Econometría básica Aplicada con Gretl

Mª Victoria Esteban González
M. Paz Moral Zuazo
Susan Orbe Mandaluniz
Marta Regúlez Castillo
Ainhoa Zarraga Alonso
Marian Zubia Zubiaurre
08-09
ISBN: 978-84-692-4355-8
Econometr´ıa B´asica Aplicada con Gretl
Autores:
M. Victoria Esteban
M. Paz Moral
Susan Orbe
Marta Reg´ ulez
Ainhoa Zarraga
Marian Zubia
Departamento de Econom´ıa Aplicada III. Econometr´ıa y Estad´ıstica
Facultad de Ciencias Econ´omicas y Empresariales
Universidad del Pa´ıs Vasco/Euskal Herriko Unibertsitatea
2
Contenido
1. Gretl y la Econometr´ıa 1
1.1. Introducci´on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2. ¿Qu´e es la Econometr´ıa? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2.1. ¿Para qu´e sirve la Econometr´ıa? . . . . . . . . . . . . . . . . . . . . . . . 3
1.3. Un estudio econom´etrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.4. Los datos y su manejo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4.1. Fuentes de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.4.2. El software econom´etrico . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.5. Introducci´on a Gretl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.5.1. An´alisis descriptivo de una variable . . . . . . . . . . . . . . . . . . . . . . 13
1.5.2. Relaciones entre variables . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.6. Ejercicio para practicar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2. Modelo de Regresi´on Lineal Simple 23
2.1. Introducci´on. Un ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. Elementos del modelo de regresi´on simple . . . . . . . . . . . . . . . . . . . . . . 25
2.3. Hip´otesis b´asicas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3.1. Resumen: modelo de regresi´on lineal simple con hip´otesis b´asicas . . . . . 30
2.4. Estimaci´on por M´ınimos Cuadrados Ordinarios . . . . . . . . . . . . . . . . . . . 30
2.4.1. El criterio de estimaci´on m´ınimo-cuadr´atico . . . . . . . . . . . . . . . . . 32
2.4.2. Propiedades de los estimadores MCO . . . . . . . . . . . . . . . . . . . . 33
2.4.3. La estimaci´on MCO en Gretl . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.4.4. Propiedades de la recta m´ınimo-cuadr´atica . . . . . . . . . . . . . . . . . 36
2.4.5. La precisi´on de la estimaci´on y la bondad del ajuste . . . . . . . . . . . . 38
2.5. Contrastes de hip´otesis e intervalos de confianza . . . . . . . . . . . . . . . . . . 41
2.5.1. Contrastes de hip´otesis sobre β . . . . . . . . . . . . . . . . . . . . . . . . 41
i
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
2.5.2. Intervalos de confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
2.6. Resumen. Presentaci´on de los resultados . . . . . . . . . . . . . . . . . . . . . . . 45
2.7. Ejercicios para practicar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
3. Modelo de Regresi´on Lineal M´ ultiple 49
3.1. Introducci´on. Un ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.2. Estimaci´on de M´ınimos Cuadrados Ordinarios utilizando Gretl . . . . . . . . . . 51
3.3. An´alisis de los resultados mostrados . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.3.1. Coeficientes estimados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
3.3.2. Desviaciones t´ıpicas e intervalos de confianza . . . . . . . . . . . . . . . . 58
3.3.3. Significatividad individual y conjunta . . . . . . . . . . . . . . . . . . . . 61
3.4. Bondad de ajuste y selecci´on de modelos . . . . . . . . . . . . . . . . . . . . . . . 65
3.5. Ejercicios para practicar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4. Contrastes de restricciones lineales y predicci´on 73
4.1. Contrastes de restricciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.2. Contrastes utilizando Gretl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.3. Estimaci´on bajo restricciones lineales . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.4. Estad´ısticos equivalentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4.5. Predicci´on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4.6. Ejercicios para practicar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
5. Errores de especificaci´on en la elecci´on de los regresores 95
5.1. Introducci´on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
5.2. Efectos de omisi´on de variables relevantes . . . . . . . . . . . . . . . . . . . . . . 96
5.3. Efectos de inclusi´on de variables irrelevantes . . . . . . . . . . . . . . . . . . . . . 101
5.4. Ejercicios para practicar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
6. Multicolinealidad 109
6.1. Multicolinealidad perfecta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6.2. Multicolinealidad de grado alto . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
6.3. Ejercicios para practicar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
7. Variables Cualitativas 123
7.1. Introducci´on. Un ejemplo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.2. Modelo con una variable cualitativa . . . . . . . . . . . . . . . . . . . . . . . . . 123
7.2.1. Incorporaci´on de variables cuantitativas . . . . . . . . . . . . . . . . . . . 128
ii
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
7.3. Modelo con dos o m´as variables cualitativas . . . . . . . . . . . . . . . . . . . . . 132
7.3.1. Varias categor´ıas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
7.3.2. Varios conjuntos de variables ficticias . . . . . . . . . . . . . . . . . . . . 134
7.4. Contraste de cambio estructural . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
7.4.1. Cambio estructural utilizando variables ficticias . . . . . . . . . . . . . . . 138
7.5. Ejercicios para practicar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Ap´endice A 145
A.1. Repaso de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
A.1.1. Una variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
A.1.2. Dos o m´as variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.1.3. Algunas distribuciones de probabilidad . . . . . . . . . . . . . . . . . . . . 152
A.2. Repaso de inferencia estad´ıstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
A.2.1. Estimaci´on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
A.2.2. Contraste de hip´otesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
Ap´endice B 167
B.1. Otros recursos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Bibliograf´ıa 171
iii
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
iv
Figuras
1.1. Diagrama de dispersi´on superficie-precio de pisos . . . . . . . . . . . . . . . . . . 3
1.2. Pantalla inicial de Gretl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3. A˜ nadir datos: hoja de c´alculo de Gretl . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4. Fin de carga de datos con hoja de c´alculo . . . . . . . . . . . . . . . . . . . . . . 11
1.5. Fichero con datos de tres variables . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.6. Cuadro de descripci´on de variables . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.7. Fichero con descripci´on de variables . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.8. Histograma de frecuencias relativas . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.9. Iconos de la sesi´on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.10. Tipos de asimetr´ıa . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.11. Diagrama de dispersi´on superficie-precios (2) . . . . . . . . . . . . . . . . . . . . 19
1.12. Diagramas de dispersi´on . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.1. Selecci´on de un fichero de muestra . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2. Diagrama de dispersi´on precio-superficie de viviendas . . . . . . . . . . . . . . . . 24
2.3. Precio de los pisos de Bilbao versus superficie habitable . . . . . . . . . . . . . . 27
2.4. Modelo Y
i
= α +β 5 +u
i
, con S
2
X
= 0 . . . . . . . . . . . . . . . . . . . . . . 28
2.5. Ejemplos de realizaciones de u . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.6. Ejemplos de distribuci´on de Y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.7. Modelo de regresi´on simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.8. Funci´on de regresi´on poblacional y funci´on de regresi´on muestral . . . . . . . . . 32
2.9. Ventana de especificaci´on del modelo lineal . . . . . . . . . . . . . . . . . . . . . 34
2.10. Ventana de resultados de estimaci´on MCO . . . . . . . . . . . . . . . . . . . . . . 34
2.11. Ventana de iconos: recuperar resultados estimaci´on . . . . . . . . . . . . . . . . . 35
2.12. Gr´aficos de resultados de regresi´on MCO . . . . . . . . . . . . . . . . . . . . . . . 36
2.13. Residuos MCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2.14. Criterio de decisi´on del contraste de significatividad individual . . . . . . . . . . 42
v
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
3.1. Gr´afico de residuos por n´ umero de observaci´ on . . . . . . . . . . . . . . . . . . . 53
3.2. Gr´afico de residuos contra la variable F2 . . . . . . . . . . . . . . . . . . . . . . . 54
3.3. Gr´afico de la variable estimada y observada por n´ umero de observaci´on . . . . . 54
3.4. Gr´afico de la variable estimada y observada contra F2 . . . . . . . . . . . . . . . 55
5.1. Gr´afico de los residuos del Modelo (5.2) por observaci´on . . . . . . . . . . . . . . 99
5.2. Gr´afico de los residuos del Modelo (5.2) sobre F2 . . . . . . . . . . . . . . . . . . 100
5.3. Gr´aficos de los residuos del Modelo (5.1) sobre observaci´on y sobre F2 . . . . . . 102
7.1. Cambio en ordenada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
7.2. Cambio en ordenada y en pendiente . . . . . . . . . . . . . . . . . . . . . . . . . 131
A.3. La funci´on de densidad normal y el histograma . . . . . . . . . . . . . . . . . . . 146
A.4. Ejemplos de distribuci´on normal . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
A.5. Simulaci´on 1: histograma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
A.6. Distribuci´on normal bivariante . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
A.7. Funci´on de densidad de la distribuci´on Chi-cuadrado . . . . . . . . . . . . . . . . 152
A.8. Funci´on de densidad de la distribuci´on F-Snedecor . . . . . . . . . . . . . . . . . 153
A.9. Funci´on de densidad de la distribuci´on t-Student . . . . . . . . . . . . . . . . . . 153
A.10.Sesgo y varianza de estimadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
A.11.Ejemplos de distribuci´on de estimadores . . . . . . . . . . . . . . . . . . . . . . . 157
A.12.Ejemplo 1: Resultado y distribuci´on del estad´ıstico bajo H
0
. . . . . . . . . . . . 160
A.13.Ejemplo 2: Resultado y distribuci´on del estad´ıstico bajo H
0
. . . . . . . . . . . . 163
A.14.Ejemplo 3: Resultado y distribuci´on del estad´ıstico bajo H
0
. . . . . . . . . . . . 165
vi
Tablas
1.1. Datos sobre precio de vivienda ocupada . . . . . . . . . . . . . . . . . . . . . . . 2
1.2. Distribuci´on de frecuencias del precio de 50 pisos . . . . . . . . . . . . . . . . . . 15
1.3. Estad´ısticos descriptivos del precio de 50 pisos . . . . . . . . . . . . . . . . . . . 15
1.4. Estad´ısticos descriptivos del conjunto de datos . . . . . . . . . . . . . . . . . . . 18
1.5. Matriz de coeficientes de correlaci´on . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.1. Conjunto de datos incluidos en data3.1 House prices and sqft . . . . . . . . . . . 24
2.2. Residuos de la regresi´on MCO. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3. Estad´ısticos descriptivos de variables de la FRM . . . . . . . . . . . . . . . . . . 37
2.4. Matriz de correlaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
2.5. Estimaci´on de varianzas y covarianza de ˆ α y
ˆ
β. . . . . . . . . . . . . . . . . . . . 40
2.6. Estimaci´on por intervalo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
3.1. Modelo (3.1). Datos de caracter´ısticas de viviendas . . . . . . . . . . . . . . . . . 52
3.2. Modelo (3.1). Estimaci´on de la matriz de covarianzas de
ˆ
β . . . . . . . . . . . . . 59
3.3. Modelo (3.1): Estimaci´on por intervalo de los coeficientes. . . . . . . . . . . . . . 60
4.1. Datos para el estudio de la Funci´on de Inversi´on . . . . . . . . . . . . . . . . . . 79
4.2. Datos en t´erminos reales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
4.3. Resultados de estimaci´on obtenidos para los distintos modelos. . . . . . . . . . . 90
5.1. Modelos (5.1) y (5.2) estimados para el precio de la vivienda . . . . . . . . . . . 98
5.2. Modelos estimados para el precio de la vivienda. . . . . . . . . . . . . . . . . . . 103
5.3. Modelos estimados para el Consumo de Gasolina en Estados Unidos . . . . . . . 106
6.1. Modelos estimados para el Consumo de Gasolina en Estados Unidos . . . . . . . 120
0
Tema 1
Gretl y la Econometr´ıa
1.1. Introducci´on
Estas notas se dirigen a aquellas personas interesadas en aprender a interpretar informaci´on
estad´ıstica sobre la realidad econ´omica. La herramienta b´asica es un modelo econom´etrico que
conjuga los esquemas te´oricos sobre el funcionamiento de la Econom´ıa con las t´ecnicas estad´ısti-
cas de an´alisis de datos. Un modelo puede tener una estructura muy compleja, pero nos cen-
tramos en el modelo m´as sencillo, y que da nombre a la asignatura, el modelo de regresi´on
lineal general. Este modelo explica el comportamiento de una ´ unica variable econ´omica o de
otra ´ındole m´as general.
Por otro lado, este curso tiene un car´acter totalmente aplicado, en el que los ejemplos pr´acti-
cos sirven para introducir los conceptos estad´ıstico-econom´etricos. As´ı, una parte importante
del curso se dedica a estudiar casos pr´acticos, en los que el estudiante aprender´a a manejar un
software econom´etrico y a interpretar adecuadamente los resultados obtenidos. El paquete eco-
nom´etrico a utilizar es Gretl; se trata de software de libre uso, f´acil de manejar y que tiene acceso
a las bases de datos que se estudian en muchos libros de introducci´on al an´alisis econom´etrico.
Este primer tema se organiza de la siguiente forma: la secci´on 2 presenta la disciplina que nos
ocupa, la Econometr´ıa. La secci´on 3 describe un ejemplo de estudio econom´etrico, destacando
cu´ales son los elementos que integran un modelo econom´etrico. La secci´on 4 se ocupa de los datos
econ´omicos, sus caracter´ısticas, las principales fuentes de obtenci´on de datos y los programas
inform´aticos que sirven para almacenar y procesar los datos. El software Gretl se introduce en
el apartado 5, en el que se incluye el esquema de una primera sesi´on pr´actica de uso de Gretl.
1.2. ¿Qu´e es la Econometr´ıa?
En la toma de decisiones de car´acter econ´omico suele ser muy ´ util disponer de informaci´on
en forma de datos cuantitativos. Por ejemplo, a la hora de elegir unos estudios universitarios
podemos guiarnos por nuestras preferencias personales, pero tambi´en por factores como las
expectativas de salario en la rama elegida o la facilidad con la que esperamos conseguir un
empleo. Si se trata de la compra-venta de un piso, nos interesa conocer la situaci´on del mercado
inmobiliario. Para ello podemos recopilar datos de precios y de algunas caracter´ısticas de los
pisos que puedan influir en el precio como, por ejemplo, su tama˜ no o si es una vivienda usada
que necesita reforma. Supongamos que en la secci´on de anuncios de un peri´odico local aparecen
1
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Indicador Tama˜ no Precio A reformar Indicador Tama˜ no Precio A reformar
1 55 210,354 no 26 110 476,600 no
2 59 309,520 no 27 110 456,769 no
3 60 366,617 no 28 115 500,643 no
4 60 299,304 si 29 125 619,000 no
5 60 369,650 no 30 135 645,253 no
6 65 273,460 si 31 135 625,000 no
7 65 155,000 si 32 140 522,800 si
8 70 228,384 no 33 150 390,660 no
9 70 246,415 no 34 150 504,850 si
10 70 255,000 si 35 150 715,204 no
11 75 150,253 si 36 150 570,000 si
12 77 352,800 no 37 160 751,265 no
13 80 366,000 si 38 180 583,000 si
14 80 298,000 si 39 180 738,000 no
15 80 312,530 no 40 180 552,931 si
16 83 240,400 no 41 190 691,200 no
17 85 278,569 si 42 195 811,400 no
18 91 390,658 no 43 200 691,000 si
19 92 216,364 si 44 200 1110,000 no
20 100 402,600 no 45 230 961,620 no
21 100 272,300 si 46 230 661,000 no
22 100 360,607 no 47 240 841,417 no
23 100 570,000 no 48 240 588,992 si
24 100 480,809 no 49 245 841,400 si
25 100 186,314 si 50 250 1051,000 no
Tabla 1.1: Datos sobre precio de vivienda ocupada
los siguientes datos sobre 50 pisos en venta en el centro de una ciudad:
• Precio del piso, en miles de euros.
• Tama˜ no del piso, en metros cuadrados h´abiles.
• Estado del piso: si necesita reforma o est´a para entrar a vivir.
Estos datos aparecen en la Tabla 1.1. En base a esta informaci´on, si nos ofrecen un piso de 100
m
2
reformado a un precio de 525000e, dir´ıamos que el piso parece caro ya que su precio supera
el promedio de precios de los pisos de estas caracter´ısticas incluidos en la muestra:
402, 6 + 360, 607 + 570 + 480, 809
4
= 453, 504 miles de euros
Sin embargo, ¿qu´e podemos decir si se tratara de un piso de 90 m
2
a reformar? ¿O de un piso
de 50 m
2
reformado? No tenemos datos para replicar el procedimiento anterior. Un econ´ometra
podr´ıa ayudar a dar respuesta a estas cuestiones. En el Gr´afico 1.1, que representa conjuntamente
el precio y el tama˜ no de cada piso, se ve un patr´on o relaci´ on estable entre tama˜ no de un piso y
su precio. Esta relaci´on se puede trasladar a un modelo ´ util para responder a las preguntas que
planteamos. Las t´ecnicas econom´etricas nos permiten cuantificar, a partir del modelo y los datos,
2
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
la influencia que tiene el tama˜ no del piso o su estado en el precio del mismo. La respuesta podr´ıa
ser, por ejemplo: La estimaci´on del precio medio de un piso a reformar de 90 m
2
es de 297350
euros, aunque el precio puede oscilar entre 152711 y 441989 euros a un nivel de confianza del
90 %. Adem´as, si se trata de un piso reformado, la estimaci´on del precio medio se incrementa
en m´as de 100000 euros, siendo factibles precios entre 210521 y 556639 euros.
100
200
300
400
500
600
700
800
900
1000
1100
1200
50 100 150 200 250
p
r
e
c
i
o

