permite predecir mejor el valor medio del gasto de consumo que si no supiéramos esa información. Es decir. Ahora bien. donde Xi es un valor dado de X.

Por ejemplo. se puede decir lo siguiente: 1) E (Y/Xi). el término de regresión lineal siempre significará una regresión que es lineal en los parámetros. ésta puede ser lineal o no serlo. a lo largo de la econometría.E (Y/Xi) Yi = E (Y/Xi) + µi (2.3 Especificación estocástica Se puede expresar la desviación de Yi individual alrededor de su valor esperado: µi = Yi . pero que no están (o pueden no estar) incluidas en el modelo. Se conoce como perturbación estocástica o término de error estocástico. Para las variables: una función de regresión E (Y/Xi) = β1 + β2Xi2 no es una función lineal porque la variable explicativa X aparece elevada a una potencia.2 Linealidad Para el estudio de la econometría podemos hablar de linealidad tanto en las variables como en los parámetros. En cuanto a la variable explicativa. Yi = E (Y/Xi) + µi Yi = β1 + β2Xi + µi (2.3) . Se puede decir que la perturbación estocástica representa todas las variables omitidas o ignoradas que puedan afectar a Y.2. la desviación µi es una variable aleatoria que toma valores positivos o negativos. el modelo: β1 + β2Xi3.1). E (Y/Xi) es una función lineal en los parámetros. que es el componente aleatorio. es un modelo de regresión lineal (en los parámetros). Entonces. los parámetros elevados a la potencia de uno). En definitiva. aludiendo al ejemplo del ingreso y el gasto semanal de una familia. los βi (vale decir. representa simplemente la media del gasto de consumo de todas las familias con el mismo nivel de ingreso. Este es el componente determinístico.2.2) Donde en (2. Lo lógico sobre linealidad en las variables sería esperar una regresión E (Y/X i) = β1 + β2Xi. En los parámetros: cuando la esperanza condicional de Y.2. y 2) Mientras que µi. los βi (y no en las Xi).1) (2. 2. dependerá de la especificación de investigador o lo que postule la teoría.

también puede suceder que no esté seguro sobre la variación que puede tener Y con la inclusión de una variable. como muestra la ecuación (2. Siempre va a existir un acervo de variables aleatorias que van a afectar la variable endógena o fenómeno que se intenta explicar. 3º Aleatoriedad en el comportamiento de las personas: No se puede conocer determinísticamente el comportamiento de algún sujeto en relación a alguna actividad. No se le puede pedir a un Banco Central que reduzca la oferta de dinero en un 20%. podemos hablar de problemas de la teoría que no dejan bien especificado la relación entre X e Y (ver paso 1 en metodología de la econometría). Así. 2º No se dispone de información cuantitativa de las variables explicativas: Se puede dar el caso en que el investigador no logre reunir los datos suficientes para satisfacer lo postulado en la teoría.4 Sobre la perturbación estocástica ¿Por qué no se introducen ciertas variables (no incluidas) en el modelo? ¿Por qué no se desarrolla un modelo con muchas variables que intenten explicar algún fenómeno interesante? La respuesta a estas preguntas tiene directa relación con el término de perturbación estocástica. En este sentido. En general. es difícil reflejar perfectamente la realidad a través de un modelo. El error estocástico puede englobar las siguientes situaciones: 1º Vaguedad de la teoría: Es posible que el investigador ignore la existencia de variables que afectan el comportamiento de Y. Asimismo. que pasarán a formar parte del error estocástico (ver paso 4 en metodología de la econometría). es por esa razón que el término de perturbación estocástica incluye todas aquellas variables insospechadas e impensadas. el proceso estimador no se ajustará perfectamente.2.Si se aplica valor esperado a (2. por lo que tendrá que dejar variables de lado.3): E (Y/Xi) = E [E (Y/Xi)] + E (µi /Xi) E (Y/Xi) = E (Y/Xi) + E (µi /Xi) E (µi /Xi) = 0 (2.1). .4) 2. es dable que no se pueda medir Y con exactitud y se manipulen variables proxy. tendiendo algunos puntos con valores mayores que Y. como también habrá otros puntos con valores más bajos. manteniendo todos los demás factores constantes y ver qué sucede después.