(
m
i
l
e
s

e
u
r
o
s
)
Superficie (m2)
Gr´afico 1.1: Diagrama de dispersi´on superficie-precio de pisos
La Econometr´ıa es una rama de la Econom´ıa que utiliza la estad´ıstica para medir o cuantificar
las relaciones existentes entre variables econ´omicas. Es una materia interdisciplinar que utiliza
la teor´ıa econ´omica, la matem´atica, la estad´ıstica y los m´etodos computacionales. En palabras
de Ramanathan (2002):
En t´erminos sencillos, la econometr´ıa se ocupa de la aplicaci´on de m´etodos es-
tad´ısticos a la econom´ıa. A diferencia de la estad´ıstica econ´omica, que es princi-
palmente datos estad´ısticos, la econometr´ıa se distingue por la unificaci´on de teor´ıa
econ´omica, instrumentos matem´aticos y metodolog´ıa estad´ıstica. En t´erminos m´as
generales, la econometr´ıa se ocupa de (1) estimar relaciones econ´omicas, (2) con-
frontar la teor´ıa econ´omica con los datos y contrastar hip´otesis relativas al compor-
tamiento econ´omico, y (3) predecir el comportamiento de variables econ´omicas.
1.2.1. ¿Para qu´e sirve la Econometr´ıa?
El objetivo de un estudio econom´etrico es comprender mejor un fen´omeno econ´omico y, como
resultado, poder realizar predicciones de la evoluci´on futura del fen´omeno de inter´es. El instru-
mento b´asico es el modelo, que ayuda a entender las relaciones entre variables econ´omicas y
sirve para evaluar los efectos de distintas medidas o pol´ıticas econ´omicas. Algunos ejemplos en
los que la Econometr´ıa puede ser de utilidad son los siguientes:
• Un analista del mercado de activos puede estar interesado en analizar y cuantificar la
relaci´on entre el precio de un activo y distintas caracter´ısticas de la empresa que ofrece ese
activo as´ı como del estado general de la econom´ıa.
• Los directivos de una empresa el´ectrica pueden estar interesados en analizar los factores
que afectan a la demanda de electricidad.
3
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
• El grupo de grandes superficies comerciales puede estar interesado en cuantificar el efecto
de distintos niveles de publicidad sobre sus ventas y sus beneficios.
• El servicio de estudios del Ministerio de Econom´ıa y del Banco de Espa˜ na o del Banco
Central Europeo quiere analizar el impacto de las pol´ıticas monetarias y fiscales sobre el
desempleo, la inflaci´on, las exportaciones e importaciones, los tipos de inter´es, etc.
• Si un organismo quiere implementar pol´ıticas para corregir, por ejemplo, la discriminaci´on
salarial por sexo, en primer lugar debe conocer cu´ales son los principales factores determi-
nantes del problema y, en segundo lugar, analizar las posibles medidas a tomar, estudiando
cu´ales pueden ser los efectos de dichas medidas.
• Un gobierno regional puede necesitar previsiones sobre la evoluci´on de la poblaci´on para
planificar la necesidad de servicios sociales y las necesidades de financiaci´on que conllevan.
Tambi´en debe tener informaci´on precisa sobre su capacidad de financiaci´on, por lo que le
interesa disponer de predicciones relativas a la recaudaci´on impositiva.
• Si una persona quiere contratar un pr´estamo, le interesa conocer cu´al va a ser la evoluci´on
de los tipos de inter´es.
En los ´ ultimos a˜ nos hemos asistido a una mayor difusi´on y utilizaci´on de los m´etodos econom´etri-
cos gracias, entre otras razones, a la mayor disponibilidad y calidad de los datos y al desarrollo
de los m´etodos de computaci´on. Adem´as, la aplicaci´on de la Econometr´ıa no se restringe al
´ambito estrictamente econ´omico, sino que proporciona procedimientos de estudio de datos que
pueden aplicarse al campo de las Ciencias Sociales. Por ejemplo, para:
• Analizar si el endurecimiento de las penas, como la introducci´on de la pena de muerte,
tiene como consecuencia la disminuci´on de la tasa de criminalidad.
• Analizar la efectividad de las medidas de seguridad vial, como el carnet por puntos, en la
reducci´on del n´ umero de muertes en accidentes de tr´afico.
• Predecir los resultados de una competici´on deportiva como, por ejemplo, el n´ umero de
goles que marcar´a la selecci´on de Inglaterra en un mundial de f´ utbol.
• Analizar cu´al puede ser el efecto sobre los votantes en las pr´oximas elecciones de una deter-
minada medida, por ejemplo, prohibir fumar en lugares p´ ublicos, legalizar los matrimonios
entre personas del mismo sexo, etc.
• Estudiar si hay diferencias en el voto dependiendo de si se trata de elecciones locales,
regionales o europeas.
• Analizar si las medidas restrictivas sobre la publicidad de tabaco y alcohol reducen el
consumo de estos productos.
Los comienzos de la Econometr´ıa pueden situarse en la d´ecada de los treinta del siglo pasado.
Su coincidencia en el tiempo con la Gran Depresi´on no es casual: como consecuencia de ´esta,
los economistas de la ´epoca estaban interesados en poder predecir los ciclos econ´omicos que
observaban. Entre ellos destaca Keynes, que defend´ıa la intervenci´on del gobierno en la actividad
econ´omica para mitigar estas crisis. As´ı, los primeros econ´ometras se ocuparon de dar respuesta
a problemas macroecon´omicos con objeto de asesorar a los gobiernos en la implantaci´on de
pol´ıticas econ´omicas.
4
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
En un comienzo, se aplicaron a los datos econ´omicos m´etodos estad´ısticos que ya hab´ıan sido uti-
lizados en ciencias naturales. Sin embargo, estos m´etodos no pod´ıan reproducirse mim´eticamente
en el ´ambito econ´omico, sino que hab´ıa que adaptarlos o desarrollar nuevos m´etodos de acuerdo
a las caracter´ısticas propias que poseen las variables socioecon´omicas. As´ı, en la econometr´ıa se
han desarrollado dos grandes ´areas: la econometr´ıa te´orica, cuyo objetivo es desarrollar m´etodos
de estudio y an´alisis de datos y determinar sus propiedades, y la econometr´ıa aplicada, que se
ocupa de utilizar estos m´etodos para responder a los problemas de inter´es en la pr´actica. En
estas notas ponemos mayor ´enfasis en la parte aplicada. Se trata de proporcionar al alumno las
herramientas necesarias para que sea capaz de llevar a cabo un proyecto aplicado. Para ello, es
indispensable dedicar tiempo al conocimiento de los m´etodos e instrumentos b´asicos del an´alisis
econom´etrico, ya que son el requisito previo para una buena aplicaci´on pr´actica.
1.3. Un estudio econom´etrico
Uno de nuestros objetivos espec´ıficos es que, al final del curso, el estudiante debe ser capaz de
estructurar y desarrollar un trabajo de investigaci´on. Hoy d´ıa, una persona que disponga de un
ordenador en su casa puede llevar a cabo un peque˜ no proyecto econom´etrico. As´ı, un estudio
econom´etrico consta de las siguientes etapas, Heij , de Boer, Franses, Kloer y Dijk (2004):
• Formulaci´on del problema. Se trata de determinar la cuesti´on de inter´es. Debemos plantear
de forma precisa las preguntas que nos interesa responder. Por ejemplo, si se trata de cono-
cer la situaci´on del mercado inmobiliario en una ciudad, podemos plantearnos la siguiente
pregunta: ¿cu´al es el precio de los pisos en esa ciudad y qu´e factores lo determinan? La
teor´ıa econ´omica puede ayudarnos a enfocar el problema, a determinar qu´e variables est´an
involucradas y cu´al puede ser la relaci´on entre ellas.
• Recolecci´on de datos estad´ısticos relevantes para el an´alisis. En el ejemplo anterior, es f´acil
recolectar datos sobre el precio de pisos, su tama˜ no y otras caracter´ısticas que pueden
influir en su precio (ver Tabla 1.1). Los resultados del an´alisis van a depender en gran
medida de la calidad de los datos. Sin embargo, no siempre es sencillo obtener los datos
relevantes para el an´alisis. Podemos encontrar problemas como la ausencia de alg´ un dato,
cambios en la definici´on de una variable, fallos en el m´etodo de recogida, tener una cantidad
insuficiente de datos o no disponer de informaci´on relativa a una variable.
• Formulaci´on y estimaci´on del modelo. De la uni´on de las teor´ıas y cuestiones planteadas
en la primera etapa con los datos se llega a un modelo econom´etrico. Por ejemplo,
podemos plantear que, en media, el precio de un piso, Y , depende de su tama˜ no, X. Un
posible modelo econom´etrico que recoge esta teor´ıa es:
Y [X ∼ N(α +βX, σ
2
)
Es decir, el precio de los pisos dado un tama˜ no, por ejemplo 100 m
2
, se distribuye alrededor
de su media α + β100 seg´ un una normal de varianza σ
2
. Al formular el modelo hemos
elegido la forma funcional de la relaci´on entre las variables y la naturaleza estoc´astica de
la variable de inter´es o end´ogena, Y . El objetivo es obtener un modelo relevante y ´ util
para dar respuesta a nuestros objetivos.
El siguiente paso es la estimaci´on de los par´ametros desconocidos de la distribuci´on y que
son de inter´es para el an´alisis. En el ejemplo del precio de los pisos, interesan los par´ametros
5
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
de su media, α y β. La estimaci´on consiste en utilizar los datos y toda la informaci´on
relevante para aprender algo sobre los par´ametros desconocidos. En la interpretaci´on de
los resultados de estimaci´on es importante tener en cuenta que no conocemos el valor de
los par´ametros, por lo que ´ unicamente vamos a hacer afirmaciones del tipo “con un 95 % de
confianza, el aumento del impuesto sobre carburantes no afecta al consumo de gasolina”.
Existen muchos m´etodos de estimaci´on. La elecci´on entre uno u otro depende de las pro-
piedades del modelo econom´etrico seleccionado. Es decir, una mala selecci´on del modelo
tambi´en influye en la validez de las estimaciones. Un curso introductorio de Econometr´ıa,
como este, se suele centrar en el estudio del modelo de regresi´on lineal y su estimaci´on
mediante m´ınimos cuadrados ordinarios, que son instrumentos sencillos y muy ´ utiles en la
pr´actica.
• An´alisis del modelo. Se trata de estudiar si el modelo elegido es adecuado para recoger el
comportamiento de los datos. Por ejemplo, si es correcto asumir que el tama˜ no del piso
influye en su precio, si la relaci´on lineal entre ambas variables es correcta, etc. Consiste en
una serie de contrastes diagn´osticos que valoran si el modelo est´a correctamente especifi-
cado, es decir, si los supuestos realizados son v´alidos. Si es necesario, se modifica el modelo
en base a los resultados obtenidos en los contrastes.
• Aplicaci´ on del modelo. Una vez obtenido un modelo correcto, se utiliza para responder a
las cuestiones de inter´es.
Dado que para la realizaci´on de un proyecto econom´etrico es necesario conocer d´onde obtener
los datos y manejar un software espec´ıfico de an´alisis econom´etrico, vamos a extendernos un
poco en estos dos puntos.
1.4. Los datos y su manejo
¿C´omo se obtienen datos econ´omicos? No proceden de experimentos controlados sino que los
economistas, al igual que otros investigadores del campo de las Ciencias Sociales, obtienen los
datos de la observaci´on de la realidad. En un experimento controlado, como los realizados en
laboratorios, el investigador tiene control sobre las condiciones del estudio. Por ejemplo, para
analizar el efecto de un fertilizante, podemos aplicar distintas dosis de fertilizante sobre un con-
junto de sembrados, controlando tambi´en el grado de humedad o la luz que recibe cada planta.
Adem´as, se puede repetir el experimento, manteniendo las mismas condiciones o alterando al-
gunas como las dosis o el grado de humedad. Obviamente, aunque las cantidades elegidas sean
exactamente las mismas, no esperamos que el resultado, por ejemplo, el crecimiento de las plan-
tas, sea id´entico entre experimentos porque las semillas utilizadas son distintas o porque hay
peque˜ nos errores de medida. Estas diferencias naturales en los resultados de los experimentos se
conocen como variaciones muestrales.
Los datos obtenidos de experimentos controlados son t´ıpicos de las Ciencias Naturales y se co-
nocen como datos experimentales. Los datos que son resultado de un proceso que tiene lugar
en la sociedad, y que no es controlable por una o varias personas, se conocen como datos no
experimentales. Esta caracter´ıstica ha sido un factor importante en el desarrollo de las t´ecnicas
econom´etricas y debemos tenerlo en cuenta en la interpretaci´on de los resultados.
6
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Clasificaci´on de los datos econ´omicos. Los datos econ´omicos pueden ser de diferentes tipos,
lo que va a determinar el an´alisis que realicemos. Una primera clasificaci´on distingue entre datos
cuantitativos, aqu´ellos que toman valores num´ericos dentro de un rango de valores, como precio
o tama˜ no de un piso, y datos cualitativos, que aparecen como categor´ıas o atributos, como por
ejemplo el sexo, la profesi´on o el estado de un piso. Los seis primeros temas de este curso se
centran en el an´alisis de datos cuantitativos. El tema siete considera situaciones en las que alg´ un
factor explicativo es cualitativo.
Una segunda clasificaci´on distingue entre datos de series temporales y datos de secci´ on cruzada.
Los primeros se refieren a observaciones recogidas en sucesivos momentos de tiempo, normal-
mente regulares, como a˜ nos, trimestres o meses. Ejemplos de datos temporales son el Producto
Interior Bruto (PIB) de la Contabilidad Nacional trimestral, el n´ umero mensual de afiliacio-
nes a la Seguridad Social o el valor diario del IBEX35. Los segundos se refieren a valores que
toman diferentes agentes en un momento del tiempo, por ejemplo, la poblaci´on desempleada
en el a˜ no 2005 en cada uno de los pa´ıses de la Uni´on Europea (UE), el salario medio en cada
sector industrial en el 2006 o el gasto realizado en libros de texto por un conjunto de familias
en septiembre pasado. Tambi´en es posible tener una combinaci´on de datos de secci´on cruzada y
series temporales, por ejemplo, las puntuaciones obtenidas por los estudiantes de Econometr´ıa
en los cursos 2004-05, 2005-06 y 2006-07. Cuando se encuesta a los mismos individuos a lo largo
del tiempo, como la tasa de paro y el crecimiento del PIB desde 1990 hasta 2006 para los 25
pa´ıses de la UE, se conocen con el nombre de datos de panel o datos longitudinales. En este curso
nos centraremos en el an´alisis de datos de secci´on cruzada. Las t´ecnicas que utilicemos tambi´en
se pueden aplicar en series temporales, aunque en ocasiones su estudio es m´as complejo.
Una tercera clasificaci´on se establece en funci´on del nivel de agregaci´on. Se conocen como datos
microecon´omicos o microdatos los referidos al comportamiento de agentes econ´omicos como
individuos, familias o empresas. Un ejemplo es la Encuesta de Poblaci´on Activa, elaborada por
el INE y publicada en http://www.ine.es/prodyser/micro epa.htm. Los datos macroecon´omicos
o macrodatos son los datos referidos a ciudades, regiones o naciones que son resultantes de
la agregaci´on sobre agentes individuales, como son los resultados de la Contabilidad Nacional.
Por ejemplo, la Contabilidad Nacional Trimestral de Espa˜ na, elaborada tambi´en por el INE y
publicada en http://www.ine.es/inebmenu/mnu cuentas.htm.
1.4.1. Fuentes de datos
Encontrar y recopilar datos no es siempre sencillo. En ocasiones es muy costoso coleccionar los
datos adecuados a la situaci´on y manejarlos. Sin embargo, esta tarea se ha visto favorecida en
los ´ ultimos a˜ nos por la mejora en la recogida de datos y el hecho de que muchos organismos
permiten acceder a sus bases de datos en la World Wide Web. Algunos organismos que publican
datos macroecon´omicos son:
• Instituto Vasco de Estad´ıstica (EUSTAT): http://www.eustat.es.
• Banco de Espa˜ na: http://www.bde.es → Estad´ısticas. Tambi´en publica el Bolet´ın es-
tad´ıstico mensual y el Bolet´ın de coyuntura mensual.
• Instituto Nacional de Estad´ıstica (INE): http://www.ine.es → Inebase o Banco tempus.
Est´an disponibles, por ejemplo, los resultados de la encuesta de poblaci´on activa, la Con-
tabilidad Nacional o el bolet´ın estad´ıstico mensual. Adem´as, en enlaces se encuentran
otras p´aginas web de servicios estad´ısticos.
7
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
• EUROSTAT: Es la Oficina Estad´ıstica de la Uni´on Europea, se encarga de verificar y
analizar los datos nacionales recogidos por los Estados Miembros. El papel de Eurostat
es consolidar los datos y asegurarse de que son comparables utilizando una metodolog´ıa
homog´enea. La informaci´on en t´erminos de tablas estad´ısticas, boletines estad´ısticos e
informativos, incluso documentos de trabajo papers se puede encontrar en la direcci´on:
http://europa.eu.int/comm/eurostat.
• Organizaci´on para la Cooperaci´on y Desarrollo Econ´omico (OCDE): http://www.oecd.org,
Statistical portal, statistics. Est´an disponibles algunas series de las publicaciones Main
Economic Indicators (mensual) o Comercio internacional.
• Fondo Monetario Internacional (FMI): http://www.imf.org. Para obtener datos sobre un
amplio conjunto de pa´ıses tambi´en se puede consultar su publicaci´on Estad´ısticas Fi-
nancieras Internacionales (mensual y anual).
Muchos manuales de Econometr´ıa incluyen una base de datos que se analizan en el texto co-
mo ilustraci´on a la materia. En este curso utilizaremos principalmente los datos incluidos en
Ramanathan (2002), que est´an accesibles como archivos de muestra en Gretl.
1.4.2. El software econom´etrico
El desarrollo de los ordenadores ha permitido almacenar una gran cantidad de datos, a la vez
que ha facilitado su manejo. Existen en la actualidad un amplio conjunto de paquetes para
el an´alisis econom´etrico que realizan complejas operaciones mediante unas instrucciones muy
sencillas. Si los datos est´an disponibles en papel, las hojas de c´alculo, como EXCEL, son un
instrumento sencillo para introducir y preparar los datos y realizar operaciones sencillas. Sin
embargo, en general es conveniente utilizar programas econom´etricos espec´ıficos. Algunos de los
m´as populares en los cursos de Econometr´ıa son:
• EViews, desarrollado por Quantitative Micro Software, contiene una amplia gama de
t´ecnicas de an´alisis econom´etrico. Muchos manuales de Econometr´ıa contienen un CD
con ejemplos pr´acticos en Eviews. Su p´agina web con la informaci´on del programa es
http: //www.eviews.com.
• SHAZAM, elaborado en la Universidad British of Columbia (Canad´a), incluye t´ecnicas
para estimar muchos tipos de modelos econom´etricos. M´as informaci´on se puede obtener
en http: //shazam.econ.ubc.ca¸, donde se puede ejecutar el programa remotamente.
• Gretl, acr´onimo de Gnu Regression, Econometric and Time Series (Biblioteca Gnu de
Regresi´on Econometr´ıa y Series Temporales), elaborado por Allin Cottrell (Universidad
Wake Forest). Es software libre, muy f´acil de utilizar. Tambi´en da acceso a bases de datos
muy amplias, tanto de organismos p´ ublicos, como el Banco de Espa˜ na, como de ejemplos
recogidos en textos de Econometr´ıa.
• RATS, acr´onimo de Regression Analysis of Time Series. Contiene una amplia gama de
t´ecnicas de an´alisis econom´etrico con especial dedicaci´on al An´alisis de Series Temporales.
Su web es: http: //www.estima.com
• R, software libre para c´omputo estad´ıstico y gr´aficos. Consiste en un lenguaje, un entorno
de ejecuci´on, un debugger y la habilidad de correr programas guardados en archivos de
8
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
tipo script. Su dise˜ no fue influenciado por dos lenguajes existentes: S y Scheme. P´agina
web: http: //www.r −project.org
Un objetivo de este curso es que el estudiante se familiarice con el uso de programas econom´etri-
cos. Por su sencillez y accesibilidad, en este curso introductorio se utiliza el programa Gretl para
estudiar casos pr´acticos. En la p´agina
http: //gretl.sourceforge.net/gretl

espanol.html
se encuentra toda la informaci´on en castellano relativa a la instalaci´on y manejo del programa.
El manual, en ingl´es, se encuentra en la carpeta en/.
Junto con el programa se pueden cargar los datos utilizados como ejemplos de aplicaciones eco-
nom´etricas en los siguientes libros de texto Davidson y Mackinnon (2004), Greene (2008), Gu-
jarati (1997), Ramanathan (2002), Stock y Watson (2003), Verbeek (2004), Wooldridge (2003).
Al instalar Gretl autom´aticamente se cargan los datos utilizados en Ramanathan (2002) y Greene
(2008). El resto se pueden descargar de la p´agina:
http: //gretl.sourceforge.net/gretl

data.html
en la opci´on textbook datasets. Este curso se estructura sobre casos pr´acticos presentados en
Ramanathan (2002) y en Wooldridge (2003) y ejercicios a resolver con ayuda de Gretl. La uni´on
de teor´ıa y pr´actica permiten al alumno un autoaprendizaje tanto de los contenidos b´asicos del
curso de Econometr´ıa B´asica como de la utilizaci´on del software Gretl.
9
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
1.5. Introducci´on a Gretl
La primera sesi´on con el programa Gretl consiste en una pr´actica guiada en la que se aprender´a a
crear un fichero, introducir los datos de la Tabla 1.1 y realizar un an´alisis descriptivo.
Preparaci´ on del fichero. Al ejecutar Gretl, aparece la siguiente ventana principal:
Gr´afico 1.2: Pantalla inicial de Gretl
Como todav´ıa no se ha cargado ning´ un fichero, varias opciones del men´ u principal, en gris claro,
no est´an disponibles. Los datos a analizar no est´an incluidos en la base de Gretl, por lo que
vamos a la opci´on Archivo → Nuevo conjunto de datos Control+N. Completamos la informaci´on
que va solicitando el programa:
• n´ umero de observaciones, en la Tabla 1.1 se incluyen 50 pisos. Pinchar en Aceptar.
• El tipo de datos que utilizamos. En este caso, marcamos de secci´on cruzada y Adelante.
• Si el paso anterior se ha realizado correctamente, confirmamos la estructura del conjunto
de datos pinchando en Aceptar. Al pinchar en Atr´as se recupera s´olo la ventana de tipo de
datos, por lo que esta opci´on no permite corregir un error en el n´ umero de observaciones.
• En la ´ ultima ventana marcaremos S´ı queremos empezar a introducir los datos.
• En la siguiente ventana escribimos el Nombre de la primera variable, por ejemplo m2.
No se pueden utilizar la letra ˜ n, acentos ni m´as de 15 caracteres para nombrar a las
variables. Tras Aceptar, se abre una hoja de c´alculo, de modo que en la pantalla aparece:
Gr´afico 1.3: A˜ nadir datos: hoja de c´alculo de Gretl
Para incluir los datos de la variable m2, vamos a la celda correspondiente, por ejemplo la primera,
y pinchamos sobre ella con la tecla izquierda del rat´on; tras teclear la cifra, 55, damos a la tecla
10
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Entrar. Si por error no tecleamos alg´ un dato, por ejemplo, la segunda observaci´on de 59 m
2
, nos
situaremos en la fila posterior, en este caso en el primer dato de 60 m
2
, y vamos a observaci´on
→insertar obs. Se crea una nueva fila en blanco por encima de la anterior. Para guardar las
modificaciones en la sesi´on de trabajo hay que pinchar en Aplicar.
Podemos a˜ nadir m´as variables con la opci´on Variable →A˜ nadir del men´ u de la hoja de c´alculo.
Por ejemplo, creamos una nueva variable que denominamos Reforma. Esta variable es cualitativa,
por lo que asociamos a la situaci´on a reformar = s´ı el valor 0 y a la otra opci´on, a reformar =
no el valor 1. Una vez que se han incluido todos los datos, vamos a Aplicar y Cerrar la hoja
de c´alculo. Si no hab´ıamos guardado los ´ ultimos cambios realizados, al cerrar la hoja de c´alculo
aparece un cuadro que nos pide confirmar los cambios. Las series creadas deben aparecer as´ı en
la pantalla:
¡OJO!
Gr´afico 1.4: Fin de carga de datos con hoja de c´alculo
Es recomendable guardar los datos ya incorporados en un fichero de datos Gretl mediante
la opci´on del men´ u principal Archivo →Guardar datos. En el siguiente cuadro a˜ nadimos el
directorio y el nombre del fichero de datos, por ejemplo, pisos. Por defecto, grabar´a los datos
con la extensi´on gdt. Para usar estos datos en una sesi´on posterior, s´olo hay que pinchar dos
veces sobre el fichero.
Con frecuencia, los datos est´an almacenados en otra hoja de c´alculo, como EXCEL. Por ejemplo,
en el fichero EXCEL pisos.xls se encuentran las variables m2 y precio de la Tabla 1.1. A˜ nadir
los datos de precio al fichero de Gretl es muy sencillo. Una vez abierto el fichero pisos.gdt, hay
que:
• Utilizar la opci´on del men´ u principal Archivo →A˜ nadir datos →EXCEL . . . .
• Dar el nombre y ubicaci´on del fichero EXCEL, pisos.xls.
• Dar la celda a partir de la cual hay que empezar a importar los datos. En este caso la
variable precio empieza en la celda B1, donde est´a su nombre, e importaremos los datos
desde columna 2, fila 1. Para a˜ nadir las dos variables, m2 y precio, comenzar´ıamos a
importar datos en columna 1, fila 1. Finalmente, hay que pinchar en Aceptar.
Para comprobar si no hay errores en los datos vamos a Datos →seleccionar todos y luego
activamos la hoja de c´alculo mediante Datos →Editar valores o bien mostramos los datos en
pantalla con Datos →Mostrar valores →Todas las variables. Debe aparecer la siguiente ventana:
11
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
¡OJO! * = LOS CAMBIOS NO SE HAN GUARDADO
Gr´afico 1.5: Fichero con datos de tres variables
Una vez que los datos se han cargado correctamente, los almacenamos en el mismo fichero pi-
sos.gdt pinchando en Archivo →Guardar datos. Una vez guardadas las modificaciones, en la
pantalla de Gretl aparece el nombre del fichero sin el asterisco *.
Notas explicativas. Al crear un fichero, nos interesa incluir notas explicativas del trabajo ya
realizado. En Gretl es posible a˜ nadir esta informaci´on en dos apartados, uno general y otro
espec´ıfico de cada variable. Es posible a˜ nadir una breve descripci´on de cada variable y que
aparezca como etiqueta descriptiva junto con el nombre de la variable. Por ejemplo, a˜ nadiremos
la nota informativa sobre la interpretaci´on de la variable Reforma:
Valor 0 si el piso est´a para reformar, valor 1 si est´a reformado
Marcamos con el rat´on la variable y vamos a Variable→editar atributos. El cuadro siguiente en
el apartado descripci´on escribimos el texto y pinchamos en Aceptar (ver Gr´afico 1.6).
Gr´afico 1.6: Cuadro de descripci´on de variables
Las etiquetas descriptivas son ´ utiles para saber la fuente de datos o las unidades de medida. Por
ejemplo, para la variable precio y m2 a˜ nadiremos las siguientes etiquetas descriptivas:
12
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Variable Etiqueta descriptiva Nombre a mostrar en gr´aficos
precio Precio de pisos en miles de euros Precio (miles euros)
m2 Tama˜ no de pisos en metros cuadrados Superficie (m2)
La opci´on Datos →Editar informaci´on da lugar a un cuadro que permite a˜ nadir texto informa-
tivo, por ejemplo,
Datos utilizados en el tema 1 de An´alisis de regresi´on con Gretl
Finalmente, la opci´on Datos →Ver descripci´on permite visualizar la informaci´on de la estructura
del conjunto de datos junto con las notas explicativas a˜ nadidas. Si todo el proceso se ha realizado
correctamente, en pantalla debe aparecer el siguiente cuadro:
LOS ÚLTIMOS CAMBIOS SE HAN GUARDADO
Gr´afico 1.7: Fichero con descripci´on de variables
1.5.1. An´alisis descriptivo de una variable
Una vez incorporados los datos, vamos a obtener una visi´on general de los mismos. El objetivo del
an´alisis descriptivo es resumir un conjunto de datos, extrayendo las caracter´ısticas e informaci´on
m´as relevante para el estudio. En primer lugar, sintetizaremos la informaci´on de cada una de
las variables y en una segunda etapa, obtendremos una primera idea de las relaciones existentes
entre las variables. Para ello se utilizan gr´aficos y n´ umeros-resumen conocidos como estad´ısticos
descriptivos
1
. El an´alisis descriptivo de una ´ unica variable que proporciona Gretl se encuentra en
la opci´on variable del men´ u principal; un resumen de este an´alisis se obtiene en el men´ u auxiliar
que aparece al pinchar con la tecla derecha del rat´on sobre la variable.
El gr´afico m´as utilizado para resumir datos de secci´on cruzada de una ´ unica variable econ´omica
es el histograma, que aparece con la opci´on del men´ u auxiliar Gr´afico de frecuencias. Se trata
de un diagrama de barras que en el eje horizontal o abscisa representa los valores de la variable
divididos en intervalos. Sobre cada intervalo se dibuja una barra, cuya superficie refleja el n´ umero
de observaciones que pertenecen a dicho intervalo. Si, por ejemplo, pinchamos con la tecla derecha
del rat´on sobre la variable precios y vamos a Gr´afico de frecuencias, aparece el cuadro de opciones
del histograma en la que fijamos:
1
Este apartado es un resumen de los conceptos m´ınimos relevantes. Explicaciones m´as detalladas se encuentran
en manuales como Pe˜ na y Romo (1997).
13
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
• N´ umero de intervalos: Por defecto aparecen 7 intervalos, que es un n´ umero entero pr´oxi-
mo a

N, siendo N el n´ umero de observaciones, en este caso 50.
• Valor m´ınimo intervalo izquierdo y grosor del intervalo: todos los intervalos deben tener
la misma amplitud. Por defecto, se eligen de manera que el punto central o marca de clase
de los intervalos primero y ´ ultimo sean, respectivamente, los valores m´ınimo y m´aximo
que toma la variable en el conjunto de datos.
0
0.05
0.1
0.15
0.2
0.25
0.3
0 200 400 600 800 1000 1200
F
r
e
c
u
e
n
c
ia
r
e
la
tiv
a
precio
Gr´afico 1.8: Histograma de frecuencias relativas
Usando las opciones est´andar de Gretl obtenemos el Gr´afico 1.8. Si pinchamos sobre el gr´afico,
se despliega un men´ u auxiliar que permite hacer cambios en el gr´afico (editar) o guardarlo en
diversos formatos (portapapeles, postcript, etc). La opci´on guardar a sesi´on como icono guarda
el gr´afico a lo largo de la sesi´on de Gretl. Es decir, una vez cerrada la ventana del gr´afico, se
recupera pinchando en el cuarto s´ımbolo de la barra de herramientas situada en parte inferior
derecha de la ventana principal (vista iconos de sesi´on) y, a continuaci´on, pinchando dos veces
en el icono gr´afico 1.
BARRA DE HERRAMIENTAS
Gr´afico 1.9: Iconos de la sesi´on
Para ver la tabla con la distribuci´on de frecuencias representada en el histograma, hay que
marcar la variable correspondiente e ir a la opci´on Variable →Distribuci´on de frecuencias. Por
ejemplo, la tabla de distribuci´on de frecuencias de la variable precio es:
14
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Distribuci´on de frecuencias para precio, observaciones 1-50 n´umero
de cajas = 7, media = 489,858, desv.t´ıp.=237,416
intervalo punto medio frecuencia rel acum.
< 230,23 150,25 6 12,00% 12,00% ****
230,23 - 390,19 310,21 15 30,00% 42,00% **********
390,19 - 550,15 470,17 9 18,00% 60,00% ******
550,15 - 710,11 630,13 11 22,00% 82,00% *******
710,11 - 870,06 790,08 6 12,00% 94,00% ****
870,06 - 1030,0 950,04 1 2,00% 96,00%
>= 1030,0 1110,0 2 4,00% 100,00% *
Tabla 1.2: Distribuci´on de frecuencias del precio de 50 pisos
En la primera columna aparecen los intervalos en que se han dividido los valores que toma la
variable precio y la segunda incluye el punto medio o marca de clase del intervalo. La columna
frecuencia es lo que se conoce como frecuencia absoluta de un intervalo, es decir, el n´ umero
de pisos con precio en ese intervalo. Por ejemplo, en la Tabla 1.1 hay 15 pisos cuyo precio se
encuentra entre 230232e y 390190e. La columna, rel, contiene la frecuencia relativa de cada
intervalo, es decir, la fracci´on de observaciones que hay en cada tramo. Con estas frecuencias
se ha construido el histograma anterior. Por ejemplo, los 15 pisos con precio en el intervalo
[230,232; 390,190) constituyen el 30 % del total de los 50 pisos. Y, como todos los intervalos
son de igual amplitud, la altura de la segunda barra del histograma es la frecuencia relativa
asociada en tanto por uno, es decir, 0,3. Si a la frecuencia relativa de un intervalo se le suman
las frecuencias relativas de los anteriores se obtiene la frecuencia relativa acumulada hasta
cada intervalo, que aparece en la columna acum. Por ejemplo, en el conjunto de pisos que
estudiamos, un 42 % de ellos tiene un precio inferior a 390190e.
La descripci´on num´erica de una variable se encuentra en la opci´on del mismo men´ u auxiliar
Estad´ısticos descriptivos o en el men´ u principal, Variable →Estad´ısticos principales. El resultado
para la variable precio es la Tabla 1.3:
Estad´ısticos principales, usando las observaciones 1 - 50
para la variable ’precio’ (50 observaciones v´alidas)
Media 489,86 Desviaci´on t´ıpica 237,42
Mediana 466,68 C.V. 0,48466
M´ınimo 150,25 Asimetr´ıa 0,68052
M´aximo 1110,0 Exc. de curtosis -0,19251
Tabla 1.3: Estad´ısticos descriptivos del precio de 50 pisos
Esta ventana tiene un nuevo men´ u. La opci´on Copiar permite importar la tabla a un fichero
MS Word, Latex o simplemente, como aparece en pantalla (Texto plano). Estos estad´ısticos
descriptivos reflejan algunas caracter´ısticas de la distribuci´on recogidas en el histograma. La
media y la mediana son medidas de posici´on, la desviaci´on t´ıpica y el coeficiente de variaci´on
son medidas de dispersi´on, mientras que la asimetr´ıa y exceso de curtosis son medidas de forma
de la distribuci´on.
15
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Las medidas de posici´on dan una idea de la situaci´on o centro del conjunto de puntos. La
media es el valor promedio. Si disponemos de N datos de una variable x
1
, x
2
, . . . , x
N
, la media,
o tambi´en momento muestral de primer orden, se define como:
¯ x =
x
1
+x
2
+. . . +x
N
N
=
1
N
N

i=1
x
i
La media es un estad´ıstico poco robusto frente a la presencia de valores extremos: observaciones
an´omalas van a tener una gran influencia en el valor que tome. Por ejemplo, si el piso n´ umero
50 tuviera un precio muy alto, por ejemplo, 1350 miles de euros en lugar de 1051, entonces el
precio medio aumentar´ıa en casi 6000 euros, situ´andose en 495,84 miles de euros.
En general, interesan estad´ısticos cuyo valor no var´ıe mucho ante cambios en los valores de unas
pocas observaciones, por muy grandes que sean esas variaciones. La mediana, que es el valor cen-
tral de la distribuci´on, posee esta propiedad. As´ı, la mediana del precio es 466, 68 miles de euros.
Las medidas de posici´on proporcionan un valor representativo del conjunto de datos que debe
complementarse con una medida del error asociado. Para valorar la representatividad de este
´ unico valor se utilizan las medidas de dispersi´on, que informan de si las observaciones est´an
poco concentradas (o muy dispersas) alrededor de su centro. Una medida sencilla es la diferencia
entre los valores m´aximo y m´ınimo que toman los datos en la muestra, lo que se conoce como
recorrido. Es decir,
Recorrido = M´aximo - M´ınimo
En el ejemplo, tenemos que el recorrido de los precios es 1110-150,25 = 959,75 miles de euros.
Esta medida s´olo tiene en cuenta dos valores, los extremos. Otras medidas se elaboran con todos
los datos, por ejemplo, la desviaci´on t´ıpica, que es la ra´ız cuadrada positiva de la varianza. La
varianza de un conjunto de datos se define como un promedio de los cuadrados de las desviaciones
de los datos a la media. Gretl calcula la varianza, S
∗2
o S
∗2
x
, como:
S
∗2
x
=
(x
1
− ¯ x)
2
+ (x
2
− ¯ x)
2
+. . . + (x
N
− ¯ x)
2
N −1
=
1
N −1
N

i=1
(x
i
− ¯ x)
2
Por tanto, la desviaci´on t´ıpica, S

x
, se calcula seg´ un:
S

x
= +
¸
¸
¸
_
1
N −1
N

i=1
(x
i
− ¯ x)
2
Varianza y desviaci´on t´ıpica son medidas de la dispersi´on de los datos alrededor de la media.
Tiene el valor m´ınimo cero cuando todos los datos de la variable toman el mismo valor. La ventaja
de la desviaci´on t´ıpica es que tiene las mismas unidades de medida que la variable original. En
general, cuanto m´as pr´oxima a cero est´e S

x
, m´as concentrados estar´an los datos alrededor de la
media y ´esta ser´a m´as representativa del conjunto de observaciones. Sin embargo, al depender S

x
de las unidades de medida, no es f´acil comparar su representatividad en dos conjuntos de datos.
Para solucionar este problema se utiliza el coeficiente de variaci´on, C.V., que es una medida
adimensional de la dispersi´on, y se define como:
C.V. =
S

x
[¯ x[
si ¯ x ,= 0
16
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
En el ejemplo de precios tenemos que C.V. = 0, 485 < 1, la dispersi´on de los datos es peque˜ na
en relaci´on a su nivel, por lo que consideramos que la media s´ı es bastante representativa del
conjunto de datos.
Media y desviaci´on t´ıpica son los estad´ısticos-resumen m´as conocidos. Se acompa˜ nan de las
medidas de forma, que reflejan otras caracter´ısticas del histograma. La asimetr´ıa de una
distribuci´on se refiere a si los datos se distribuyen de forma sim´etrica alrededor de la media o
no. El coeficiente de asimetr´ıa se define como:
Coeficiente de asimetr´ıa =
1
N
N

i=1
_
x
i
− ¯ x
S
x
_
3
=
1
N

N
i=1
(x
i
− ¯ x)
3
S
3
x
con S
x
=
_
(N −1)/N S

x
=
_
i
(x
i
− ¯ x)
2
/N. El coeficiente de asimetr´ıa es cero cuando los
datos se distribuyen sim´etricamente alrededor de la media, es positivo cuando la cola derecha
(asociada a valores por encima de la media) es m´as larga que la izquierda siendo negativo en
caso contrario. En el ejemplo de los precios de los pisos, observamos que la asimetr´ıa es positiva,
lo que se corresponde con una media mayor que la mediana, es decir, ¯ x > Mediana(X).
0
0.05
0.1
0.15
0.2
0.25
0 5 10 15 20 25
Asimetra positiva
0
0.02
0.04
0.06
0.08
0.1
0.12
0.14
0.16
0.18
0.2
-2 -1 0 1 2 3
Asimetra negativa
Gr´afico 1.10: Tipos de asimetr´ıa
El coeficiente de curtosis es una medida del apuntamiento de la distribuci´on y se define:
Curtosis =
1
N
N

i=1
_
x
i
− ¯ x
S
x
_
4
=
1
N

N
i=1
(x
i
− ¯ x)
4
S
4
x
Este coeficiente mide la cantidad de observaciones que se encuentran en las colas en relaci´on con
las situadas alrededor de la media. El nivel de referencia es tres, que es el valor de la curtosis de
la distribuci´on normal. As´ı, se define el exceso de curtosis como:
Exc. de curtosis =
1
N

N
i=1
(x
i
− ¯ x)
4
S
4
x
−3 (1.1)
Un exceso de curtosis positivo indica mayor peso de observaciones en la cola y mayor apuntamien-
to que la distribuci´on normal, mientras que si es negativo indica menor n´ umero de observaciones
en la cola y menor apuntamiento.
Cuando tenemos un conjunto de variables, Gretl permite recoger en una ´ unica tabla los estad´ısti-
cos descriptivos de todas las variables. El proceso es el siguiente:
1. Seleccionar las variables de inter´es pinchando simult´aneamente la tecla izquierda del rat´on
y la tecla Control.
17
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
2. Ir a Ver →Estad´ısticos principales o utilizar Estad´ısticos descriptivos en el men´ u auxiliar
que aparece al pinchar la tecla derecha del rat´on sobre las variables seleccionadas.
As´ı, con los datos de la Tabla 1.1 se obtiene la siguiente tabla de estad´ısticos descriptivos:
Estad´ısticos principales, usando las observaciones 1 - 50
Variable MEDIA MEDIANA MIN MAX
m2 127,34 105,00 55,000 250,00
Reforma 0,62000 1,0000 0,00000 1,0000
precio 489,86 466,68 150,25 1110,0
Variable D.T. C.V. ASIMETR
´
IA EXC.CURTOSIS
m2 59,048 0,46370 0,67091 -0,77954
Reforma 0,49031 0,79083 -0,49445 -1,7555
precio 237,42 0,48466 0,68052 -0,19251
Tabla 1.4: Estad´ısticos descriptivos del conjunto de datos
donde D.T. indica desviaci´on t´ıpica, MIN es m´ınimo y MAX denota el m´aximo. Al interpretar
estos resultados, hay que tener en cuenta que la variable Reforma no es una variable cuantitativa
continua, sino una variable cualitativa discreta, que s´olo toma valores 1 ´o 0.
1.5.2. Relaciones entre variables
Cuando el conjunto de datos contiene, por ejemplo, dos variables cuantitativas nos interesa
estudiar la relaci´on o asociaci´on que existe entre ellas. En general, al analizar dos (o m´as)
variables, podemos establecer una relaci´on de causalidad entre ellas. Por ejemplo, podemos
pensar que el precio de un piso puede ser consecuencia del tama˜ no de la vivienda, pero no al rev´es.
Se llama variable independiente o ex´ogena, x, a la que causa el efecto y variable dependiente o
end´ogena, y, a la que lo recibe. La relaci´on entre estas variables puede estudiarse con gr´aficos
o expresarse num´ericamente mediante, por ejemplo, el coeficiente de correlaci´on. Todos estos
elementos del an´alisis descriptivo de un conjunto de variables se realiza con el men´ u que se
despliega en la opci´on Ver de Gretl.
Representaci´on gr´afica. El diagrama de dispersi´on o scatterplot da una primera idea de la
relaci´on entre dos variables. Es el gr´afico que representa cada punto (x
i
, y
i
), i = 1, . . . N en el
plano: la variable x aparece en el eje de abscisas y la variable y en el eje de ordenadas. Por
ejemplo, para obtener con Gretl el Gr´afico 1.11, precio sobre superficie, podemos seguir uno de
los siguientes pasos:
• Ver →Gr´aficos →Gr´afico X-Y (scatter) y en el cuadro Definir el gr´afico marcar:
Variable de eje X Elegir −> m2
Variables de eje Y A˜ nadir −> precio
• O bien seleccionar las variables precio y m2 pinchando simult´aneamente la tecla izquierda
del rat´on y la tecla Control e ir al men´ u auxiliar, Gr´afico de dos variables XY. En el
siguiente cuadro, se selecciona la variable de la abscisa, m2.
18
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Al pinchar en Aceptar aparece el Gr´afico 1.11 que, adem´as de la nube de puntos, incluye una
recta-s´ıntesis de la relaci´on, la recta de regresi´on m´ınimo cuadr´atica que veremos m´as adelante.
100
200
300
400
500
600
700
800
900
1000
1100
1200
50 100 150 200 250
P
r
e
c
i
o

(
m
i
l
e
s

e
u
r
o
s
)
Superficie (m2)
Precio con respecto a Superficie (con ajuste mco)
Y = 44,9 + 3,49X
Gr´afico 1.11: Diagrama de dispersi´on superficie-precios (2)
Al pinchar sobre el gr´afico aparece un men´ u auxiliar que sirve para:
• Exportar el gr´afico a ficheros en diferentes formatos en Guardar como Windows metafile
(EMF). . . , PNG. . . , postscript (EPS). . . , PDF. . . .
• Copiar/exportar el gr´afico a otros ficheros con Copiar al portapapeles.
• Guardar el fichero en la sesi´on de Gretl en Guardar la sesi´on como icono.
• Realizar cambios en el fichero con Editar. En la pesta˜ na Principal se controla el t´ıtulo
del gr´afico, el tama˜ no y tipo de letra, el color de las l´ıneas/puntos, el dibujo del marco
completo, la situaci´on de texto explicativo de las variables representadas (posici´on de la
clave) o la eliminaci´on de la recta-resumen. La escala y la explicaci´on de los ejes se modifica
en Eje X y Eje Y. En l´ıneas se controla la representaci´on de los datos, tipo de l´ınea o
punto, y el texto explicativo de las variables. Etiquetas permite a˜ nadir texto en el gr´afico
y salida a fichero incluye varios formatos para guardar el gr´afico.
El gr´afico de dispersi´on permite distinguir la posible relaci´on, lineal o no, que existe entre las
variables. Se dice que hay una relaci´on lineal positiva entre ambas variables cuando al
aumentar x, aumenta en promedio el valor de y (figura b en el Gr´afico 1.12). Diremos que hay
una relaci´on lineal negativa entre ambas variables cuando observamos que al aumentar x,
disminuye en promedio el valor de y (figura c). En el ejemplo, se observa una clara relaci´on lineal
positiva entre precio y tama˜ no del piso.
19
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
-3
-2
-1
0
1
2
3
-1.6 -1.2 -0.8 -0.4 0.0 0.4 0.8 1.2 1.6
-4
-3
-2
-1
0
1
2
3
4
-1.6 -1.2 -0.8 -0.4 0.0 0.4 0.8 1.2 1.6
-3
-2
-1
0
1
2
3
-1.6 -1.2 -0.8 -0.4 0.0 0.4 0.8 1.2 1.6
-2
-1
0
1
2
3
4
5
6
-1.6 -1.2 -0.8 -0.4 0.0 0.4 0.8 1.2 1.6
X1
Y
1
X2
Y
2
X3
Y
3
X4
Y
4
(a) Sin relación lineal (b) Relacion lineal positiva
(c) Relación lineal negativa (d) Relación no lineal
Gr´afico 1.12: Diagramas de dispersi´on
Covarianza y correlaci´on. La covarianza es una medida del grado de asociaci´on lineal entre
dos variables. Si se tienen N pares de datos de dos variables, (x
1
, y
1
) . . . (x
N
, y
N
), la covarianza
se denota por S
xy
y se define:
S
xy
= cov(x, y) =
1
N
N

i=1
(x
i
− ¯ x)(y
i
− ¯ y)
siendo ¯ x e ¯ y las medias aritm´eticas de las variables. La covarianza depende de las unidades de
medida de las variables, lo que no permite comparar la relaci´on entre distintos pares de variables
medidas en unidades diferentes. En estos casos se utiliza el coeficiente de correlaci´on lineal
entre x e y, que se define:
r
xy
= corr(x, y) =
S
xy
S
x
S
y
=