conceptualmente es análogo a µi y puede ser considerado un estimado de µi. Por tanto.5) (2. Debido a fluctuaciones muestrales pueden ser consideradas en el mejor de los casos sólo como una aproximación de la verdadera regresión poblacional (RP).6) (2.3 Estimación: función de regresión muestral (FRM) Concretamente la tarea de la FRM consiste en estimar la FRP con información muestral (por la dificultad de contar con alguna población o la imposibilidad misma de medirla).7) 1 + i 2 i X+ i Yi = i i - = Yi = Yi - i i 1 + 2 i X Muestra que los residuos son simplemente las diferencias entre los valores observados de y los valores estimados de Y. . símbolo Yi = 1 + 2Xi + i que se conoce como residuo muestral.2. La FRM se denota del siguiente modo: i = 1 + 2 i X Es posible notar . el objetivo principal es estimar la FRP: Yi = β1 + β2Xi + µi Yi = 1 + 2Xi + i En base en la FRM: Yi = (2.

3.1 Estimación: Criterio de Mínimos cuadrados El principio de mínimos cuadrados consiste en seleccionara la línea estimada. En general una línea estimada será mejor si produce residuales más pequeños.Como se quiere obtener una regresión muestral lo más cercana posible de la real.8) 1 Para calcular los estimadores (a) (∑ 1 i 2 y 2. Recordar: El residual no es lo mismo que el término de perturbación estocástico. diferenciamos parcialmente derivando (2. se busca que la suma de los residuos sea la menor posible. escogiendo una pendiente y un intercepto (en el caso de una X). 2. lo que buscamos es escoger la línea estimada que produce los residuales más pequeños. que tiene la suma más pequeña posible de los residuos cuadrados.2 ∑(Yi - 1 - 2 i) i X X = -2 ∑ iXi . recordemos la ecuación (2. el término de error es la distancia entre el punto de datos y la línea verdadera.7) y elevarla al cuadrado: ∑ ∑ i 2 = ∑ (Yi = ∑ (Yi - 2 i) i 2 1 + 2 2 i) X (2.8): i ) = . el intercepto y la pendiente. significará que está más cerca de los datos y que tenderá a la línea verdadera. el residual viene a ser la distancia entre el punto de datos y la línea estimada. Por tanto. Nunca conoceremos el valor del término de error porque tampoco conocemos β1 y β2. Min = ∑ i = ∑ (Yi i) Pero al realizar esta sumatoria se le está dando el mismo peso a todos los errores. Además algunos pueden ser negativos y otros positivos. provocando que la suma sea muy pequeña incluso si existe una gran dispersión de los errores en torno al valor observado.2 ∑(Yi - 1 - 2 i) X = -2 ∑ (b) (∑ 2 i 2 ) = . Para ello.

)2 .2 ∑ (Yi (b) .( - 2 2 2 2 2 )- 2 i X ]=0 X2 = 0 i 2 i i i i i Y .9) Ahora.) Xi . ∑X = n - 1 - 2 Xi =0 Por consiguiente: = 1 1 + - 2 = 2 (2.) = Xi - 2 i - 2 i i( i X.) = (Yi . se obtiene: (a) .) = (Yi .Xi + (Yi . aplicando (a) sobre (b) y dejando n-1: i [ Yi .Igualando a cero estas ecuaciones.2 ∑(Yi ∑ (Yi ∑ (Yi 1 - 2 Xi ) = 0 =0 / / -2 -2 1 2Xi)Xi (a) (b) 1 2 Xi ) = 0 =0 1 2Xi)Xi Aplicando método de los momentos: (a) (b) n-1 n-1 Yi i ( Yi 1 1 2 Xi ) =0 =0 - - 2 Xi ) Reordenando (a): ∑Y = n .

) = 2 Xi . Sucede lo mismo para ∑y.10) o (2. Dicho de otra manera. 2004. los valores estimados cambiarán. la precisión de un valor estimado es medida por su varianza. 2. véase Damodar Gujarati. puesto que es probable que los datos cambien entre una muestra y otra. En estadística. lo que se requiere es alguna medida de confiabilidad o precisión de los estimadores β1 y β2.10) ∑xi2 También se tiene por arreglo: ∑ 2 = n ∑ XY . 4 . se quiere saber algo sobre la variabilidad muestral de estos estimadores.9) y (2. y representa la sumatoria de los Xi menos su promedio.11) pueden obtenerse de la siguiente manera: Var (β2) = 1 * σ2 ∑xi2 Recordar que a ∑x se conoce como x en desvío. notaremos que los mínimos cuadrados estimados son función de los datos muestrales.9) y (2.3.i . Las varianzas y los errores estándar de los parámetros estimados dados en (2. 5 Para mayor información. o su error estándar (standard error: se) que son las raíces cuadradas de las varianzas.(∑X)2 (2.)2 4 ∑ 2 = ∑xiyi (2. es decir. son variables aleatorias que sus valores cambiarán en función de cada muestra.10).∑X∑Y n ∑X2 . en consecuencia.)(Yi .2 Precisión de los estimadores Si nos detenemos a observar las ecuaciones (2. Por consiguiente.11) Estos estimadores se conocen como estimadores de Mínimos cuadrados y presentan algunas propiedades numéricas: i) Los estimadores MCO están expresados en términos de las cantidades observables ii) Son estimadores puntuales. proporcionan un solo valor del parámetro poblacional5.

también es posible apreciar que ∑ i2 = SRC. Al ordenar la varianza homocedástica para el caso de la regresión lineal. y donde σ2 es la varianza homocedástica del término de perturbación estocástica. podemos expresarla como: 2 = SRC (n-2) (2.13) (2.17) 2. todos los valores son fáciles de calcular. Se encuentra entre 0 y 1. sabemos que: (2.14) 2 2 ee (β1) = ∑X2 * σ2 n∑xi2 ee(β1) = Var(β1) (2.12) ee (β2) = Var(β2) (2.16) (n-k) Donde 2 es el estimador de MCO de la verdadera σ2 aunque desconocida y donde la expresión (n-k) es conocida como el número de grados de libertad (g de l). es decir que no la conocemos. Para encontrar la bondad de ajuste.18) 6 La varianza precisa el uso de la sumatoria de los valores totales y los valores en desvíos de X.15) Las notaciones Var y ee significan.Var (β2) = σ2 ∑xi2 ee (β2) = σ ∑xi2 Var(β1) = ∑X * σ n∑xi2 6 (2. Una vez conocida la σ2 (valor constante). No obstante. mejor será el R2. .4 Bondad de Ajuste Se denota por R2 y dice que proporción de la variación en la variable dependiente está siendo explicada por la variable explicativa. σ2 es la varianza poblacional. varianza y errores estándar respectivamente. Entre más cercano a 1. por esa razón es que la misma σ2 es estimada mediante la fórmula: 2 =∑ i 2 (2.

)2 (2. se puede demostrar que la variación total en la variable dependiente (y) puede ser expresada en términos de la variación explicada y la variación no explicada. mide la proporción o el porcentaje de la variación total en Y explicada por el modelo de regresión.)2 (2. Dicho de otra manera.∑ (Yi . se si le presenta la siguiente regresión lineal simple: 7 Como podrá notar.21) ∑ (Yi . Por ejemplo. Se define como coeficiente de determinación R2: R2 = SEC STC De manera análoga: R2 = 1 .)2 + ∑ 2 i 2 (2.) = ∑ ( ∑ yi = ∑ + ∑ i i . en (2.)+∑ i Elevando (2.12) se muestra Y en desvíos.18) al cuadrado7: ∑ (Yi .)2 = ∑ ( ∑ yi2 = ∑ 2 i . .SRC = 1 . indica el porcentaje de la variación total de la variable dependiente que es explicada por la variable independiente y por lo tanto es una medida de la bondad del ajuste de los modelos econométricos.∑ STC i 2 2 = ∑( i .19) +∑ i Las magnitudes de (2.19) se definen como: STC = SEC + SRC donde: STC = Suma total de cuadrados SEC = Suma explicada de cuadrados SRC = Suma residual de cuadrados De este modo.) El R2 o la cantidad de R2 que se conoce como el coeficiente de determinación.20) ∑ (Yi .