N
i=1
(x
i
− ¯ x)(y
i
− ¯ y)
_

N
i=1
(x
i
− ¯ x)
2
_

N
i=1
(y
i
− ¯ y)
2
El coeficiente de correlaci´on lineal y la covarianza tienen el mismo signo: son positivos si existe
relaci´on lineal directa o positiva (figura b en el Gr´afico 1.12), son negativos si existe relaci´on
lineal inversa o negativa (figura c) y toma valor cero si x e y son independientes (figura a) o
cuando la relaci´on, si existe, es no lineal (figura d). Adem´as, su valor no depende del orden en
que se consideren las variables, es decir, S
xy
= S
yx
y r
xy
= r
yx
. A diferencia de la covarianza,
el coeficiente de correlaci´on es una medida adimensional de la relaci´on que toma valores entre
-1 y 1, −1 ≤ r
xy
≤ 1: un coeficiente de correlaci´on igual a uno en valor absoluto indica que las
variables est´an relacionadas linealmente de forma exacta y los datos se sit´ uan sobre una l´ınea.
20
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
En Gretl, si se marcan las variables que interesan y se va a Ver →Matriz de correlaci´on se obtiene
una tabla (matriz) con los coeficientes de correlaci´on para cada par de variables consideradas.
El resultado para los datos de precios, tama˜ no y reforma de los pisos es:
Coeficientes de correlaci´on, usando las observaciones 1 - 50
valor cr´ıtico al 5% (a dos colas) = 0,2787 para n = 50
m2 Reforma precio
1,0000 0,0440 0,8690 m2
1,0000 0,2983 Reforma
1,0000 precio
Tabla 1.5: Matriz de coeficientes de correlaci´on
Por ejemplo, el coeficiente de correlaci´on entre el precio y el tama˜ no de los pisos se encuentra
en la primera fila, columna tercera, (precio-m2). Es decir, r
precio,m2
= 0, 869, lo que indica
que hay una fuerte relaci´on lineal positiva entre estas variables. Hay que tener en cuenta que
este coeficiente se define para variables cuantitativas, por lo que no lo aplicamos a la variable
Reforma.
1.6. Ejercicio para practicar
Se dispone de una base de datos para 51 observaciones en el Estado de Washington sobre el gasto
en sanidad, exphlth, y la renta disponible, income, correspondientes al a˜ no 1993
2
. Las variables
que se consideran son:
exphlth Gasto personal en sanidad, en billones de d´olares,
(Rango 0,998 - 94,178).
income Renta personal disponible, en billones de d´olares,
(Rango 9,3 - 64,1).
1. Describe los datos.
2. Haz el gr´afico de frecuencias de la variable exphlth. Interpr´etalo.
3. Haz el gr´afico de frecuencias de la variable income. Interpr´etalo.
4. Escribe la tabla de estad´ısticos descriptivos de las variables exphlth e income. Interpreta
los resultados.
5. Busca el coeficiente de correlaci´on entre las variables. Interpr´etalo.
6. Realiza un an´alisis gr´afico de las relaci´on existente entre las variables. Interpreta el resul-
tado.
2
Fichero data3-2.gdt. Fuente: Statistical Abstract of U.S. (1995), recogida en Ramanathan, R. (2002), Intro-
ductory econometrics with applications, 5th. Ed., South-Western.
21
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
22
Tema 2
Modelo de Regresi´on Lineal Simple
2.1. Introducci´on. Un ejemplo
Supongamos que nos interesa conocer la relaci´on que hay entre el precio de una vivienda y
su superficie. Se trata de cuantificar la influencia que tiene el tama˜ no de una vivienda en la
determinaci´on de su precio de venta mediante un modelo de regresi´on lineal simple. En este
cap´ıtulo vamos a especificar, estimar y analizar el modelo de regresi´on lineal simple. La
teor´ıa necesaria para este fin ser´a ilustrada mediante el estudio simult´aneo del conjunto de datos
data3-1 disponible en Gretl dentro del conjunto de datos correspondiente a Ramanathan. Este
fichero contiene el precio de venta y la superficie de 14 viviendas vendidas en el ´area de San
Diego. Vamos a comenzar realizando un an´alisis gr´afico.
1. Accedemos a este conjunto de datos en Archivo → Abrir datos →Archivo de muestra y en
la carpeta de datos de Ramanathan seleccionamos data3-1 House prices and sqft:
Gr´afico 2.1: Selecci´on de un fichero de muestra
23
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Se abre un fichero que contiene tres variables, const, price y sqft. La Tabla 2.1 muestra los
valores disponibles para cada variable.
i P
i
F2 i P F2
1 199,9 1065 8 365,0 1870
2 228,0 1254 9 295,0 1935
3 235,0 1300 10 290,0 1948
4 285,0 1577 11 385,0 2254
5 239,0 1600 12 505,0 2600
6 293,0 1750 13 425,0 2800
7 285,0 1800 14 415,0 3000
Tabla 2.1: Conjunto de datos incluidos en data3.1 House prices and sqft
2. En Datos →Leer informaci´on aparece la siguiente descripci´on del conjunto de datos:
DATA3-1: Precio de venta y superficie h´abil de viviendas
unifamiliares en la comunidad universitaria de San Diego
en 1990.
price = Precio de venta en miles de d´olares (Rango 199.9 - 505)
sqft = Pies cuadrados de ´area habitable (Rango 1065 - 3000)
3. Seguidamente en Variable →Editar atributos cambiamos los nombres a las variables (P y
F2), la descripci´on (Precio de venta en miles de d´olares y Pies cuadrados h´abiles) y el
nombre a mostrar (Precio, P y Superficie, F2)
4. Guardamos los cambios en un fichero llamado datos-cap3.gdt con Archivo →Guardar datos.
5. Abrimos el diagrama de dispersi´on entre las dos variables (ver el Gr´afico 2.2). En ´el ob-
servamos una relaci´on lineal positiva entre P y F2.
150
200
250
300
350
400
450
500
550
1500 2000 2500 3000
P
r
e
c
i
o
,

P
Superficie, F2
Precio, P con respecto a Superficie, F2 (con ajuste mnimo-cuadrÆtico)
Y = 52,4 + 0,139X
Gr´afico 2.2: Diagrama de dispersi´on precio-superficie de viviendas
24
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Un modelo sencillo que recoge una relaci´on lineal causa-efecto entre superficie y precio es P
i
=
α +βF2
i
. Esto quiere decir que el precio de una vivienda depende ´ unicamente de su superficie
y, por lo tanto, dos viviendas de igual tama˜ no deben tener exactamente el mismo precio. Esta
hip´otesis es poco realista porque diferencias en otras caracter´ısticas, como la orientaci´on de la
casa o su estado de conservaci´on, tambi´en influyen en su precio. Este modelo que recoge una
relaci´on lineal entre ´ unicamente dos variables se denomina modelo de regresi´on lineal simple.
2.2. Elementos del modelo de regresi´on simple
El modelo simple relaciona dos variables de forma lineal,
Y
i
= α +βX
i
+u
i
i = 1, . . . , N (2.1)
donde:
- Y es la variable a explicar, variable dependiente o end´ogena, es decir, la variable
que estamos interesados en explicar.
- X es la variable explicativa, variable independiente o ex´ogena.
- La ordenada α y la pendiente β del modelo son los coeficientes de la regresi´on. Si
definimos K como el n´ umero de coeficientes desconocidos a estimar, en el modelo de
regresi´on simple tenemos K = 2 coeficientes a estimar.
- u es el t´ermino de error, variable aleatoria o perturbaci´on.
- El sub´ındice i denota observaci´on. En general, el sub´ındice i ser´a empleado cuando la
muestra contenga datos de secci´on cruzada y el sub´ındice t cuando tengamos observaciones
correspondientes a series temporales, aunque esto no es de especial relevancia.
- N es el tama˜ no muestral, n´ umero de observaciones disponibles de las variables de estudio
(Y, X). Cuando tratemos con datos temporales T denotar´a el tama˜ no muestral
1
.
El error u
i
se introduce por varias razones, entre las cuales tenemos:
• Efectos impredecibles, originados por las caracter´ısticas de la situaci´on econ´omica o del
contexto de an´alisis, y efectos no cuantificables derivados de las preferencias y los gustos
de los individuos o entidades econ´omicas.
• Errores de medida producidos a la hora de obtener datos sobre las variables de inter´es.
• Errores de especificaci´on ocasionados por la omisi´on de alguna variable explicativa o bien,
por las posibles no linealidades en la relaci´on entre X e Y .
Modelo para la relaci´on precio-tama˜ no del piso. En este caso planteamos el siguiente modelo
de regresi´on lineal:
P
i
= α +β F2
i
+u
i
i = 1, . . . , N (2.2)
donde
1
En este cap´ıtulo y los siguientes, por simplicidad, no reservaremos la letra may´ uscula para variables aleatorias
X y las min´ usculas para realizaciones (x) sino que utilizaremos may´ usculas tanto para una variable aleatoria
como para su realizaci´on, es decir, para los datos.
25
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
- P
i
es la observaci´on i de la variable dependiente (end´ogena o a explicar) precio de venta
de un piso en miles de d´olares.
- F2
i
es la observaci´on i de la variable independiente (ex´ogena o explicativa) ´area habitable
del piso en pies cuadrados.
- Los dos coeficientes a estimar son α y β, y sospechamos que al menos β tiene valor positivo
ya que a mayor superficie habitable de la vivienda su precio l´ogicamente se esperar´a sea
mayor.
- En este modelo el t´ermino de error o perturbaci´on u
i
recoger´ıa caracter´ısticas espec´ıficas de
los pisos: lugar en el que se sit´ ua, orientaci´on de la casa, vistas, etc., es decir, caracter´ısticas
que diferencian el precio de los pisos que tienen la misma superficie habitable.
Un primer objetivo del an´alisis econom´etrico es conocer α y β, que son los par´ametros de la
relaci´on entre P y F2. Del total de viviendas del ´area objeto de estudio, tenemos una muestra
con datos de N= 14 pisos. Por tanto, el objetivo del estudio es inferir, a partir de la muestra,
la relaci´on precio-tama˜ no de una vivienda en la poblaci´on. Para llevar a cabo esta inferencia es
necesario determinar la naturaleza aleatoria de las variables que intervienen en el estudio.
2.3. Hip´otesis b´asicas
El modelo (2.1) debe completarse con la especificaci´on de las propiedades estoc´asticas de la
variable de inter´es Y . A partir de las propiedades de Y es posible conocer las propiedades de
los distintos m´etodos de estimaci´on, elegir el mejor estimador en el modelo, realizar contrastes,
etc. Las condiciones bajo las cuales vamos a trabajar en un principio se denominan hip´otesis
b´asicas. Bajo estas hip´otesis estimaremos y analizaremos el modelo para, finalmente, predecir
Y . En una segunda etapa, podemos considerar otras situaciones, relajando algunas de estas
hip´otesis, analizando si los procedimientos de estimaci´on y contraste anteriores siguen siendo
v´alidos. Las hip´otesis b´asicas se refieren a los distintos elementos de la regresi´on.
• Sobre la forma funcional
1. El modelo es lineal en los coeficientes. Los modelos a estimar que consideramos son linea-
les en los coeficientes, Y
i
= α + βX
i
+ u
i
. Sin embargo, podemos permitir no linealidades
en las variables explicativas como puede ser la especificaci´on:
P
i
= α +β (F2
i
)
2
+u
i
en la que la superficie habitable de los pisos no influye de forma lineal sobre el precio, sino
de forma cuadr´atica.
• Sobre los coeficientes
2. Los coeficientes α y β se mantienen constantes a lo largo de la muestra. Vamos a conside-
rar que la influencia de las variables explicativas es estable a lo largo de la muestra. Su-
pongamos que estamos interesados en analizar, en t´erminos medios, el precio de los pisos
26
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
de Bilbao (P) en funci´on de la superficie habitable en metros cuadrados (F2). En este caso
interesar´ıa estimar la recta central representada en el caso 1 del Gr´afico 2.3.
No obstante, supongamos que algunos de estos pisos est´an localizados en el centro de
Bilbao (representados en azul) y que otros est´an localizados en la periferia (en rojo). El
caso 2 del Gr´afico 2.3 muestra esta hipot´etica situaci´on: en general, para una determinada
superficie, los pisos del centro tienen mayor precio. As´ı, en el gr´afico es posible distinguir
dos nubes de puntos, cada una asociada a pisos de una determinada zona. Si este fuera el
caso, estar´ıamos dispuestos a creer que existen (y debemos estimar) dos rectas centrales
(la azul y la roja) permitiendo que tanto la ordenada como la pendiente cambien a lo largo
de la muestra, dependiendo de la zona en la que se localice el piso.
Caso 1: Sin discriminar por localizaci´on
-
6
P
F2
E(P
i
) = α +βF2
i
Caso 2: Discriminando por localizaci´on
-
6

∗∗ ∗








∗ ∗

∗∗


∗∗


∗ ∗



P
F2
E(P
i
/C) = α
1

1
F2
i
E(P
i
) = α +βF2
i
E(P
i
/P) = α
2

2
F2
i
Gr´afico 2.3: Precio de los pisos de Bilbao versus superficie habitable
• Sobre la variable end´ogena
3. La variable end´ogena es cuantitativa. A lo largo de este curso b´asico vamos a suponer
que la variable a explicar es cuantitativa. Lo contrario, una variable end´ogena cualitativa,
requiere m´etodos de estimaci´on alternativos al m´etodo que se analiza en este curso.
• Sobre la variable explicativa
4. La variable explicativa X tiene varianza muestral S
2
X
no nula y adem´as N ≥ K = 2. Es-
tas hip´otesis son necesarias para poder identificar los coeficientes (ordenada y pendiente).
En primer lugar, si el n´ umero de coeficientes a estimar fuera mayor que el n´ umero de ob-
servaciones disponibles en la muestra, no tenemos suficiente informaci´on para poder llevar
a cabo la estimaci´on. M´as adelante veremos que esta condici´on debe hacerse m´as estricta,
N > 2, si adem´as de estimar los dos par´ametros α y β que determinan el valor medio de
Y , nos interesa estimar su variabilidad.
Por otra parte, si la variable explicativa tuviera varianza muestral nula (S
2
X
= 0), es
decir, si la variable explicativa tomase un valor constante, por ejemplo, X
i
= 5 ∀i, la
pendiente y la ordenada no podr´ıan ser identificadas. Esto se debe a que la variable X es
una combinaci´on lineal del t´ermino constante, X = 5 t´ermino constante = 5 1 = 5. De
hecho, tal y como se puede observar en el Gr´afico 2.4, una situaci´on de estas caracter´ısticas
no puede explicar las variaciones de la variable de inter´es Y .
5. La variable ex´ogena X es fija, no estoc´astica. Las observaciones del regresor X
1
, . . . X
N
son valores fijos en muestras repetidas, es decir, suponemos que trabajamos en un con-
texto de experimento controlado. Esta condici´on implica que la variable explicativa X no
27
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
6
-
Y
i
X
i
X
i
= 5
Gr´afico 2.4: Modelo Y
i
= α +β 5 +u
i
, con S
2
X
= 0
podr´a estar medida con error. En el caso pr´actico que estamos considerando, esto significa
que los metros cuadrados habitables est´an medidos con exactitud. En muchos casos es un
supuesto poco realista, pero lo utilizamos como punto de partida. El contexto en el que
la variable explicativa X tiene car´acter aleatorio se estudia en textos m´as avanzados, por
ejemplo, Wooldridge (2003) o Alonso et al. (2005).
6. El modelo est´a bien especificado. En general, esta hip´otesis requiere que en el modelo no
se incluyan variables irrelevantes ni que se omitan variables relevantes para explicar Y . En
el contexto del modelo de regresi´on simple, esto significa que la variable explicativa X es
la ´ unica variable relevante para explicar y predecir la variable de inter´es Y .
• Sobre la perturbaci´on
El t´ermino de error recoge aquellos elementos que afectan a la variable de inter´es y que no obser-
vamos. Podemos hacer conjeturas sobre los valores que puede tomar, cu´ales son m´as probables
y cu´ales menos. As´ı, consideramos que u
i
es aleatorio y tiene las siguientes propiedades.
7. La perturbaci´on tiene media cero. El error impredecible, la parte aleatoria del modelo,
tiene media cero. Esto implica que la parte sistem´atica del modelo (α + βX
i
) puede ser
interpretada como el comportamiento medio a analizar, es decir, E(Y
i
) = α +βX
i
.
8. La perturbaci´on tiene varianza constante. Suponemos que la variabilidad del error se man-
tiene constante, var(u
i
) = σ
2
, ∀i (ver caso 1 del Gr´afico 2.5). De este modo, como puede
verse en la distribuci´on de la figura izquierda del Gr´afico 2.6, dados unos valores espec´ıfi-
cos de la variable explicativa, el rango de posibles valores que puede tomar la variable
end´ogena tiene la misma amplitud y la probabilidad de observar elementos alejados de la
media no depende del valor que tome la variable explicativa X.
En el caso contrario, estar´ıamos hablando de perturbaciones heteroced´asticas, cuya dis-
persi´on puede variar a lo largo de la muestra (ver caso 2 del Gr´afico 2.5). En el caso de
los pisos, significar´ıa, por ejemplo, que el rango de los precios de los pisos con menor su-
perficie es m´as peque˜ no que el de los pisos con mayor superficie habitable (ver la figura
derecha en el Gr´afico 2.6). En otras palabras, los pisos peque˜ nos y con la misma superficie
tienen los precios bastante parecidos. Sin embargo, a medida que aumenta la superficie,
la holgura crece y podemos encontrar pisos grandes de igual tama˜ no a diversos precios; es
decir, var(u
i
) es una funci´on creciente en X.
28
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Caso 1: varianza constante
?
6
-
u
i
X
i
0
Caso 2: varianza creciente con X
i
?
6
-
u
i
X
i
0
Gr´afico 2.5: Ejemplos de realizaciones de u
Varianza constante Varianza no constante
f(u)
Y
X
X1
X2
Gr´afico 2.6: Ejemplos de distribuci´on de Y
9. La perturbaci´on no est´a autocorrelacionada. Por el momento vamos a suponer que la corre-
laci´on entre dos observaciones distintas cualesquiera de la perturbaci´on es cero, corr(u
i
, u
j
) =
r
u
i
,u
j
= 0; ∀i ,= j. Esto implica que las covarianzas entre dos perturbaciones tambi´en es
cero: cov(u
i
, u
j
) = 0, ∀i ,= j.
10. La perturbaci´on sigue una distribuci´on normal. Este ´ ultimo supuesto, como veremos m´as
adelante, no se necesita para la estimaci´on ni para la obtenci´on de propiedades del es-
timador
2
. Sin embargo es necesario para poder realizar contraste de hip´otesis o calcular
intervalos de confianza.
2
Esto es as´ı porque el m´etodo de estimaci´on que se va a derivar es el de M´ınimos Cuadrados Ordinarios. Sin
embargo, si se estimase por m´axima verosimilitud el supuesto de normalidad sobre la distribuci´on de Y s´ı es
necesario para la obtenci´on del estimador.
29
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
2.3.1. Resumen: modelo de regresi´on lineal simple con hip´otesis b´asicas
Abreviadamente, el modelo con las hip´otesis b´asicas mencionadas se escribe:
Y
i
= α +βX
i
+u
i
, X
i
fija y u
i
∼ NID(0, σ
2
) ∀i
Es decir, Y
i
∼ NID(α+βX
i
, σ
2
), siendo α, β y σ
2
par´ametros desconocidos. En particular, nos
interesamos por los par´ametros de la media y su interpretaci´on en este modelo es:
• α = E(Y
i
[X
i
= 0): valor medio o esperado de la variable end´ogena cuando el valor que
toma la variable ex´ogena es cero.
• β =
∆E(Y
i
)
∆X
i
=
∂E(Y
i
)
∂X
i
: un aumento unitario en la variable explicativa conlleva un aumen-
to medio de β unidades en la variable end´ogena. La pendiente mide el efecto de un aumento
marginal en la variable explicativa sobre E(Y
i
).
→ As´ı, volviendo a nuestro ejemplo tenemos que:
α = E(P
i
[F2
i
= 0) es el precio medio de venta en miles de d´olares cuando el piso dispone de
una superficie de cero pies habitables, que tambi´en puede ser considerado como precio m´ınimo
de partida. En este caso, esperar´ıamos un coeficiente nulo dado que no tiene sentido hablar de
un piso sin superficie h´abil o bien un precio de partida positivo. No obstante, aunque en este
contexto la ordenada no tiene en principio mucho sentido, no debemos de eliminarla a la ligera
en aras de obtener resultados f´aciles de interpretar.
β =
∆E(P
i
)
∆F2
i
indica que, cuando un piso aumenta su superficie h´abil en un pie cuadrado, su
precio medio aumenta en β miles $.
2.4. Estimaci´on por M´ınimos Cuadrados Ordinarios
Una vez descrito el ´ambito en el que nos vamos a mover, vamos a obtener un estimador adecuado
de los coeficientes del modelo de regresi´on simple: el estimador de m´ınimos cuadrados ordinarios.
En primer lugar, obtendremos el estimador y, a continuaci´on, justificaremos su uso en base a
sus propiedades. El modelo simple (2.1) nos indica que cada observaci´on Y
i
es una realizaci´on
de una variable que tiene dos componentes: uno que depende del valor del regresor X
i
, cuyo
valor observamos, y un componente residual que no observamos. Esto significa que tenemos N
igualdades con una misma estructura:
Y
1
= α +βX
1
+u
1
.
.
.
Y
i
= α +βX
i
+u
i
.
.
.
Y
N
= α +βX
N
+u
N
30
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
El Gr´afico 2.7 representa gr´aficamente una posible muestra. Los puntos (Y
i
, X
i
) se sit´ uan o
distribuyen alrededor de la recta α + βX
i
. La desviaci´on de cada punto respecto a esta recta
central viene dada por el valor que tome el t´ermino de error no observable u
i
. Por ejemplo, en el
Gr´afico 2.7, la perturbaci´on es positiva para la primera observaci´on, de modo que Y
1
se encuentra
por encima de la recta central. Por otro lado, el punto (Y
2
, X
2
) se encuentra por debajo de la
recta central, es decir, u
2
toma un valor negativo.
6
-
Y
i
X
i
?
6
u
1
6
?
u
2
(Y
2
,X
2
)
(Y
1
, X
1
)
E(Y
i
) = α +βX
i
+E(u
i
)
. ¸¸ .
=0
α
Gr´afico 2.7: Modelo de regresi´on simple
As´ı, la recta central ser´ıa aquella recta que se obtiene cuando el valor de la perturbaci´on es cero.
Teniendo en cuenta que suponemos que la perturbaci´on tiene media cero, es decir, que no tiene
efectos sistem´aticos sobre Y , la recta central recoge el comportamiento medio de la variable de
inter´es. La estimaci´on de un modelo de regresi´on pretende obtener una aproximaci´on a esta
recta central no observable. En t´erminos econom´etricos, queremos calcular el comportamiento
medio de la variable de inter´es, α+βX
i
, a partir de observaciones provenientes de una muestra
(Y
1
, X
1
), (Y
2
, X
2
), . . . , (Y
N
, X
N
). Gr´aficamente, la estimaci´on consiste en calcular la pendiente y
la ordenada que mejor se ajusta a la nube de puntos.
Antes de proceder a la estimaci´on del modelo es preciso definir algunos nuevos conceptos. La
recta central objeto de estimaci´on se denomina Funci´ on de Regresi´on Poblacional (FRP)
y depende de los coeficientes poblacionales desconocidos α y β. Se trata de la parte sistem´atica
o predecible del modelo y corresponde al comportamiento medio o esperado de la variable a
explicar:
E(Y
i
) = E(α +βX
i
+u
i
) = α +βX
i
+E(u
i
)
. ¸¸ .
=0
= α +βX
i
La perturbaci´ on del modelo recoge todo aquello que no ha sido explicado por la parte sis-
tem´atica del modelo y se obtiene como la diferencia entre la variable a explicar y la recta de
regresi´on poblacional:
u
i
= Y
i
−α −βX
i
El resultado final obtenido a partir de la informaci´on que ofrece una muestra dada se define
como la Funci´on de Regresi´on Muestral (FRM). Se obtiene una vez que los coeficientes
de la regresi´on hayan sido estimados (ˆ α,
ˆ
β) y tambi´en se conoce como modelo estimado:
ˆ
Y
i
=
¯
E(Y
i
) = ˆ α +
ˆ
βX
i
31
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
El residuo mide el error cometido al estimar la variable end´ogena y se define como la diferencia
entre la variable a explicar y la recta de regresi´on muestral:
ˆ u
i
= Y
i