0012) (0.039) R2 = 0.85 ¿Qué se puede decir al respecto de este modelo? La respuesta es sucinta. Este método gráfico es conocido como los diagramas de Ballentine. Luego de utilizar un paquete estadístico se obtienen los siguientes resultados: Salarioi = 7. el modelo dejar de ser regular/bueno.4. se esperaría que una persona (Xi) con un mayor nivel de educación dentro de la empresa debiese obtener un mejor salario.15 Educacióni + µi (0. Si el coeficiente fuese menor que 0. el modelo presenta un alto coeficiente de determinación lo que indica que la variable explicativa explica de buena forma la variación de la variable dependiente. Ballentine desarrolló una novedosa forma de enseñar la proporción en que Y es explicada por X. (a) (b) (c) .Salarioi = β1 + β2Educacióni + µi La regresión intenta analizar la relación entre salario y educación en una empresa. Para entender la bondad de ajuste de una forma más precisa. es decir.85 + 3.

2º Sus límites son 0 2 r 1. 4º Homocedasticidad: dado el valor de X. Un R de 0 significa que no hay relación alguna entre la variable explicativa X e Y.4). Es decir. la varianza de µi.5 Modelo Clásico de Regresión Lineal (MCRL) o Modelo Econométrico 1º El modelo de regresión es lineal en los parámetros: Yi = β1 + β2Xi + µi 2º Los valores de X son fijos en muestreo repetido. es la misma para todas las observaciones. 2. si el cálculo de R2 entrega resultados negativos es porque algún error se ha cometido. ya sea en los números calculados anteriormente o en la fórmula. en el (a). 3º El valor medio de la perturbación µi es igual a cero. las varianzas condicionales de µi son idénticas. R2 = 0. Un R2 de 1 significa un ajuste perfecto. la imagen (d) muestra un R2 = 1. Es importante saber propiedades sustanciales sobre el coeficiente de determinación o la bondad del ajuste del modelo: 1º El coeficiente es una cantidad no negativa.22) . el valor de la media condicional de µi es cero: E (µi/Xi) = 0 El alumno puede evaluar este punto revisando la ecuación (2. es decir. simbólicamente: Var (µi/Xi) = E [µi – E (µi)/Xi]2 Var (µi/Xi) = E (µi2/Xi) Var (µi/Xi) = σ2 E (µi2) = σ2 (2. Más técnicamente X se supone no estocástica (ver ejemplo sobre ingresos y gasto semanal por familia).(d) Es posible apreciar las distintas proporciones en que X explica a Y. i = Yi para cada i. mientras que en el lado contrario. Esto es. por tanto.

el valor verdadero del parámetro que se estima. µj/ Xi . el parámetro es insesgado si E ( ) = β. Xj) = 0 6º El modelo tiene que estar correctamente especificado. los estimadores MCO tienen las propiedades que se mencionan a continuación: a) Son Insesgados: un estimador es no sesgado si su valor esperado es igual a β. 2. A contrario sensu. . son estimadores Eficientes. existen situaciones en la que la varianza es dispersa o heterocedástica 8. Var (µi/Xi) = σi2 El subíndice indica que la varianza ya no es constante para cada observación. es decir. Asimismo. no hay relaciones lineales entre las variables explicativas9. supone una correcta especificación funcional del modelo. 5º autocorrelación entre las perturbaciones. µj/ Xi . De lo contrario el parámetro será sesgado. Por consiguiente. 8 9 Véase el capítulo 6 Ibíd. esto implica que no existan errores con la inclusión de variables o la exclusión de variables por lo engorroso del proceso o por experimentar. b) Tienen Varianza Mínima. Es decir. Xj) = E (µi/ Xi) (µj/ Xj) Cov (µi . 7º No hay multicolinealidad perfecta. la correlación entre µi y µj es cero: Xi y Xj (donde i Cov (µi . sean j). µj/ Xi . Xj) = E {[ µi – E (µi)]/ Xi} {[ µj – E (µj)]/ Xj} Cov (µi . Dados dos valores cualesquiera de X.6 Propiedades de los estimadores MCO Si se supone que µi sigue la distribución normal.Se establece que la varianza µi para cada Xi es algún número positivo constante igual a σ2.

la diferencia entre el valor estimado y el valor verdadero de β disminuye también arbitrariamente. los estimadores convergen hacia sus verdaderos valores poblacionales.) -17 -13 -11 -9 -5 1 3 11 17 23 ∑yi = 0 (Xi . para ello tenemos: 2= ∑xiyi ∑xi 2 2 = 956 576 1.c) Son consistentes.. De no ser así. los estimadores son inconsistentes (véase el apéndice). 2. si conforme la muestra de datos crece arbitrariamente. Calcular los parámetros para poder establecer la ecuación de la regresión entre el Maíz (variable Y) y el Fertilizante (variable X): Tabla 2.5 Yi 40 44 46 48 52 58 60 68 74 80 ∑Yi = 570 = 57 Xi 6 10 12 14 16 18 22 24 26 32 ∑Xi = 180 = 18 (Yi . es decir. Paso 2.7 Ejercicios resueltos y propuestos Ejercicios Resueltos: 1. A medida que el tamaño de la muestra aumenta indefinidamente.66 Recordando que: . calcular los valores de las variables en desvíos (y posteriormente las otras columnas) por lo que es necesario calcular en primer lugar los promedios tanto de la variable explicativa como explicada.Se debe calcular β2..) -12 -8 -6 -4 -2 0 4 6 8 14 ∑ xi = 0 xiyi 204 104 66 36 10 0 12 66 136 322 ∑xiyi = 956 xi 2 144 64 36 16 4 0 16 36 64 196 2 ∑xi = 576 Paso 1. Es decir.Se debe calcular lo que esté en rojo.

(∑X)2 Se obtiene: 10 * 11216 – 570 * 180 10 *3816 .66) * (18) = 57 – 29.32400 = 9560 5760 1.∑X∑Y N ∑X2 . ¿Qué papel desempeña el término error estocástico µi en el análisis de regresión? ¿Cuál es la diferencia entre el término de error estocástico y el error residual? Un modelo de regresión nunca va a poder ser un completo reflejo de la realidad. es decir.. no puede describir la realidad en su magnitud.66Xi + µi 2. reemplazando en: 1 = - 2 1= 57 – (1.. en la mayoría de las situaciones nos encontramos con una muestra de observaciones obtenida desde la población y el investigador intenta aprender algo acerca de la población a partir de la muestra obtenida.2= N ∑ XY .12 Paso 4. 3. ¿Qué se quiere dar a entender como un modelo de regresión lineal? . se obtiene la siguiente regresión estimada: = 27.66 Paso 3. ¿Cuál es la función de expectativa condicional o función de regresión poblacional? Nos dice como la media o el promedio de la sub-población de Y responde a una variación de los valores fijos de la variables explicativas.Entonces. el segundo es un estimador del primero.Luego.88 = 27. 5. ¿Cuál es la diferencia entre la FRP y la FRM? ¿se trata de distintos nombres para la misma función? La diferencia entre la función de regresión poblacional y la muestral es muy importante. 4.12 – 1.