ˆ
Y
i
= Y
i
− ˆ α −
ˆ
βX
i
= α +βX
i
+u
i
− ˆ α −
ˆ
βX
i
(2.3)
= (α − ˆ α) + (β −
ˆ
β)X
i
+u
i
Este error proviene de dos fuentes: la primera, por el hecho de no poder obtener los valores de la
perturbaci´on (u
i
) y la segunda se debe a que la estimaci´on de los coeficientes desconocidos (α, β)
introduce un error adicional. Es importante, por tanto, diferenciar y no confundir el residuo con
la perturbaci´on.
-
6 Y
i
X
i
(Y
1
, X
1
)
Y
1
X
1
E(Y
i
) = α +βX
i
α
β
?
6
u
1
?
6α +βX
1
ˆ
Y
i
= ˆ α +
ˆ
βX
i
ˆ α
ˆ
β
ˆ α +
ˆ
βX
1
=
ˆ
Y
1
?
6
ˆ u
1
Gr´afico 2.8: Funci´on de regresi´on poblacional y funci´on de regresi´on muestral
En el Gr´afico 2.8 la funci´on de regresi´on poblacional est´a trazada en color negro as´ı como los
coeficientes poblacionales, la ordenada (α) y la pendiente (β). Podemos ver que el valor Y
i
se
obtiene como la suma del valor que toma la parte sistem´atica α + βX
i
(situada sobre la FRP)
y del valor que toma la perturbaci´on u
i
, esto es, Y
i
= α +βX
i
+u
i
.
La funci´on de regresi´on muestral y los coeficientes estimados (ˆ α y
ˆ
β) est´an representados en color
rojo. La diferencia entre la FRP y la FRM se debe a los errores que se cometen en la estimaci´on
de los coeficientes de la regresi´on (ˆ α ,= α,
ˆ
β ,= β). Bas´andonos en la FRM podemos obtener el
valor del punto Y
i
como la suma del valor estimado de la parte sistem´atica
ˆ
Y
i
= ˆ α+
ˆ
βX
i
(situado
sobre la FRM) y del valor que toma el residuo ˆ u
i
, esto es, Y
i
=
ˆ
Y
i
+ ˆ u
i
.
2.4.1. El criterio de estimaci´on m´ınimo-cuadr´atico
Dados el modelo y una muestra, debemos decidir c´omo obtener la funci´on de regresi´on muestral,
es decir, c´omo calcular las estimaciones ˆ α y
ˆ
β a partir de los datos. Un m´etodo muy utilizado por
su sencillez y buenas propiedades es el m´etodo de m´ınimos cuadrados ordinarios. El estimador de
M´ınimos Cuadrados Ordinarios, o MCO, de los par´ametros α y β se obtiene de minimizar
la suma de los residuos al cuadrado:
m´ın
ˆ α,
ˆ
β
N

i=1
ˆ u
2
i
= m´ın
ˆ α,
ˆ
β
N

i=1
(Y
i

ˆ
Y
i
)
2
= m´ın
ˆ α,
ˆ
β
N

i=1
(Y
i
− ˆ α −
ˆ
βX
i
)
2
(2.4)
Las expresiones del estimador de α y β se obtienen de las condiciones de primer orden, para lo
32
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
cual igualamos las primeras derivadas a cero:

N
i=1
ˆ u
2
i
∂ˆ α
= −2

N
i=1
(Y
i
− ˆ α −
ˆ
βX
i
) = 0

N
i=1
ˆ u
2
i

ˆ
β
= −2

N
i=1
(Y
i
− ˆ α −
ˆ
βX
i
)X
i
= 0
As´ı, obtenemos un sistema de ecuaciones, llamadas ecuaciones normales, que vienen dadas por:
N

i=1
(Y
i
− ˆ α −
ˆ
βX
i
)
. ¸¸ .
u
i
= 0 (2.5)
N

i=1
(Y
i
− ˆ α −
ˆ
βX
i
)X
i
. ¸¸ .
u
i
X
i
= 0 (2.6)
Las expresiones de los estimadores MCO para los coeficientes poblacionales α y β se obtienen
de resolver las ecuaciones para ˆ α y
ˆ
β:
ˆ
β =

N
i=1
(X
i

¯
X)(Y
i

¯
Y )

N
i=1
(X
i

¯
X)
2
=
S
XY
S
2
X
(2.7)
ˆ α =
¯
Y −
ˆ
β
¯
X (2.8)
2.4.2. Propiedades de los estimadores MCO
Necesitamos saber cu´ales son las propiedades que justifican el uso de los estimadores MCO en
el modelo de regresi´on simple bajo las hip´otesis b´asicas. Los estimadores ´ α y
´
β son lineales en
la perturbaci´on, es decir, pueden expresarse como una combinaci´on lineal de las perturbaciones
u
1
, . . . , u
N
. En segundo lugar, los estimadores MCO son variables aleatorias cuya distribuci´on
est´a centrada alrededor del valor poblacional, esto es
E(ˆ α) = α E(
ˆ
β) = β
y, por tanto, son estimadores insesgados. Y en cuanto a la precisi´on, el Teorema de Gauss-
Markov prueba que los estimadores MCO tienen m´ınima varianza dentro del conjunto de los
estimadores lineales (en u) e insesgados. Las varianzas y covarianza para los estimadores son las
siguientes:
var(ˆ α) = σ
2
_

N
i=1
X
2
i
N

N
i=1
(X
i

¯
X)
2
_
= σ
2
_
1
N
+
¯
X
2
N S
2
X
_
(2.9)
var(
ˆ
β) = σ
2
_
1

N
i=1
(X
i

¯
X)
2
_
=
σ
2
N
1
S
2
X
(2.10)
cov(ˆ α,
ˆ
β) = σ
2
_

¯
X

N
i=1
(X
i

¯
X)
2
_
= −
σ
2
N
¯
X
S
2
X
(2.11)
Ambas varianzas dependen de la dispersi´on de la perturbaci´on var(u
i
) = σ
2
, del tama˜ no muestral
y de la dispersi´on del regresor X. En ambos casos, cuanto mayor sea N o la variabilidad de X,
S
2
x
, menor es la varianza de los estimadores MCO. En cuanto a la covarianza ser´a no nula a no
ser que la media muestral de la variable explicativa sea cero.
33
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
2.4.3. La estimaci´on MCO en Gretl
→ Como ejemplo, calcularemos las estimaciones MCO del modelo para el precio de la vivienda,
P
i
= α +βF2
i
+u
i
, con la muestra del fichero datos-cap3.gdt. Una forma sencilla de obtener la
FRM m´ınimo-cuadr´atica es realizar el diagrama de dispersi´on en el cual la recta de regresi´on
aparece en la parte superior izquierda. En el ejemplo que nos ocupa tenemos que ˆ α = 52, 4 y
ˆ
β = 0, 139, como se puede ver en el Gr´afico 2.2.
Vamos a ver c´omo podemos obtener una tabla de resultados detallados. Una vez iniciada la
sesi´on de Gretl y abierto el fichero datos-cap3.gdt, vamos a
Modelo →M´ınimos cuadrados ordinarios...
Aparece la ventana donde se especifica la parte sistem´atica del modelo:
Gr´afico 2.9: Ventana de especificaci´on del modelo lineal
• Escogemos la variable dependiente, el precio de venta: en el cuadro izquierdo pinchamos
sobre P y luego Elegir − >.
• Elegimos la variable independiente, el tama˜ no: en el cuadro izquierdo pinchamos sobre
F2 y luego A˜ nadir − >. La ventana de especificaci´on aparece en el Gr´afico 2.9.
Tras pinchar en Aceptar aparece la ventana de resultados del modelo (ver el Gr´afico 2.10).
MENÚ DEL MODELO
Gr´afico 2.10: Ventana de resultados de estimaci´on MCO
En esta ventana aparecen los resultados b´asicos para el an´alisis del modelo y que se explican
34
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
detalladamente a lo largo del curso. La primera columna muestra las variables explicativas que
se han incluido en el modelo, la constante (const) y la superficie que posee la vivienda (F2). En
la segunda columna tenemos los coeficientes estimados por MCO correspondientes a cada una
de las variables. Como ya vimos, la estimaci´on de la ordenada es igual a ´ α= 52,35 miles de
d´olares y la estimaci´on de la pendiente es
´
β = 0, 138750 miles $ por pie cuadrado. As´ı la funci´on
de regresi´on muestral es:
´
P
i
= 52, 3509 + 0,138750 F2
i
(2.12)
Es decir, cuando la superficie de la vivienda aumenta en un pie cuadrado, el precio medio de
venta estimado aumenta en
´
β 1000 = 138, 750 d´olares. Observar que esta interpretaci´on
corresponde a la estimaci´on del coeficiente, no al par´ametro poblacional β.
Esta ventana de resultados del modelo tiene un men´ u con siete opciones, Archivo, Editar, Con-
trastes, Guardar, Gr´aficos, An´alisis y Latex, que sirven para mostrar otro tipo de resultados de
estimaci´on o guardarlos. Veamos algunas de estas utilidades.
ICONO DEL MODELO
ESTIMADO
Vista de iconos
Gr´afico 2.11: Ventana de iconos: recuperar resultados estimaci´on
Guardar resultados. Si en el men´ u de resultados del modelo vamos a Archivo →Guardar a
sesi´on como icono, el modelo queda guardado dentro de la carpeta USER. As´ı, podemos recupe-
rarlo siempre que queramos; basta con pinchar sobre el bot´on iconos de sesi´on, cuarto por la
izquierda de la barra de herramientas (ver el Gr´afico 2.11), y en la ventana que aparece, pinchar
dos veces sobre el icono llamado Modelo 1. Si posteriormente estim´aramos otro modelo y lo
guard´aramos como icono, Gretl lo denominar´ıa Modelo 2.
Algunos gr´aficos de inter´es. La opci´on Gr´aficos de la ventana de resultados del modelo
incluye distintas representaciones gr´aficas tanto de la variable end´ogena de inter´es, como de su
ajuste y de los errores de su ajuste. Veamos algunos de los m´as utilizados en regresi´on con datos
de secci´on cruzada.
• En Gr´aficos →Gr´afico de variable estimada y observada →contra F2 obtenemos el gr´afico
de dispersi´on de las observaciones reales P
i
frente a la variable explicativa F2
i
junto con
la funci´on de regresi´on muestral (2.12). El resultado es la figura izquierda del Gr´afico 2.12.
• Si seleccionamos Gr´aficos →Gr´afico de residuos →contra F2, se representan los errores de
ajuste ˆ u
i
sobre la variable explicativa F2
i
, es decir, el diagrama de dispersi´on de los pares
de puntos (F2
1
, ˆ u
1
), . . . , (F2
14
, ˆ u
14
), como aparece en la figura derecha del Gr´afico 2.12.
Podemos apreciar que los residuos se distribuyen alrededor del valor cero (
¯
´ u = 0) y que la
35
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
150
200
250
300
350
400
450
500
550
1500 2000 2500 3000
P
r
e
c
io
,

P
Superficie, F2
Precio, P observada y estimada
actual
estimada
-60
-40
-20
0
20
40
60
80
100
1500 2000 2500 3000
r
e
s
id
u
o
Superficie, F2
Residuos de la regresin (= P observada - estimada)
Gr´afico 2.12: Gr´aficos de resultados de regresi´on MCO
variaci´on con respecto a esta media crece a medida que aumenta el tama˜ no de los pisos.
Este ´ ultimo resultado podr´ıa indicar que la hip´otesis b´asica de varianza constante quiz´as
no sea aceptable.
Variables asociadas a la regresi´on. Para ver los valores que toman los ajustes
ˆ
Y
i
y los resi-
duos ˆ u
i
, debemos seleccionar An´alisis →Mostrar variable observada, estimada, residuos.
El resultado que obtenemos es la tabla 2.2. Podemos guardar cualquiera de estos valores selec-
cionando la opci´on Guardar del men´ u del modelo, tal como muestra el Gr´afico 2.13.
Rango de estimaci´on del modelo: 1--14
Desviaci´on t´ıpica de los residuos = 39,023
Observaciones P estimada residuos Observaciones P estimada residuos
1 199,9 200,1 −0,2 8 365,0 311,8 53,2
2 228,0 226,3 1,7 9 295,0 320,8 −25,8
3 235,0 232,7 2,3 10 290,0 322,6 −32,6
4 285,0 271,2 13,8 11 385,0 365,1 19,9
5 239,0 274,4 −35,5 12 505,0 413,1 91,9
6 293,0 295,2 −2,2 13 425,0 440,9 −15,9
7 285,0 302,1 −17,1 14 415,0 468,6 −53,6
Tabla 2.2: Residuos de la regresi´on MCO.
Para almacenar
ˆ
P
i
hay que elegir Guardar →Valores estimados. Sale una ventanilla en la que, por
defecto, el valor ajustado o estimado de la variable end´ogena se llama yhat1 y en la descripci´on
aparece valores estimados mediante el modelo 1. Dado que nuestra variable dependiente es el
precio de venta P, cambiamos de nombre a la variable y la renombramos como phat1. Si repetimos
los pasos anteriores pero escogemos Guardar →Residuos, en la ventanilla correspondiente se
nombra a los residuos como uhat1 y la descripci´on es residuos del modelo 1. Una vez guardadas
estas dos series, las encontramos en la ventana principal junto a la variable independiente P y
la variable explicativa F2.
2.4.4. Propiedades de la recta m´ınimo-cuadr´atica
Vamos a realizar un peque˜ no an´alisis de las variables que intervienen en la regresi´on m´ınimo-
cuadr´atica, con objeto de estudiar las similitudes y relaciones que pueden existir entre ellas.
36
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Gr´afico 2.13: Residuos MCO
Estad´ısticos principales, usando las observaciones 1 - 14
Variable Media Mediana M´ınimo M´aximo
P 317, 493 291, 500 199, 900 505, 000
F2 1910, 93 1835, 00 1065, 00 3000, 00
phat1 317, 493 306, 958 200, 120 468, 602
uhat1 0, 000000 −1, 1919 −53, 601 91, 8983
Variable Desv. T´ıp. C.V. Asimetr´ıa Exc. de curtosis
precio 88, 4982 0, 278741 0, 653457 −0, 529833
F2 577, 757 0, 302344 0, 485258 −0, 672125
phat1 80, 1640 0, 252491 0, 485258 −0, 672125
uhat1 37, 4921 6, 15597e+15 1, 02687 0, 817927
Tabla 2.3: Estad´ısticos descriptivos de variables de la FRM
Finalmente, generalizaremos estos resultados, comprobando que estas propiedades se cumplen
en cualquier regresi´on lineal m´ınimo-cuadr´atica.
Comenzaremos obteniendo los estad´ısticos descriptivos del regresor F2, la variable end´ogena P,
su ajuste
ˆ
P y su residuo ˆ u en Ver →Estad´ısticos principales de la ventana inicial de Gretl:
Analizando esta tabla-resumen de los datos comprobamos que:
i) La media de los residuos (uhat1) es cero,
¯
ˆ u = 0.
ii) Las medias de la variable dependiente P
i
y la estimada (phat1) coinciden,
¯
P =
¯
´
P.
iii) Los coeficientes de asimetr´ıa y curtosis de la variable dependiente ajustada
´
P
i
coinciden
con las de la variable independiente F2
i
.
A continuaci´on, vamos a analizar las relaciones lineales existentes entre estas variables. Mediante
Ver →Matriz de correlaci´on obtenemos la siguiente matriz de correlaciones:
Podemos ver que:
37
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Coeficientes de correlaci´on, usando las observaciones 1 - 14
valor cr´ıtico al 5\% (a dos colas) = 0,5324 para n = 14
P F2 uhat1 phat1
1, 0000 0, 9058 0, 4236 0, 9058 P
1, 0000 −0, 0000 1, 0000 F2
1, 0000 −0, 0000 uhat1
1, 0000 phat1
Tabla 2.4: Matriz de correlaciones
iv) Los valores ajustados
´
P
i
y el regresor F2
i
est´an perfectamente correlacionados,
r

PF2
= 1.
v) La correlaci´on entre los valores observados P
i
con los valores ajustados
´
P
i
y la va-
riable explicativa F2
i
es la misma, r
P

P
= r
PF2
.
vi) Los residuos ´ u
i
y la variable explicativa F2
i
est´an incorrelacionados, r
uF2
= 0.
vii) Los residuos ´ u
i
y la variable ajustada
´
P
i
est´an incorrelacionados, r
u

P
= 0.
Justificaci´ on de estos resultados: La propiedad i) se deriva de la primera ecuaci´on normal
(2.5), que nos indica que la suma de los residuos ha de ser cero, por lo que
¯
ˆ u = 0. Notar que la
primera ecuaci´on normal existe s´olo si el modelo tiene t´ermino independiente y no en otro caso.
Por lo tanto, los resultados que se obtienen derivados de ella solo se cumplen en el caso de que
el t´ermino independiente exista. De
¯
ˆ u = 0 y como
¯
Y =
¯
ˆ
Y +
¯
ˆ u, se obtiene la propiedad ii).
Las propiedades iii), iv) y v) se deben a que los valores de
´
P se obtienen de un cambio de
origen y escala de la variable F2,
´
P = ˆ α +
ˆ
βF2. Esta relaci´on implica que sus distribuciones de
frecuencias tienen las mismas las medidas de forma, est´an perfectamente correlacionadas entre
s´ı y tienen la misma correlaci´on lineal frente a terceras variables.
La propiedad vi) se deriva de las ecuaciones normales (2.5), que indica que
¯
ˆ u = 0, y (2.6),
que implica que los residuos son ortogonales a la variable explicativa X,

i
X
i
ˆ u
i
= 0. Como
consecuencia, la covarianza muestral entre residuo y variable explicativa es cero:
S
Xˆ u
=
1
N
N

i=1
(X
i

¯
X)(ˆ u
i

¯
ˆ u) =
1
N
N

i=1
X
i
ˆ u
i

¯
X
¯
ˆ u = 0
y, por tanto, la correlaci´on entre ambas variables es: r
ˆ uX
= S
ˆ uX
/S
ˆ u
S
X
= 0. Esto nos viene a
decir que en la parte del modelo que queda sin explicar, el residuo ˆ u, ya no queda nada que la
variable ex´ogena X pueda explicar o aportar en t´erminos lineales. Finalmente, bas´andonos en
que r
ˆ uX
= 0 y que el ajuste
ˆ
Y es una transformaci´on lineal de X, se demuestra la propiedad
vii), r
u

Y
= 0. De esta condici´on y dado que Y
i
=
ˆ
Y
i
+ ˆ u
i
, se deriva una ´ ultima propiedad:
viii) La varianza muestral de Y puede descomponerse en dos t´erminos: la varianza explicada
por X y la varianza residual, es decir,
S
2
Y
= S
2
ˆ
Y
+S
2
ˆ u
2.4.5. La precisi´on de la estimaci´on y la bondad del ajuste
Una vez realizada las estimaciones de los coeficientes del modelo, la siguiente etapa del an´alisis
consiste en el an´alisis y evaluaci´on de los resultados. Por ejemplo nos interesa,
38
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
1. Obtener una medida de la precisi´on en la estimaci´on de α y β.
2. Evaluar la calidad del ajuste a los datos, es decir, si la funci´on de regresi´on muestral,
ˆ
Y
i
= ˆ α +
ˆ
βX
i
, resume bien el comportamiento observado de la variable end´ogena.
3. Evaluar si el modelo propuesto es correcto o si hay alg´ un error en la especificaci´on del
modelo, en las hip´otesis planteadas.
Este apartado desarrolla los puntos 1 y 2. La respuesta al punto 3 es m´as compleja, de modo
que el siguiente apartado introduce algunos aspectos de la evaluaci´on del modelo.
La precisi´on de la estimaci´on
La desviaci´on t´ıpica de la distribuci´on muestral de los estimadores es un buen indicador de
la precisi´on. Sin embargo, habitualmente la desviaci´on t´ıpica de los estimadores tiene alg´ un
elemento desconocido. Esto sucede en este caso, como puede comprobarse en la expresi´on de las
varianzas (2.9) y (2.10), que dependen de la varianza de la perturbaci´on var(u
i
) = σ
2
. Podemos
obtener una estimaci´on de la desviaci´on t´ıpica sustituyendo el par´ametro poblacional σ por un
estimador insesgado, ´ σ. El resultado se conoce como errores t´ıpicos de los coeficientes de
la regresi´on, es decir,
Error t´ıpico (ˆ α) =
¯
des(ˆ α) =
ˆ σ