la transformación se conoce como una transformación logit.Un modelo que es lineal es los parámetros. En el caso (b). 7. o en las variables. encontramos ln Yi = β1 + β2Xi + µi. siempre se estará haciendo referencia a los parámetros. Sin embargo si hacemos que α = ln β1. Se debe comprender que cuando hablamos de linealidad en econometría. (b). Determínese si los siguientes modelos son lineales en los parámetros. donde el modelo se transforma a una regresión lineal. 6. es necesario recordar lo que se comprende por regresión lineal.β2 + µi Para responder a esta pregunta. puede ser o no ser lineal en las variables.75 – β1)e – β2(Xi -2) + µi e) Yi = β1 + β23Xi + µi En (a) tomando el logaritmo natural. Cuando se habla de linealidad nos referimos a los parámetros y no a las variables explicativas o explicadas. Mientras que el modelo de la letra (d) no es lineal. (c) y (e) son modelos de regresión lineal. Por tanto. o en ambos ¿Cuáles de estos modelos son de regresión lineal? Modelo a) Yi = β1 + β2 + µi Tipo descriptivo Recíproco Semilogarítmico Semilogarítmico inverso Logarítmico o doble logarítmico Logarítmico recíproco b) Yi = β1 + β2 ln Xi + µi c) ln Yi = β1 + β2Xi + µi d) ln Yi = ln β1 + β2 ln Xi + µi e) ln Yi = β1 . entre los modelos presentados es posible señalar que los modelos (a). ¡son modelos de regresión lineal? ¿Por qué razón? a) Yi = eβ1 + β2Xiµi b) Yi = 1 1 + eβ1 + β2Xi + µi c) ln Yi = β1 + β2 + µi d) Yi = β1 + (0. entonces el modelo también es lineal. Los siguientes. moldeando el modelo (b) en un modelo de regresión lineal: .

Si en el modelo (d) del ejercicio anterior.03 ∑MtYt= 295.95 a) Especifique un modelo lineal que represente la teoría de que la cantidad de dinero determina la renta nacional del país. Se nos solicita que se especifiquemos un modelo en donde la cantidad de dinero determina la renta nacional del país. Se dispone de los siguientes datos anuales desde 1963 a 1972 sobre la cantidad de dinero Mt . es un modelo no lineal ya que la pendiente está elevada a una potencia. por tanto podemos identificar la variable explicada y la explicativa: Yt = f (Mt) Es decir. dado que e-0.ln [(1 . y la renta nacional de un país Yt. ¿sería un modelo de regresión lineal o no lineal? Un modelo que puede ser lineal en los parámetros es llamado como modelo de regresión intrínsecamente lineal. donde utilizando un poco de matemática se logra satisfacer la linealidad en los parámetros. ¿Qué se entiende por un modelo de regresión intrínsecamente lineal? Si en el ejercicio 6d). En cambio.8. Un caso de estos tipos de modelos es el (a) del ejercicio anterior. postulamos que la renta nacional está en función de la cantidad de dinero.8. 9. Lo mismo sucede con el modelo (e). entonces.2 ∑Yt = 75. 8. β2 valiera 0. en millones de unidades monetarias que se resume en: ∑Mt = 37. econométricamente: Yt = 1 + 2Mt + µt . el modelo (d) es un modelo de regresión no lineal (en los parámetros). es decir.Yi)/ Yi] = β1 + β2Xi + µi En relación al modelo presentado en (c) es posible vislumbrar que se trata de un modelo de regresión lineal ya que es lineal en los parámetros (no es lineal en los parámetros).18 ∑Yt2= 597.8(X-2) puede ser desarrollado fácilmente. el modelo se convertiría en una regresión lineal. la pendiente β2 fuera 0.5 ∑Mt2 = 147.

72 Analizando los datos que nos son entregados.03 – [570.[10 * (7.(37. lo primero que debemos hacer es observar el enunciado y notar que n =10. SCR.18 Entonces.95 .11) para calcular la pendiente de la regresión: 2 = 10 * 295.5/10 = 7.5 10 * 147.)2 Entonces.9): 1 1 = 7.714Mt + µt c) Calcule la suma de cuadrados explicada. esto es: = 75.2/10 = 3. y la suma de cuadrados residual. de la regresión.714 Ahora procedemos a calcular el intercepto.55 – (1.18 + 1. recordando (2. reemplazando los datos: STC = 597.025] STC = 27.72) = 1.b) Calcule las estimaciones de los parámetros a partir de la muestra inicial. lo que nos permite calcular los promedios de las variables.005 Siendo SEC: ∑Y2 – n( )2 .37. SCE. la regresión la podemos expresar como: Yt = 1.55 = 37.2 * 75.03 .18 . Recordemos que STC = SEC + SRC Siendo STC: STC = ∑yi2 = ∑ (Yi . se debe emplear la fórmula (2.2)2 2 = 1.55)2] STC = 597. ¿Cuál es la interpretación del término constante y de la pendiente de la recta de regresión? En este caso.714* 3.