N
¸
1 +
¯
X
2
N S
2
X
Error t´ıpico (
ˆ
β) =
¯
des(
ˆ
β) =
ˆ σ

N
1
S
X
Un estimador insesgado de la varianza σ
2
es:
ˆ σ
2
=
1
N −2
N

i=1
ˆ u
2
i
=
1
N −2
N

i=1
(Y
i

ˆ
Y
i
)
2
donde

i
ˆ u
2
i
es la suma de cuadrados residual, (o SCR), y N − 2 son los grados de liber-
tad que tenemos tras estimar α y β. Su ra´ız cuadrada ˆ σ se conoce como error t´ıpico de los
perturbaciones o error t´ıpico de la regresi´on. Por tanto, la precisi´on de las estimaciones de
los coeficientes aumenta con el n´ umero de observaciones N y la dispersi´on del regresor S
X
y
disminuye cuando crece el error t´ıpico ˆ σ.
De forma similar, se construye el siguiente estimador insesgado de la matriz de las varianzas y
la covarianza de los estimadores MCO:
´
V
_
´ α
´
β
_
=
_
¯ var(ˆ α) ´ cov(ˆ α,
ˆ
β)
´ cov(ˆ α,
ˆ
β) ¯ var(
ˆ
β)
_
= ˆ σ
2
_
_
_
_
_
_
1
N
+
¯
X
2

i
(X
i

¯
X)
2
_

¯
X

i
(X
i

¯
X)
2
1

i
(X
i

¯
X)
2
_
_
_
_
_
→ Errores t´ıpicos de estimaci´on y estimaci´on de las varianzas en Gretl. En los resultados
de estimaci´on del caso pr´actico aparecen los siguientes valores relacionados con la precisi´on:
39
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Modelo 1: estimaciones MCO utilizando las 14 observaciones 1-14
Variable dependiente: P
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const 52,3509 37,2855 1,404 0,18565
F2 0,138750 0,0187329 7,407 <0,00001***
Suma de cuadrados de los residuos = 18273,6
Desviaci´on t´ıpica del os residuos = 39,023
La columna encabezada por DESV. T
´
IP. proporciona los errores t´ıpicos de estimaci´on, es decir,
¯
des(ˆ α) y
¯
des(
ˆ
β). Se observa que es m´as precisa la estimaci´on del efecto marginal de la superficie
del piso β que la de la ordenada α ya que su varianza estimada es menor. La desviaci´on t´ıpica
de los residuos es el error t´ıpico ˆ σ y Suma de cuadrados de los residuos es SCR =

i
ˆ u
2
i
.
En esta tabla no aparece la estimaci´on de la varianza de la perturbaci´on, pero se puede calcular:
• De su relaci´on con la desviaci´on t´ıpica de los residuos: ˆ σ
2
= 39, 0230
2
= 1522, 8.
• Dividiendo la suma de cuadrados de los residuos entre los grados de libertad N −2, as´ı
ˆ σ
2
=
18273, 6
14 −2
= 1522, 8
Tambi´en es posible obtener la estimaci´on de la matriz de varianzas y covarianzas de los coefi-
cientes de regresi´on seleccionando en el men´ u del modelo An´alisis →Matriz de covarianzas de
los coeficientes. El resultado para el conjunto de 14 observaciones es:
Matriz de covarianzas de los coeficientes de regresi´on
const sqft
1390,21 -0,670583 const
3,50920e-04 sqft
Tabla 2.5: Estimaci´on de varianzas y covarianza de ˆ α y
ˆ
β.
es decir, ¯ var(ˆ α) = 1390, 21, ¯ var(
ˆ
β) = 3, 5092 10
−4
y ´ cov(ˆ α,
ˆ
β) = −0, 670583.
Los errores t´ıpicos de estimaci´on y de la regresi´on dependen de las unidades de medida, es
decir, las podemos reducir o agrandar cuanto queramos con s´olo cambiar de escala las variables
dependiente e independiente. Por otro lado, interesa tener una medida que nos indique, en la
medida de lo posible, si estamos ante unos buenos resultados de ajuste a los datos de la funci´on
de regresi´on muestral.
Bondad del ajuste
La medida de la bondad del ajuste que vamos a utilizar es el coeficiente de determinaci´on,
R
2
´o R-cuadrado. Este coeficiente tiene la siguiente expresi´on en el modelo de regresi´on lineal
40
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
simple:
R
2
= r
2
XY
= 1 −

i
ˆ u
2
i

i
(Y
i

¯
Y )
2
=

i
(
ˆ
Y
i

¯
ˆ
Y
i
)
2

i
(Y
i

¯
Y )
2
(2.13)
Este coeficiente mide la ganancia obtenida al pasar de un modelo sin variable explicativa X:
Y
i
= α +u
i
a otro en el que se incluye esta variable: Y
i
= α +βX
i
+u
i
Por tanto el R-cuadrado mide la proporci´on de la variabilidad observada de la variable depen-
diente Y que se ha podido explicar por incluir de forma lineal en el modelo la variable explicativa
X. Normalmente se interpreta en porcentajes, por ejemplo, se dice que la regresi´on explica el
100 R
2
por ciento de la variaci´on observada en Y . Es f´acil comprobar que:
- El criterio m´ınimo-cuadr´atico equivale a maximizar R
2
.
- R
2
= r
2
Y
ˆ
Y
, mide la correlaci´on entre el valor observado y el valor predicho o ajustado
con la regresi´on. Como 0 ≤ r
2
Y
ˆ
Y
≤ 1, si R
2
· 0 diremos que el ajuste es pobre y, por el
contrario, ser´a un buen ajuste cuando este estad´ıstico est´e pr´oximo a la unidad.
Esta propiedad no se cumple en modelos sin t´ermino independiente, es decir, Y
i
=
βX
i
+u
i
.
→ Si analizamos el caso pr´actico, vemos que el coeficiente de determinaci´on aparece en la tabla
de resultados de estimaci´on, R-cuadrado = 0,820522. Podemos decir que este ajuste es bueno,
ya que la variabilidad muestral de la superficie de la vivienda (F2) ha explicado el 82 % de la
variabilidad muestral de los precios de venta de dichas viviendas (P).
2.5. Contrastes de hip´otesis e intervalos de confianza
Al proponer un modelo para el precio de los pisos hemos asumido que el tama˜ no del piso es el
factor m´as relevante en la fijaci´on de su precio. Las conclusiones que obtengamos de la estima-
ci´on y predicci´on depender´an del cumplimiento de esta hip´otesis. Por tanto, conviene valorar si
este supuesto es sensato. Para ello vamos a utilizar los contrastes de hip´otesis y los intervalos de
confianza sobre la distribuci´on de los estimadores. El planteamiento es el siguiente:
• Si el precio de un piso no se ve afectado por su superficie, entonces su efecto marginal es
cero, luego β = 0, y diremos que la variable explicativa no es significativa o relevante para
explicar Y . Si esto es cierto, el modelo propuesto no tiene sentido y debemos reformularlo.
• Por el contrario, si el precio est´a relacionado con la superficie del piso, entonces β ,= 0 y
decimos que el regresor X es significativo o relevante para explicar (y predecir) Y .
2.5.1. Contrastes de hip´otesis sobre β
Contraste de significatividad individual de X. Para verificar si la variable independiente
F2 es significativa para determinar el precio medio de la vivienda, podemos realizar un contraste.
Planteamos las siguientes hip´otesis a contrastar:
_
H
0
: β = 0 (X no es significativa o relevante para explicar Y )
H
a
: β ,= 0 (X es significativa o relevante para explicar Y )
41
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Para obtener un estad´ıstico de contraste partimos de la siguiente variable aleatoria:
´
β −β
¯
des(
´
β)
∼ t
(N−K)
(2.14)
El estad´ıstico del contraste se obtiene sustituyendo en esta variable el valor recogido en H
0
:
t =
´
β −0
¯
des(
´
β)
H
0
∼ t
(N−K)
Es un contraste bilateral, como se observa en el siguiente gr´afico de la distribuci´on del estad´ıstico
bajo H
0
:
Gr´afico 2.14: Criterio de decisi´on del contraste de significatividad individual
la regla de decisi´on es la siguiente: fijado un nivel de significaci´on α,
- Rechazamos H
0
si el valor muestral del estad´ıstico t
m
pertenece a la regi´on cr´ıtica, es
decir, si es menor que −c = −t
(N−K)α/2
o bien mayor que c = t
(N−K)α/2
y concluimos
que la variable explicativa es relevante.
- No rechazamos H
0
en otro caso, es decir, si el valor muestral t
m
se sit´ ua en el intervalo
[−c, c] con c = t
(N−K)α/2
. Concluimos que la variable X no es relevante o significativa
para explicar la variable dependiente Y .
→ Veamos si la superficie de la vivienda es un factor relevante para determinar su precio:
_
H
0
: β = 0
H
a
: β ,= 0
t =
´
β
¯
des(
´
β)
H
0
∼ t
(14−2)
El valor muestral del estad´ıstico t
m
se incluye en los resultados de estimaci´on, es la cuarta
columna, encabezada por ESTAD T. Es decir,
ESTAD T = t
m
= 7, 4068 =
columna COEFICIENTE
columna DESV.TIP.
=
0, 13875
0, 0187329
El valor cr´ıtico del contraste para el nivel de significaci´on del 5 % es c = t
(14−2)0,05/2
= 2, 179.
Como resultado tenemos que 7, 4068 > 2, 179, por lo que t
m
pertenece a la regi´on cr´ıtica y,
en consecuencia, rechazamos H
0
a un nivel de significaci´on del 5 %. Podemos concluir que la
variable F2 es significativa o relevante para determinar el precio medio de la vivienda. En el
42
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
tema siguiente, veremos c´omo la columna VALOR P de la tabla de resultados de Gretl informa
sobre la conclusi´on del contraste.
Otros contrastes sobre β. Como hay evidencia estad´ıstica de que β es distinto de cero y, por
lo tanto, la variable explicativa X es significativa, nos puede interesar saber qu´e valor puede
tomar. Vamos a generalizar el procedimiento de contraste anterior. Veamos dos ejemplos.
→ Ejemplo 1. Ante un aumento de la superficie de la vivienda de un pie cuadrado, ¿podr´ıa el
precio medio de venta de la vivienda aumentar en 100 d´olares? Planteamos el contraste:
_
H
0
: β = 0, 1
H
a
: β ,= 0, 1
Sustituyendo en la variable (2.14) el valor bajo H
0
, obtenemos el estad´ıstico de contraste:
t =
´
β −0, 1
¯
des(
´
β)
H
0
∼ t
(N−K)
Hay que tener en cuenta que la columna ESTAD T de los resultados de estimaci´on de Gretl,
corresponde al valor muestral del estad´ıstico para H
0
: β = 0. Por tanto, tenemos que calcular el
valor muestral del estad´ıstico de contraste, que en este caso es:
t
m
=
0, 138750 −0, 1
0, 0187329
= 2, 068
El valor cr´ıtico para α = 5 % es c = t
(14−2)0,05/2
= 2, 179. Como el valor calculado cae fuera de
la regi´on cr´ıtica, −2, 179 < 2, 068 < 2, 179, no rechazamos la H
0
a un nivel de significaci´on del
5 %. Por tanto, es posible un incremento de 100 d´olares en el precio medio de la vivienda ante
un aumento unitario en la superficie.
→ Ejemplo 2. Ante el mismo aumento unitario en la superficie, ¿podr´ıa el precio medio de
venta de la vivienda aumentar en 150 d´olares? Planteamos el contraste y, al igual que en el caso
anterior, llegamos al estad´ıstico de contraste:
_
H
0
: β = 0, 15
H
a
: β ,= 0, 15
t =
´
β −0, 15
¯
des(
´
β)
H
0
∼ t
(N−K)
El estad´ıstico de contraste en este caso toma el valor
t
m
=
0, 138750 −0, 15
0, 0187329
= −0, 6005 ⇒−c = −2, 179 < −0, 6005 < 2, 179 = c
con c = t
(12)0,025
. As´ı, no rechazamos H
0
a un nivel de significaci´on del 5 % y tambi´en es posible
que si ∆F2 = 1, entonces el precio medio de la vivienda aumente en 150$.
Si observamos los contrastes anteriores, siempre y cuando el valor del estad´ıstico calculado t
m
est´e fuera de la regi´on cr´ıtica, es decir, en el intervalo [−2, 179; 2, 179] no rechazaremos la hip´otesis
nula propuesta.
43
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
2.5.2. Intervalos de confianza
Un intervalo de confianza est´a definido por dos valores entre los cuales se encuentra el valor del
par´ ametro con un determinado nivel de confianza que se denota (1−α). Para obtener el intervalo
de confianza del coeficiente β, definimos el intervalo de valores que tiene una probabilidad (1−α)
en la distribuci´on (2.14) asociada al estimador. As´ı
Prob
_
−t
(N−2)α/2

´
β −β
¯
des(
´
β)
≤ t
(N−2)α/2
_
= 1 −α
Reordenamos en funci´on del par´ametro desconocido β:
Prob
_
´
β −t
(N−2)α/2
¯
des(
´
β) ≤ β ≤
´
β +t
(N−2)α/2
¯
des(
´
β)
_
= 1 −α
y obtenemos el intervalo de confianza (1−α) para el par´ametro β. Observamos que est´a centrado
en la estimaci´on puntual y que se desv´ıa en una cantidad que est´a dada por t
(N−K)α/2
veces su
error t´ıpico de estimaci´on,
¯
des(
´
β). Si estimamos con muy poca precisi´on, este intervalo ser´a am-
plio. Esto quiere decir que la variabilidad muestral del estimador acota a β en un intervalo m´as
amplio. En lo que sigue del curso emplearemos la siguiente notaci´on para expresar el intervalo
de confianza:
IC(β)
1−α
=
_
ˆ
β ±t
(N−2)α/2
¯
des(
ˆ
β)
_
El correspondiente intervalo de confianza para α se obtiene de forma similar:
IC(α)
1−α
=
_
ˆ α ±t
(N−2)α/2
¯
des(ˆ α)
_
→ Continuando con la pr´actica, vamos a obtener los intervalos de confianza para los dos coefi-
cientes de regresi´on. Para ello, vamos a An´alisis →Intervalos de confianza para los coeficientes.
El resultado es:
t(12, .025) = 2,179
VARIABLE COEFICIENTE INTERVALO DE CONFIANZA 95%
const 52,3509 (-28,8872, 133,589)
F2 0,138750 (0,0979349, 0,179566)
Tabla 2.6: Estimaci´on por intervalo
En esta tabla de resultados, la segunda columna ofrece las estimaciones por punto, esto es,
´ α = 52, 3509 y
´
β = 0, 138750. La tercera indica los l´ımites de los intervalos a una confianza del
95 %, esto es:
IC(α)
0,95
= [−28, 887 ; 133, 587]
IC(β)
0,95
= [0, 0979349 ; 0, 179566]
Por tanto, podemos afirmar con un nivel de confianza del 95 % que, ante un aumento de la
superficie de la vivienda de un pie cuadrado, el precio medio de venta de dicha vivienda aumen-
tar´a entre 97,9349 y 179,566 d´olares.
44
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
2.6. Resumen. Presentaci´on de los resultados
Los resultados de la estimaci´on de un modelo se suelen presentar de forma resumida, incluyendo
tanto la recta de regresi´on como un conjunto de estad´ısticos ´ utiles para evaluar los resultados.
Una forma habitual de presentar la estimaci´on es la siguiente:
´
P
(

des)
= 52, 3509
(37,285)
+ 0, 138750
(0,018733)
F2
N = 14 R
2
= 0, 82 ˆ σ = 39, 023
Bajo cada coeficiente estimado aparece su error t´ıpico de estimaci´on. Otra opci´on es incluir los
estad´ısticos t
m
de significatividad individual o los grados de libertad. Por ejemplo,
´
P
(estad. t)
= 52, 3509
(1,404)
+ 0, 138750
(7,407)
F2
Grados libertad = 12 R
2
= 0, 82 ˆ σ = 39, 023
2.7. Ejercicios para practicar
Ejercicio 1:
Se quiere analizar los costes acumulados de reparaci´on de los coches Toyota (cost) en funci´on
de la edad del coche (age). Para realizar este ejercicio deb´eis utilizar los datos contenidos en el
archivo de muestra en Gretl data3-7 de Ramanathan, Toyota station wage repairs:
1. Con los datos del fichero, rellena los valores del cuadro siguiente:
i 1 2 3 4 5 . . . N
cost
i
. . .
age
i
. . .
2. ¿Los datos son de secci´on cruzada o series temporales? ¿Cu´al es el tama˜ no muestral?
3. ¿Cu´al es el coste de reparaci´on del cuarto coche? ¿Cu´antos a˜ nos tiene?
4. Obt´en los estad´ısticos principales de las variables cost y age. Com´entalos.
5. ¿Cu´al es la edad media muestral de los coches?
6. Especifica un modelo para analizar los costes de reparaci´on de los coches.
7. ¿Cu´al es la variable end´ogena? ¿Y la explicativa? ¿Qu´e elementos de este modelo son
aleatorios?
8. Escribe la funci´on objetivo a minimizar para estimar este modelo por M´ınimos Cuadrados
Ordinarios.
9. Escribe la Funci´on de Regresi´on Muestral.
45
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
10. ¿Cu´al es el coste estimado para el primer coche de la muestra? ¿Y el residuo?
11. Interpreta los coeficientes estimados. ¿Tienen los signos esperados?
12. El coche A tiene un a˜ no m´as que el coche B (52 semanas). ¿Cu´al es la diferencia estimada
en el coste de reparacion de uno y otro?
13. Si la edad de un coche aumenta un mes (4 semanas), ¿en cu´anto se espera que incremente
su coste acumulado estimado?
14. ¿Cu´al es la expresi´on del coeficiente de determinaci´on? Interpreta el valor obtenido.
15. Estima la varianza de las perturbaciones.
16. Estima la matriz de varianzas y convarianzas de los estimadores MCO de los coeficientes
del modelo.
17. Calcula el intervalo de confianza del 95 % para el coeficiente de la variable age.
18. Contrasta la significatividad de la variable age.
19. ¿Crees que de una semana a la siguiente el coste medio acumulado de reparaci´on de un
Toyota puede aumentar 10 d´olares?
20. Obt´en los siguientes gr´aficos y com´entalos:
a) Los residuos a lo largo de la muestra.
b) La variable end´ogena y la estimada a lo largo de la muestra.
Ejercicio 2:
Se dispone de una base de datos para 51 estados de E.E.U.U. sobre el gasto agregado en trans-
porte urbano (EXPTRAV ) y la renta disponible agregada (INCOME) correspondientes al
a˜ no 1993
3
. Las variables que se consideran son:
EXPTRAV Gasto agregado en transporte urbano, en billones
de d´olares, (Rango 0,708 - 42,48).
INCOME Renta disponible agregada, en billones de d´olares,
(Rango 9,3 - 683,5).
POP Poblaci´on, en millones,
(Rango 0,47 - 31,217).
1. Especifica un modelo para analizar si la renta disponible agregada explica el gasto agregado
en transporte urbano. Interpreta sus coeficientes.
2. Estima el modelo por M´ınimos Cuadrados Ordinarios. Comenta los resultados obtenidos
en t´erminos de bondad de ajuste, significatividad y signos de los coeficientes estimados.
Razona si te parecen adecuados los resultados.
3. Obt´en e interpreta los siguientes gr´aficos:
3
Fichero data8-2.gdt. Fuente: Statistical Abstract of U.S. (1995), recogida en Ramanathan, R. (2002), Intro-
ductory econometrics with applications, 5th. Ed., South-Western.
46
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
• Gr´afico de la serie de residuos MCO.
• Gr´afico de residuos MCO sobre la variable POP.
4. ¿Podr´ıa un aumento de un mill´on de d´olares en la renta disponible agregada producir un
aumento, en media, de un bill´on de d´olares en el gasto en transporte urbano agregado?
5. Define e indica que miden las siguientes variables:
EXPOP =
EXPTRAV
POP
y INCPOP =
INCOME
POP
.
6. Regresa la variable EXPOP sobre la variable INCPOP y un t´ermino independiente.
a) Interpreta los coeficientes estimados.
b) Contrasta la significatividad de la variable INCPOP.
c) Compara los resultados de ambos modelos, ¿cu´al te parece m´as razonable?
47
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
48
Tema 3
Modelo de Regresi´on Lineal M´ ultiple
3.1. Introducci´on. Un ejemplo
En este tema consideramos introducir en el modelo de regresi´on, adem´as del t´ermino constante,
m´as de una variable explicativa por lo que pasamos del llamado modelo de regresi´on lineal simple
al modelo de regresi´on lineal m´ ultiple.
Comenzamos con el ejemplo que se ha seguido en el tema sobre el Modelo de Regresi´on Lineal
Simple. El precio de una casa, en miles de d´olares, (P) era la variable dependiente y la variable
explicativa era el tama˜ no de la casa o el n´ umero de pies cuadrados del ´area habitable (F2).
Ampliaremos el modelo incluyendo dos variables explicativas m´as, el n´ umero de habitaciones
(BEDRMS) y el n´ umero de ba˜ nos (BATHS) siendo el modelo de regresi´on lineal m´ ultiple
1
P
i
= β
1

2
F2
i

3
BEDRMS
i

4
BATHS
i
+u
i
i = 1, 2, . . . , N (3.1)
El modelo de regresi´on lineal general (MRLG), con K variables explicativas
Y
i
= β
1

2
X
2i
+. . . +β
K
X
Ki
+u
i
i = 1, 2, . . . , N. (3.2)
se puede escribir en notaci´on matricial:
Y
(N×1)
= X
(N×K)
β
(K×1)
+ u
(N×1)
donde cada uno de los elementos se definen:
Y =
_
¸
¸
¸
_
Y
1
Y
2
.
.
.
Y
N
_
¸
¸
¸
_
X =
_
¸
¸
¸
_
1 X
21
X
K1
1 X
22
X
K2
.
.
.
.
.
.
.
.
.
.
.
.
1 X
2N
X
KN
_
¸
¸
¸
_
β =
_
¸
¸
¸
_
β
1
β
2
.
.
.
β
K
_
¸
¸
¸
_
u =
_
¸
¸
¸
_
u
1
u
2
.
.
.
u
N
_
¸
¸
¸
_
Por el momento, seguimos suponiendo las mismas hip´otesis b´asicas sobre el t´ermino de pertur-
baci´on y sobre las variables explicativas o regresores, a saber:
i) E(u
i
) = 0 ∀ i, E(u
2
i
) = σ
2
∀ i, E(u
i
u
j
) = 0 ∀i ,= j.
1
Dado que seguimos con los mismos datos de secci´on cruzada utilizamos el sub´ındice i = 1, . . . , N. La notaci´on
para datos de series temporales suele ser t = 1, . . . , T.
49
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
ii) La perturbaci´on sigue una distribuci´on normal.
iii) Las variables X
2
a X
k
no son estoc´asticas, son fijas. Esto quiere decir que en muestras
repetidas de N observaciones de Y
i
, X
2i
, . . . , X
ki
, las variables X
2i
, . . . , X
ki
, i = 1, . . . , N
tomar´ıan siempre los mismos valores. Este supuesto, junto a E(u
i
) = 0, implica que los
regresores y el t´ermino de perturbaci´on est´an incorrelacionados.
iv) Los regresores son linealmente independientes, esto quiere decir que el rango de la ma-
triz de datos de los regresores X es K tal que no tiene columnas repetidas ni unas son
combinaciones lineales de otras.
v) Adem´as se supone que se dispone de un n´ umero suficiente de observaciones para estimar
los par´ametros β
j
, j = 1, . . . , K, esto es K < N.
Interpretaci´on de cada uno de los coeficientes de regresi´on:
• Los par´ametros β
j
, j = 2, . . . , K:
Manteniendo constante el valor del resto de variables explicativas, si X
ji
cambia
en una unidad, Y
i
se espera que cambie en media β
j
unidades.
• El par´ametro β
1
que acompa˜ na al t´ermino constante recoge el valor esperado de la variable
dependiente cuando el resto de variables explicativas o regresores incluidos toman el valor
cero.
Siguiendo con el ejemplo, el modelo (3.1) se puede escribir en notaci´on matricial:
Y
(N×1)
= X
(N×4)
β
(4×1)
+ u
(N×1)
donde cada uno de los elementos se definen:
Y =
_
¸
¸
¸
_
P
1
P
2
.
.
.
P
N
_
¸
¸
¸
_
X =
_
¸
¸
¸
_
1 F2
1
BEDRMS
1
BATHS
1
1 F2
2
BEDRMS
2
BATHS
2
.
.
.
.
.
.
.
.
.
.
.
.
1 F2
N
BEDRMS
N
BATHS
N
_
¸
¸
¸
_
β =
_
¸
¸
_
β
1
β
2
β
3
β
4
_
¸
¸
_
u =
_
¸
¸
¸
_
u
1
u
2
.
.
.
u
N
_
¸
¸
¸
_
Interpretaci´on de los coeficientes:
• El coeficiente β
1
es el valor medio esperado de aquellas viviendas que no tienen ning´ un pie
cuadrado de ´area habitable, ni habitaciones ni ba˜ nos.
• El coeficiente β
2
:
Considerando dos casas con el mismo n´ umero de habitaciones y de ba˜ nos, para aquella
casa que tenga un pie cuadrado m´as de ´area habitable se espera que cambie en media su
precio de venta en β
2
miles de d´olares.
• El coeficiente β
3
:
Considerando dos casas con el mismo n´ umero de pies cuadrados de ´area habitable y n´ umero
de ba˜ nos, para aquella casa que tenga una habitaci´on m´as se espera que cambie en media
su precio de venta en β
3
miles de d´olares.
50
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
• El coeficiente β
4
:
Considerando dos casas con el mismo n´ umero de pies cuadrados de ´area habitable y n´ umero
de habitaciones, para aquella casa que tenga un ba˜ no m´as se espera que cambie en media
su precio de venta en β
4
miles de d´olares.
El an´alisis de regresi´on m´ ultiple nos permite examinar el efecto marginal de una variable
explicativa en particular, una vez hemos controlado por otras caracter´ısticas recogidas en el
resto de variables explicativas que mantenemos constantes. Por eso a veces al resto de regresores
se les llama variables de control. Veremos m´as adelante cu´ando es importante controlar por otras
variables y qu´e problemas tendremos si las omitimos.
3.2. Estimaci´on de M´ınimos Cuadrados Ordinarios utilizando Gretl
Se dispone de una base de datos sobre el precio de venta de una vivienda y distintas caracter´ısti-
cas de 14 viviendas vendidas en la comunidad universitaria de San Diego en 1990. Son datos de
secci´on cruzada y las variables que se consideran son:
P: Precio de venta en miles de d´olares (Rango 199.9 - 505)
F2: Pies cuadrados de ´area habitable (Rango 1065 - 3000)
BEDRMS: N´ umero de habitaciones (Rango 3 - 4)
BATHS: N´ umero de ba˜ nos (Rango 1,75 - 3)
Los datos para P y F2 son los mismos que los utilizados en el ejemplo del Tema 2 sobre el modelo
de regresi´on lineal simple. Adem´as tenemos informaci´on sobre dos nuevas variables que vamos
a considerar incluir como explicativas en el modelo para el precio de la vivienda.
Comenzamos una sesi´on en Gretl para estimar este modelo con la muestra de 14 viviendas:
P
i
= β
1

2
F2
i

3
BEDRMS
i

4
BATHS
i
+u
i
i = 1, . . . , 14
En la parte de arriba de la ventana principal de Gretl tenemos distintas opciones. Si posicionamos
el cursor podemos ir eligiendo dentro de ellas.
1. Leemos los datos que est´an disponibles en Gretl como archivo de muestra:
Archivo → Abrir datos → Archivo de muestra
Elegir de Ramanathan el fichero data4-1 proporcionados en el cuarto cap´ıtulo del libro de
Ramanathan (2002). Abrir.
2. Podemos ver los datos de todas las variables, que aparecen en la Tabla 3.1. Las dos primeras
columnas coinciden con los datos utilizados en el Tema 2.
3. Estimaci´on por M´ınimos Cuadrados Ordinarios (MCO).
Modelo → M´ınimos Cuadrados Ordinarios
Se abre una nueva ventana. Utilizando el cursor, seleccionar de la lista de variables de la
izquierda:
• La variable dependiente (P) y pulsar elegir.
51
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
P F2 BEDRMS BATHS
199.9 1065 3 1.75
228.0 1254 3 2.00
235.0 1300 3 2.00
285.0 1577 4 2.50
239.0 1600 3 2.00
293.0 1750 4 2.00
285.0 1800 4 2.75
365.0 1870 4 2.00
295.0 1935 4 2.50
290.0 1948 4 2.00
385.0 2254 4 3.00
505.0 2600 3 2.50
425.0 2800 4 3.00
415.0 3000 4 3.00
Tabla 3.1: Modelo (3.1). Datos de caracter´ısticas de viviendas
• Las variables independientes o regresores de esta especificaci´on y pulsar a˜ nadir cada
vez. La variable Const es el t´ermino constante o variable que toma siempre valor uno.
Por defecto ya est´a incluida pero si no se quisiera poner se podr´ıa excluir. Simplemente
habr´ıa que seleccionarla con el cursor y dar a Quitar.
Pinchar en Aceptar.
Aparece una nueva ventana con los resultados de la estimaci´on
2
. Iremos comentando los
resultados mostrados. Situando el cursor en la parte de arriba de esta ventana podremos
ver que hay distintos men´ us cuyas funciones estar´an asociadas a esta regresi´on.
4. Hay varios formatos para guardar los resultados, como por ejemplo un formato compatible
con Microsoft Word mediante:
Editar → Copiar → RTF(Ms Word)
Abrir un documento con Microsoft Word. Elegir Edici´on → Pegar. Se pegar´an todos los
resultados de la ventana anterior. Guardar el documento y minimizar si se quiere volver a
utilizar m´as tarde para pegar y guardar otros resultados.
3.3. An´alisis de los resultados mostrados
En esta secci´on vamos a ir comentando los resultados que nos muestra el programa cuando
utilizamos la opci´on de estimaci´on por M´ınimos Cuadrados Ordinarios. Algunos de estos resul-
tados ya han sido comentados en el Tema 2 sobre el modelo de regresi´on lineal simple, pero
nos servir´a tambi´en de repaso. Una vez especificado el modelo, el programa Gretl muestra en la
ventana gretl:modelo1 la siguiente informaci´on sobre la estimaci´on MCO del modelo con los
datos del fichero elegido:
2
Recordar que esta ventana puede ser minimizada para su posible utilizaci´on posterior o el modelo puede
guardarse en la sesi´on como icono. Si la cerramos tendr´ıamos que volver a hacer lo mismo para obtener de nuevo
esta ventana y poder elegir dentro de las opciones asociadas a esta regresi´on.
52
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Modelo 1: estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: P
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 129,062 88,3033 1,4616 0,1746
F2 0,154800 0,0319404 4,8465 0,0007
BEDRMS −21,587 27,0293 −0,7987 0,4430
BATHS −12,192 43,2500 −0,2819 0,7838
Media de la var. dependiente 317,493
D.T. de la variable dependiente 88,4982
Suma de cuadrados de los residuos 16700,1
Desviaci´on t´ıpica de los residuos (ˆ σ) 40,8657
R
2
0,835976
¯
R
2
corregido 0,786769
F(3, 10) 16,9889
valor p para F() 0,000298587
Log-verosimilitud −69,453
Criterio de informaci´on de Akaike 146,908
Criterio de informaci´on Bayesiano de Schwarz 149,464
Criterio de Hannan–Quinn 146,671
Algunos Gr´aficos
En la ventana de resultados de estimaci´on, Gretl nos ofrece la posibilidad de analizar el gr´afico
de residuos as´ı como el gr´afico de la variable observada y estimada tanto por observaci´on como
sobre las distintas variables que hay en la especificaci´on del modelo. Por ejemplo elegimos
Gr´aficos → Gr´afico de residuos → Por n´ umero de observaci´on
y obtenemos el gr´afico de los residuos del modelo estimado para el precio de la vivienda a lo largo
de las 14 observaciones de la muestra En el gr´afico 3.1 se observa que los residuos se disponen
−60
−40
−20
0
20
40
60
80
2 4 6 8 10 12 14
r
e
s
i
d
u
o
Residuos de la regresión (= price observada − estimada)
Gr´afico 3.1: Gr´afico de residuos por n´ umero de observaci´on
alrededor del valor cero ya que esta es su media muestral. La dispersi´on de estos residuos es
mayor para las ´ ultimas viviendas en la muestra. Si elegimos
53
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Gr´aficos → Gr´afico de residuos → Contra F2
obtenemos el gr´afico de los residuos sobre la variable F2. Este gr´afico muestra que la dispersi´on
de los residuos alrededor de su media muestral, que es cero, aumenta a mayor valor de F2.
Esto sugiere que la hip´otesis b´asica sobre la varianza de la perturbaci´on constante pueda no ser
adecuada.
−60
−40
−20
0
20
40
60
80
1500 2000 2500 3000
r
e
s
i
d
u
o
F2
Residuos de la regresión (= price observada − estimada)
Gr´afico 3.2: Gr´afico de residuos contra la variable F2
Otro gr´afico que ilustra la bondad del ajuste de nuestro modelo relativamente a los datos obser-
vados, es el gr´afico de la variable estimada y observada por n´ umero de observaci´on. Para obtener
este gr´afico elegimos
Gr´aficos → Gr´afico de variable estimada y observada → por n´ umero de observaci´on
De esta forma obtenemos el siguiente gr´afico
300
400
500
600
700
800
900
1000
1100
2 4 6 8 10 12 14
p
r
i
c
e
observación
price observada y estimada
estimada
observada
Gr´afico 3.3: Gr´afico de la variable estimada y observada por n´ umero de observaci´on
En este gr´afico se puede observar el valor estimado del precio de las viviendas en la muestra,
dados los valores observados de las variables explicativas y el modelo estimado, en relaci´on al
precio observado. El ajuste parece empeorar para las ´ ultimas viviendas en la muestra. Si hacemos
54
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
el gr´afico de la variable estimada y observada contra la variable F2 que recoge el tama˜ no de las
viviendas
Gr´aficos → Gr´afico de variable estimada y observada → Contra F2
150
200
250
300
350
400
450
500
550
1500 2000 2500 3000
p
r
i
c
e
F2
price con respecto a sqft, observada y estimada
estimada
observada
Gr´afico 3.4: Gr´afico de la variable estimada y observada contra F2
En el gr´afico 3.4 se observa que el modelo se ajusta mejor a las observaciones asociadas a las
viviendas de menor tama˜ no, ya que los valores estimados est´an m´as concentrados alrededor
de los observados para esas viviendas. El ajuste es peor para viviendas de m´as de 2000 pies
cuadrados.
3.3.1. Coeficientes estimados
Las estimaciones obtenidas de los coeficientes que se muestran en la segunda columna est´an
asociados a cada una de las variables explicativas que figuran al lado en la primera columna.
Dadas las realizaciones muestrales de la variable dependiente Y
i
≡ P
i
, y explicativas, X
2i

F2
i
, X
3i
≡ BEDRMS
i
, X
4i
≡ BATHS
i
, las estimaciones se obtienen de minimizar la suma
de cuadrados de los residuos con respecto a los coeficientes desconocidos
ˆ
β
1
,
ˆ
β
2
,
ˆ
β
3
,
ˆ
β
4
. Estos
coeficientes estimados se han obtenido de utilizar el siguiente criterio de estimaci´on por el m´etodo
de M´ınimos Cuadrados Ordinarios
m´ın
ˆ
β
1
,
ˆ
β
2
,
ˆ
β
3
,
ˆ
β
4
N

i=1
(Y
i

ˆ
β
1

ˆ
β
2
X
2i

ˆ
β
3
X
3i

ˆ
β
4
X
4i
)
2
Las condiciones de primer orden de este problema resultan en cuatro ecuaciones con cuatro
inc´ognitas.

Y
i
= N
ˆ
β
1
+
ˆ
β
2

X
2i
+
ˆ
β
3

X
3i
+
ˆ
β
4

X
4i

Y
i
X
2i
=
ˆ
β
1

X
2i
+
ˆ
β
2

X
2
2i
+
ˆ
β
3

X
3i
X
2i
+
ˆ
β
4

X
4i
X
2i

Y
i
X
3i
=
ˆ
β
1

X
3i
+
ˆ
β
2

X
2i
X
3i
+
ˆ
β
3

X
2
3i
+
ˆ
β
4

X
4i
X
3i

Y
i
X
4i
=
ˆ
β
1

X
4i
+
ˆ
β
2

X
2i
X
4i
+
ˆ
β
3

X
3i
X
4i
+
ˆ
β
4

X
2
4i
55
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Estas ecuaciones se conocen con el nombre de Ecuaciones Normales. Al igual que en el modelo
de regresi´on lineal simple, la primera ecuaci´on o primera condici´on asociada al t´ermino constante
implica que la suma de los residuos debe de ser cero. El resto de ecuaciones implican que los
residuos tienen que ser ortogonales a cada una de las variables explicativas. En conjunto, estas
condiciones implican que los residuos de la estimaci´on MCO est´an incorrelacionados con los
regresores. En t´erminos matriciales se pueden escribir como:
X

Y = (X

X)
ˆ
β ⇔ X

(Y −X
ˆ
β) = 0 ⇔ X

ˆ u = 0
Si las cuatro ecuaciones son linealmente independientes, el rango de (X

X) es igual a K = 4, y
por lo tanto existe una ´ unica soluci´on a este sistema de ecuaciones. La soluci´on ser´a el estimador
MCO del vector de par´ametros β.
ˆ
β
MCO
= (X

X)
−1
X

Y
Sustituyendo los valores muestrales del fichero data4-1 para Y y X dar´ıan lugar a las estima-
ciones obtenidas de los coeficientes.
Para el modelo especificado en la ecuaci´on (3.1), la relaci´on estimada es
´
P
i
= 129, 062 + 0, 1548 SQFT
i
−21, 588 BEDRMS
i
−12, 193 BATHS
i
(3.3)
Aunque hemos utilizado los mismos datos para P y F2 que en el Tema 2, el incluir las dos nuevas
variables explicativas en el modelo ha hecho que las estimaciones de los coeficientes asociados al
t´ermino constante y a F2 hayan cambiado
3
.
Esto ocurre porque las nuevas variables BEDRMS y BATHS est´an correlacionadas con la ya
incluida F2 y su media es distinta de cero
4
.
Si esto no ocurriera y

X
3i
=

X
4i
=

X
2i
X
3i
=

X
2i
X
4i
= 0, las ecuaciones normales
quedar´ıan de la siguiente forma

Y
i
= N
ˆ
β
1
+
ˆ
β
2

X
2i


(Y
i

ˆ
β
1

ˆ
β
2
X
2i
) = 0

Y
i
X
2i
=
ˆ
β
1

X
2i
+
ˆ
β
2

X
2
2i


(Y
i

ˆ
β
1

ˆ
β
2
X
2i
)X
2i
= 0

Y
i
X
3i
=
ˆ
β
3

X
2
3i
+
ˆ
β
4

X
4i
X
3i

Y
i
X
4i
=
ˆ
β
3

X
3i
X
4i
+
ˆ
β
4

X
2
4i
3
En el caso de considerar un MRLS solamente con F2 adem´as de la constante se obten´ıa

P = 52, 3509
(37,285)
+ 0, 138750
(0,018733)
F2
T = 14
¯
R
2
= 0, 8056 F(1, 12) = 54, 861 ˆ σ = 39, 023
(Desviaciones t´ıpicas entre par´entesis)
4
Usando las observaciones 1 - 14, la matriz de correlaciones entre BEDRMS, BATHS y F2 es
F2 BEDRMS BATHS
1, 0000 0, 4647 0, 7873 F2
1, 0000 0, 5323 BEDRMS
1, 0000 BATHS
y las medias muestrales de BEDRMS y BATHS son:
Variable Media
BEDRMS 3, 64286
BATHS 2, 35714
56
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Dadas esas condiciones, las dos ´ ultimas ecuaciones no dependen de
ˆ
β
1
ni de
ˆ
β
2
y las dos primeras
ecuaciones normales coinciden con las que se obten´ıan en el Tema 2 para el modelo de regresi´on
lineal simple. Por lo tanto, en ese caso se obtendr´ıa la misma soluci´on para
ˆ
β
1
y
ˆ
β
2
que en el
MRLS inlcuyendo solamente el t´ermino constante y F2 ≡ X
2
y entonces las mismas estimaciones
de esos coeficientes. Por lo tanto, en general no da lo mismo incluir o no otras variables en el
modelo a la hora de estimar el efecto de una variable sobre la variable dependiente.
Interpretaci´on de los coeficientes estimados.
El coeficiente estimado que acompa˜ na a la variable F2, variable que recoge el tama˜ no total de la
vivienda, es positivo y parece ser el signo adecuado. Si consideramos dos viviendas con el mismo
n´ umero de ba˜ nos y habitaciones, parece razonable pensar que aquella con mayor ´area habitable
tenga un precio mayor. Esto indica que las habitaciones ser´an m´as grandes.
Los signos de los coeficientes asociados a BEDRMS y BATHS son negativos. Podemos pensar
que si aumenta el n´ umero de habitaciones o el n´ umero de ba˜ nos, esto indicar´ıa una vivenda m´as
lujosa y por lo tanto deber´ıa de aumentar el valor de la vivienda. Pero hay que tener en cuenta
que a la hora de interpretar un coeficiente de regresi´on asociado a uno de los regresores estamos
manteniendo constante el resto de variables explicativas.
Si la misma superficie habitable se tiene que dividir para poder incluir una nueva habitaci´on, el
resultado ser´a que cada habitaci´on ser´a m´as peque˜ na. El signo del coeficiente estimado indica que
un comprador medio valora negativamente tener m´as habitaciones a costa de un menor tama˜ no
de ´estas. Lo mismo se puede interpretar en el caso del coeficiente que acompa˜ na a BATHS.
Interpretaci´on de los coeficientes estimados:
• El coeficiente estimado
ˆ
β
1
= 129, 062 indica el precio medio estimado en miles de euros, de
aquellas viviendas que no tienen ning´ un pie cuadrado de ´area habitable, ni habitaciones
ni ba˜ nos.
• El coeficiente estimado
ˆ
β
2
= 0, 154800:
Considerando dos casas con el mismo n´ umero de habitaciones y de ba˜ nos, para aquella
casa que tenga un pie cuadrado m´as de ´area habitable se estima que en media su precio
de venta se incremente en 154.800 d´olares.
• El coeficiente estimado
ˆ
β
3
= −21, 5875:
Si aumenta el n´ umero de habitaciones, manteniendo constante el tama˜ no de la vivienda y
el n´ umero de ba˜ nos, el precio medio se estima disminuir´a en 21.588 d´olares.
• El coeficiente
ˆ
β
4
= −12, 1928:
Manteniendo el tama˜ no de la vivienda y el n´ umero de habitaciones constante, a˜ nadir un
ba˜ no completo m´as significa tener habitaciones m´as peque˜ nas, por lo que el precio medio
se estima disminuir´a en 12.193 d´olares.
¿Se mantendr´ıa el signo del coeficiente que acompa˜ na a BEDRMS si no incluimos
la variable F2 ni BATHS?
Pues seguramente no, porque en ese caso no estamos controlando por esa variable en la regre-
si´on, y como hemos visto F2 y BEDRMS est´an correlacionados. Por lo tanto m´as habitaciones
implicar´ıa mayor superficie de piso, y por lo tanto m´as precio en media. Lo mismo ocurrir´ıa si
solamente incluimos BATHS. Ahora bien, ¿qu´e ocurrir´ıa si excluimos solamente F2 y dejamos
57
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
las otras dos variables explicativas? Veremos las implicaciones que tiene omitir o no controlar
por variables relevantes en un tema posterior.
Estimaci´on del incremento medio en el precio de la vivienda ante cambios en las
variables explicativas.
Utilizando los resultados (3.3) de la estimaci´on del modelo (3.1), si manteniendo el n´ umero de
ba˜ nos tenemos dos habitaciones m´as y aumenta el ´area habitable en 500 pies cuadrados, el
cambio en el precio medio estimado de una vivienda ser´a de 34.224 d´olares, esto es
¯
´P
i
= 0, 1548 ´F2
i
−21, 588 ´BEDRMS
i
=
(0, 1548 500) −(21, 588 2) = 34, 224 miles de d´olares
3.3.2. Desviaciones t´ıpicas e intervalos de confianza
Por el momento nos hemos centrado en la interpretaci´on de las estimaciones puntuales. Pero
tambi´en tenemos que tener en cuenta que estas estimaciones son realizaciones muestrales de
un estimador, que es una variable aleatoria. Por lo tanto, pueden estar sujetas a variaci´on
muestral ya que distintas muestras puedan dar lugar a distintas realizaciones muestrales. Estas
estimaciones de un mismo vector de par´ametros β estar´an distribuidas con mayor o menor
variaci´on alrededor de su valor poblacional siguiendo cierta distribuci´on de probabilidad.
Bajo las hip´otesis b´asicas que hemos enumerado al principio de este tema, el valor poblacional
del vector de par´ametros β es la media de la distribuci´on ya que
ˆ
β
MCO
es un estimador insesgado.
Su distribuci´on es una Normal y la matriz de varianzas y covarianzas viene dada por la expresi´on
V (
ˆ
β
MCO
) = σ
2
(X