72)2] SEC = 2.49075 .005 – 25. tenemos: SRC = 27.8] SEC = 25.1.957 STC 27.714)2 * [147.18 – (10 * (3. Interprete su significado. si ordenamos SRC = STC – SEC.18) Var ( 1) = 147.155 = 0.144 Reemplazando en (2.144 10 * 8.n( )2 Por tanto: SEC = (1.24084 ee ( 1) = 0.17) y (2.SEC = ∑ i 2 = ∑ ( i .005 2 2 R = 1 – SRC R = 1 .155/(10-2) = 0.155 d) Calcule el R2 de la regresión.18 * 0.85 SRC = 1.85 Luego.9377 * [8.85 = 0.8 Var ( 1) = 0.957 STC 27.005 e) Calcule e intérprete los errores estándar de los parámetros En primera instancia necesitamos calcular la varianza homocedástica de µ: 2 =∑ 2 ∑ 2 = SRC (n-k) 2 =1.)2 2 2 *∑xi2 2 2 *∑X2 . R2 = SEC R2 = 25.

75) = 22.35 .8 Var ( 2) = 0.75 – (4.144 8.245 * 5. Lo primero que debemos hacer es calcular la pendiente.245 Para calcular el intercepto se requiere contar con los promedios de las variables: = 561/12 = 46. para el período Enero 2004 a Diciembre 2004. Si se observa detenidamente el enunciado. 2 = 80.9): 1 1 = 46.11): 2 = 12 * 3541 – 69 * 561 12 * 471 .12792 10. 3764 ∑Xi = 69 ∑Xi2 = 471 ∑Yi = 561 ∑XiYi = 3541 a) Calcular la ecuación estimada del modelo Por ecuación estimada entendemos calcular los estimadores de la regresión que en este caso. reemplazamos en (2.01636 ee ( 2) = 0. tenemos que calcular solamente dos parámetros. Los siguientes datos corresponden a una estimación de los Ingresos por ventas de una empresa (Y) y el Número de vendedores (X).75 = 69/12 = 5. se podrá apreciar que se entrega (n = 12). sin embargo nos falta el número de observaciones.75 Con la estimación de la pendiente y los promedios reemplazamos en (2. Una vez con todos los datos suficientes.Var ( 2) = 0. al tener una variable explicativa. Ambos expresados en miles de pesos.(69)2 2 = 4.

lo que nos permite calcular SEC y posteriormente nos permitirá calcular STC. por lo que no es posible calcularla.75)2] SEC = 18.SRC STC Y se cuenta con 2 = 80. . por lo que se obtiene: SRC = 80. tenemos la oportunidad de emplear las dos fórmulas de R2: R2 = 1337.25 SEC = 1337.985 2141. lo que podemos denominar como un ajuste regular.985 De esta.764 En cuanto a STC. no tenemos ∑Yi2 .985 + 803.3764 y [(n-k) = (12 -2 = 10)].n( )2 SEC = (4.749 Por consiguiente.749 = 0. Sea: SEC = 2 2 *∑X2 .764 STC = 2141.245)2 * [471 – 12(5.3764 * 10 SRC = 803.020 * 74.b) Calcule el coeficiente de determinación. Interprete Recordando que: 2 = SRC (n-k) y R2 = 1 .62 = 62 % Este coeficiente de determinación nos está diciendo que la variable X explica en un 62% la variación de la variable Y. pero si contamos con ∑Xi2. manera podemos calcular STC: STC = SEC + SRC STC = 1337.

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->