X)
−1
. Esto se suele denotar como
ˆ
β
MCO
∼ N(β, σ
2
(X

X)
−1
) (3.4)
La varianza de las perturbaciones, σ
2
, es un par´ametro desconocido. Un estimador insesgado de
la misma bajo las hip´otesis b´asicas es
ˆ σ
2
=
ˆ u

ˆ u
N −K
donde ˆ u = Y −X
ˆ
β
MCO
es el vector de residuos. El programa, en la ventana gretl:modelo1 muestra
las realizaciones muestrales de la suma de cuadrados de los residuos (SCR), ˆ u

ˆ u = 16700, 1 y de
la desviaci´on t´ıpica de los residuos

ˆ σ
2
= 40, 8657.
Un estimador insesgado, bajo las hip´otesis b´asicas, de la matriz de varianzas y covarianzas de
ˆ
β
MCO
es
ˆ
V (
ˆ
β
MCO
) = ˆ σ
2
(X

X)
−1
En la ventana de resultados de la estimaci´on del modelo por MCO, gretl:modelo1, podemos
obtener la realizaci´on muestral de este estimador
ˆ
V (
ˆ
β
MCO
) = ˆ σ
2
(X

X)
−1
eligiendo:
An´alisis → Matriz de covarianzas de los coeficientes
Se abre una nueva ventana, gretl:covarianzas de los coeficientes, donde se muestra la es-
timaci´on de las varianzas (elementos de la diagonal principal) y covarianzas (elementos fuera
de la diagonal principal) de los coeficientes de regresi´on
ˆ
β, como se muestra en la Tabla 3.2.
Dado que es una matriz sim´etrica, solamente aparecen los valores por encima de la diagonal
58
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Matriz de covarianzas de los coeficientes
const F2 BEDRMS BATHS
7797, 47 0, 670891 −1677, 1 −1209, 3 const
0, 00102019 −0, 0754606 −0, 995066 F2
730, 585 −356, 40 BEDRMS
1870, 56 BATHS
Tabla 3.2: Modelo (3.1). Estimaci´on de la matriz de covarianzas de
ˆ
β
principal. La ra´ız cuadrada de los elementos de la diagonal principal son los mismos valores que
los mostrados en la tercera columna de la ventana gretl:modelo1. Por ejemplo, la varianza
estimada del coeficiente
ˆ
β
2
asociado a F2 es ¯ var(
ˆ
β
2
) = 0, 00102019 y su ra´ız cuadrada es su
desviaci´on t´ıpica estimada
¯
des(
ˆ
β
2
) = 0, 0319404.
Tambi´en podemos obtener estimaciones de las covarianzas entre los coeficientes estimados. Por
ejemplo, la covarianza estimada entre los coeficientes
ˆ
β
2
asociado a F2 y
ˆ
β
4
asociado a BATHS
es igual a ˆ cov(
ˆ
β
2
,
ˆ
β
4
) = −0, 995066.
Intervalos de confianza:
Seguidamente vamos a ver c´omo podemos obtener intervalos de confianza para cada coeficiente
individual. ¿Qu´e nos indican estos intervalos? ¿Cu´al es su utilidad?
Bajo las hip´otesis b´asicas, se puede demostrar que la variable aleatoria
ˆ
β
j
−β
j
¯
des(
ˆ
β
j
)
∼ t(N −K) (3.5)
donde
¯
des(
ˆ
β
j
) es la desviaci´on t´ıpica estimada del estimador
ˆ
β
j
y t(N−K) denota la distribuci´on
t de Student de (N − K) grados de libertad. Esto es v´alido para cualquiera de los coeficientes
β
j
, j = 1, . . . , K.
Denotamos por c = t
(N−K)α/2
la ordenada de la distribuci´on t de Student con N − K grados
de libertad, tal que deja a la derecha una probabilidad de α/2, esto es P(t > c) = α/2. Esto
implica que:
Pr
_
−c ≤
ˆ
β
j
−β
j
¯
des(
ˆ
β
j
)
≤ c
_
=
Prob
_
ˆ
β
j
−c
¯
des(
ˆ
β
j
) ≤ β
j

ˆ
β
j
+c
¯
des(
ˆ
β
j
)
_
= 1 −α (3.6)
Por lo tanto, un intervalo de confianza del (1 −α) por ciento para un coeficiente cualquiera β
j
viene dado por
IC(β
j
)
1−α
=
_
ˆ
β
j
±c
¯
des(
ˆ
β
j
)
_
El c´alculo de los intervalos de confianza para los coeficientes de regresi´on del modelo se conoce
con el nombre de estimaci´on por intervalo. Un intervalo de confianza nos dice que, con
probabilidad (1 −α) se estima que el par´ametro β
j
estar´a dentro de ese rango de valores. Este
intervalo puede ser demasiado amplio, y esto depender´a de la precisi´on con la que estimemos los
par´ametros recogido en
¯
des(
ˆ
β
j
). Es importante tener en cuenta que la validez de estos intervalos
de confianza depende de que se satisfagan las hip´otesis b´asicas.
59
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Siguiendo con el ejemplo del modelo (3.1) para el precio de la vivienda, Gretl nos permite obtener
directamente los intervalos de confianza del 95 por ciento para los coeficientes. El resultado
mostrado en la Tabla 3.3 se obtiene eligiendo en la ventana gretl:modelo1
An´alisis → Intervalos de confianza para los coeficientes
Variable Coeficiente Intervalo de confianza 95 %
bajo alto
const 129,062 −67,690 325,814
F2 0,154800 0,0836321 0,225968
BEDRMS −21,587 −81,812 38,6376
BATHS −12,192 −108,56 84,1742
Tabla 3.3: Modelo (3.1): Estimaci´on por intervalo de los coeficientes.
A su vez, utilizando los resultados mostrados en la ventana gretl:modelo1
Modelo 1: estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: P
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 129,062 88,3033 1,4616 0,1746
F2 0,154800 0,0319404 4,8465 0,0007
∗∗∗
BEDRMS −21,587 27,0293 −0,7987 0,4430
BATHS −12,192 43,2500 −0,2819 0,7838
podemos obtener intervalos de confianza para cada uno de los coeficientes, dado un nivel de
confianza (1 −α), por ejemplo del 95 por ciento
5
. Los intervalos de confianza obtenidos son:
β
1
: 129, 0620 ± (2, 228 88, 3033)
β
2
: 0, 1548 ± (2, 228 0, 0319404)
β
3
: −21, 5875 ± (2, 228 27, 0293)
β
4
: −12, 1928 ± (2, 228 43, 2500)
El intervalo de confianza adem´as se puede utilizar para contrastar la hip´otesis de que el par´ametro
β
j
tome determinado valor. Si el valor del par´ametro bajo la hip´otesis nula est´a dentro del
intervalo de confianza, no podemos rechazar esa hip´otesis al nivel de significaci´on α. Dada la
muestra y nuestra especificaci´on del modelo, no podemos rechazar con una confianza del 95 por
ciento, excepto para el par´ametro asociado a F2, que el coeficiente asociado a cada una de estas
variables sea igual a cero ya que este valor est´a dentro del intervalo de confianza. ¿Quiere decir
entonces que el valor poblacional de cada uno de esos par´ametros es cero? La respuesta es NO,
ya que por esa misma regla de tres el par´ametro β
j
deber´ıa de tomar cada uno de los valores en
el intervalo.
5
Al 95 por ciento de confianza, (α/2 = 0, 025), el valor en las tablas de la distribuci´on t de Student con 10
grados de libertad es c = t
(10)0,025
= 2, 228. Recordar que Gretl permite acceder a algunos valores tabulados
de distintas distribuciones, Normal, t-Student, Chi-cuadrado, F de Snedecor. En la ventana principal gretl en
Herramientas → Tablas estad´ısticas. En el caso de la t de Student hay que introducir los grados de libertad (gl).
Los valores mostrados corresponden a los valores de α/2 de 0,10-0,05-0,025-0,01-0,001.
60
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
3.3.3. Significatividad individual y conjunta
Contrastes de significatividad individual
Uno de los principales objetivos de un primer an´alisis de regresi´on es la de contrastar si son
o no estad´ısticamente relevantes los factores que hemos considerado como explicativos de la
variable dependiente en cuesti´on, dada la especificaci´on de nuestro modelo. Podemos considerar
individualmente cada regresor y contrastar:
H
0
: β
j
= 0
H
a
: β
j
,= 0
donde la hip´otesis nula implica que, dada la especificaci´on del modelo una vez se ha controlado
por el resto de factores incluidos como variables explicativas, el efecto marginal de la variable
X
j
sobre el valor medio de la variable dependiente es cero.
Dado que en la hip´otesis alternativa se contempla la posibilidad de que el coeficiente, de ser
distinto de cero, pueda ser indistintamente negativo o positivo, el contraste es a dos colas.
Normalmente en estos contrastes, conocidos con el nombre de contrastes de significatividad
individual, se considera esta alternativa.
El estad´ıstico de contraste y su distribuci´on bajo la hip´otesis nula es:
t
j
=
ˆ
β
j
¯
des(
ˆ
β
j
)
H
0
∼ t(N −K) (3.7)
Una vez obtenido el valor muestral del estad´ıstico, t
m
j
, ¿c´omo decidimos si rechazar o no la
hip´otesis nula?
• Se elige un nivel de significaci´on α que indicar´ıa nuestra elecci´on de la probabilidad de
error de tipo I (rechazar la hip´otesis nula cuando esta fuera cierta) o tama˜ no del contraste.
Obtenemos el valor cr´ıtico o umbral c = t
(N−K)α/2
tal que Pr(t
j
> c) = α/2.
• Rechazamos la hip´otesis nula a un nivel de significaci´on α, si en valor absoluto la realizaci´on
muestral del estad´ıstico es mayor que el valor cr´ıtico [t
m
j
[ > c. No rechazamos la hip´otesis
nula en caso contrario.
Si no se rechaza la hip´otesis nula, en el lenguaje econom´etrico se dice que la variable que
acompa˜ na al coeficiente en cuesti´on no es significativa o que el coeficiente no es significativamente
distinto de cero al α por ciento de significaci´on. Si por el contrario se rechaza la hip´otesis nula,
se dice que la variable es significativa o que el coeficiente es significativamente distinto de cero.
Otra forma de llevar a cabo el contraste es utilizar el valor-p. Este valor es una probabilidad e
indica cu´al ser´ıa el menor nivel de significaci´on que se tendr´ıa que elegir para rechazar la hip´otesis
nula, dada la realizaci´on muestral del estad´ıstico. Si el contraste es a dos colas, el valor-p es dos
veces el ´area a la derecha de la realizaci´on muestral del estad´ıstico en valor absoluto, en la
distribuci´on de ´este bajo la hip´otesis nula, esto es
valor-p = 2 Pr(t
j
> t
m
j
[H
0
)
Si el contraste es a una cola, el valor-p ser´ıa el ´area a la derecha de la realizaci´on muestral del
estad´ıstico en valor absoluto, en la distribuci´on de ´este bajo la hip´otesis nula, esto es Pr(t
j
>
t
m
j
[H
0
). A mayor valor-p, mayor ser´ıa la probabilidad de error de tipo I si elegimos rechazar la
61
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
hip´otesis nula. Luego a mayor valor-p menor evidencia contra la hip´otesis nula y por el contrario
a menor valor-p mayor evidencia contra la hip´otesis nula.
¿Cu´al ser´a la regla de decisi´on del contraste mirando al valor-p?
Rechazar la hip´otesis nula si el valor-p es menor que el nivel de significaci´on elegido y no
rechazarla en caso contrario.
Esta es exactamente la misma regla de decisi´on que antes. Elegido un nivel de significaci´on, si
el valor muestral es mayor en valor absoluto que el valor cr´ıtico c, querr´a decir que dos veces la
probabilidad que deja a la derecha el valor muestral es m´as peque˜ no que ese nivel de significaci´on.
Siguiendo con nuestro ejemplo, vamos a comentar qu´e nos indican la cuarta y quinta columna
que aparec´ıan en la ventana de resultados de la estimaci´on por MCO del modelo (3.1) gre-
tl:modelo1.
Modelo 1: estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: P
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 129,062 88,3033 1,4616 0,1746
F2 0,154800 0,0319404 4,8465 0,0007
∗∗∗
BEDRMS −21,587 27,0293 −0,7987 0,4430
BATHS −12,192 43,2500 −0,2819 0,7838
Los valores obtenidos en la cuarta columna se obtienen de dividir los correspondientes valores
de la segunda y tercera columnas esto es, la estimaci´on del coeficiente dividida por su desviaci´on
t´ıpica estimada. Esta ser´ıa la realizaci´on muestral del estad´ıstico t
j
bajo la hip´otesis nula de que
el valor poblacional del par´ametro β
j
asociado a esa variable es igual a cero.
La quinta columna es el valor-p asociado a cada coeficiente, siendo el contraste de significatividad
individual a dos colas. Habitualmente se eligen como niveles de significaci´on el 1 %, 5 % y 10 %
siendo el 5 % el m´as utilizado. Gretl indica con uno, dos o tres asteriscos cuando se rechaza la
hip´otesis nula al 10 %, al 5 %, o al 1 % respectivamente.
En este caso solamente es significativa la variable F2 al 1 % y se indica con tres asteriscos. El
valor-p asociado a esta variable es m´as peque˜ no que 0,01 y por lo tanto que 0,05 y que 0,1.
Para el resto de coeficientes no se rechazar´ıa la hip´otesis nula. Los coeficientes asociados al
t´ermino constante, BEDRMS y BATHS no ser´ıan significativamente distintos de cero ni siquiera
al 10 %. El valor-p asociado es mayor que 0,1. Estos valores oscilan entre 0,175 y 0,784 por lo
que, si rechaz´asemos la hip´otesis nula de que cada uno de estos coeficientes es cero, habr´ıa desde
un 17,5 a un 78,4 por ciento de probabilidad de cometer el error de rechazar esa hip´otesis siendo
cierta.
Si miramos a los valores cr´ıticos en cada uno de estos niveles de significaci´on tenemos que:
α = 0, 01 t
(10)0,005
= 3, 169
α = 0, 05 t
(10)0,025
= 2, 228
α = 0, 1 t
(10)0,05
= 1, 812
Excepto en el caso de la variable F2, el valor muestral de los estad´ısticos t
m
j
en valor absoluto
es m´as peque˜ no que cualquiera de estos valores cr´ıticos. Por lo tanto solamente se rechaza la
hip´otesis nula de que el coeficiente asociado a la variable SQFT sea igual a cero. Esto parece
62
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
indicar que dado que el n´ umero de habitaciones y de ba˜ nos est´a ya recogido en el tama˜ no de la
vivienda, una vez incluimos esta variable el tener m´as o menos habitaciones o ba˜ nos no tiene un
efecto marginal significativo en el precio medio de ´esta. Lo normal es tener una vivienda con un
n´ umero de habitaciones y ba˜ nos proporcional a su tama˜ no.
Esto mismo concluimos mirando a los intervalos de confianza, aunque en ese caso el nivel de
significaci´on elegido s´olo fue del 5 por ciento.
Contraste de significaci´on conjunta
Otro estad´ıstico que se muestra en la ventana de resultados de la estimaci´on es el valor del
estad´ıstico F (3, 10) = 16,9889 con valor-p = 0, 000299. ¿Qu´e hip´otesis nula se est´a contrastando?
¿C´omo se calcula este estad´ıstico?
La hip´otesis nula que se est´a contrastando es que conjuntamente todos lo coeficientes, excepto
el asociado al t´ermino constante, sean cero. En nuestro ejemplo en concreto
H
0
: β
2
= β
3
= β
4
= 0
H
a
: alguna de las igualdades no se cumple
Este estad´ıstico se puede considerar como un contraste general de bondad de ajuste del modelo.
Si la hip´otesis nula no se rechaza podemos concluir que ninguna de las variables en conjunto
puede explicar la variaci´on en el precio de la vivienda. Esto significa que es un modelo muy
pobre y que debiera de ser reformulado.
Estamos excluyendo de la hip´otesis nula el par´ametro que acompa˜ na al t´ermino constante. El
modelo bajo la hip´otesis nula, al que llamaremos Modelo Restringido es:
Modelo Restringido P
i
= β
1
+u
i
i = 1, 2, . . . , N (3.8)
Este modelo incluye solamente un t´ermino constante como regresor y le compararemos con el
Modelo No Restringido (3.1). El estimador MCO del par´ametro β
1
en el modelo restringido es
aqu´el que
m´ın
ˆ
β
1
N

i=1
(Y
i

ˆ
β
1
)
2
En este caso tenemos solamente un par´ametro a estimar por lo que s´olo hay una ecuaci´on normal,

i
Y
i
= N
ˆ
β
1
(3.9)
cuya soluci´on es
ˆ
β
1,R
=
1
N

i
Y
i
=
¯
Y
El coeficiente estimado que acompa˜ na al t´ermino constante nos recoge simplemente la me-
dia muestral de la variable dependiente. El residuo correspondiente al modelo restringido es
ˆ u
i,R
= Y
i

ˆ
β
1,R
= Y
i

¯
Y , por lo que la suma de cuadrados residual coincide con la suma
de cuadrados total o variaci´on total de la variable dependiente. Esto implica que la suma de
cuadrados explicada o variaci´on explicada con la estimaci´on de este modelo (3.8) es nula
SCR
R
=

i
ˆ u
2
i,R
=

i
(Y
i
−Y )
2
= SCT ⇒ SCE
R
= 0
63
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Por ´ ultimo, y teniendo en cuenta como se define el coeficiente de determinaci´on R
2
R
2
= 1 −

i
ˆ u
2
i

i
(Y
i

¯
Y )
2
para este modelo el coeficiente de determinaci´on es igual a cero
6
. Dado que en el modelo solamen-
te incluimos un regresor que no var´ıa, ´este no puede explicar variaci´on o varianza de la variable
dependiente. Si estimamos con Gretl el modelo (3.8) obtenemos los siguientes resultados:
Modelo 2: estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: P
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 317,493 23,6521 13,4234 0,0000
Media de la var. dependiente 317,493
D.T. de la variable dependiente 88,4982
Suma de cuadrados de los residuos 101815,
Desviaci´on t´ıpica de los residuos (ˆ σ) 88,4982
R
2
0,000000
¯
R
2
corregido 0,000000
Grados de libertad 13
Log-verosimilitud −82,108
Criterio de informaci´on de Akaike 166,216
Criterio de informaci´on Bayesiano de Schwarz 166,855
Criterio de Hannan–Quinn 166,157
Podemos comprobar que la estimaci´on del coeficiente que acompa˜ na al t´ermino constante coin-
cide con la media muestral de la variable dependiente (
¯
P = 317, 493). La desviaci´on t´ıpica de los
residuos coincide con la desviaci´on t´ıpica de la variable dependiente, ya que la suma de cuadrados
residual coincide con la suma de cuadrados total, SCR
R
=

i
ˆ u
2
i,R
=

i
(Y
i
−Y )
2
= 101815, y
tambi´en los grados de libertad de ambas, T −K = T −1 = 13. Por lo tanto,
¸

i
ˆ u
2
i,R
13
=
¸

i
(Y
i
−Y )
2
13
= 88, 4982
Por ´ ultimo, el coeficiente de determinaci´on R
2
es igual a cero.
Un estad´ıstico general de contraste de restricciones lineales es aqu´el que compara las sumas
de cuadrados de residuos de la estimaci´on del modelo restringido y del modelo no restringi-
do, teniendo en cuenta los grados de libertad en la estimaci´on de cada modelo,(gl
R
) y (gl
NR
)
respectivamente
7
F =
(SCR
R
−SCR
NR
)/q
SCR
NR
/(N −K)
H
0
∼ T(q, N −K) (3.10)
donde q = (gl
R
− gl
NR
) es el n´ umero de restricciones bajo la hip´otesis nula y N − K = gl
NR
.
Si dividimos numerador y denominador por la suma de cuadrados total SCT y utilizamos los
siguientes resultados:
6
Esto es as´ı dado que

i
ˆ u
2
i,R
=

i
(Y
i

¯
Y )
2
⇒R
2
R
= 1 −

i
ˆ u
2
i,R

i
(Y
i

¯
Y )
2
= 1 −1 = 0.
7
En temas posteriores veremos la utilizaci´on de este estad´ıstico para contrastar otro tipo de restricciones
lineales.
64
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
a) 1 −R
2
= SCR
NR
/ SCT y en este caso 1 −R
2
R
= 1 −0 = 1.
b) gl
R
−gl
NR
= (N−1)−(N−K) = K−1 que es el n´ umero de restricciones bajo la hip´otesis
nula.
el estad´ıstico general (3.10) nos queda para este contraste en concreto igual a
F =
R
2
/(K −1)
(1 −R
2
)/(N −K)
=
R
2
(1 −R
2
)
(N −K)
(K −1)
H
0
∼ T(K −1, N −K) (3.11)
En nuestro ejemplo sobre el precio de la vivienda, K −1 = 3 que es el n´ umero de restricciones
bajo la hip´otesis nula y N −K = 14 −4 = 10. Dado el resultado mostrado F(3, 10) = 16, 9889
(valor p = 0, 000299), si consideramos el valor-p se rechazar´ıa la hip´otesis nula a cualquier nivel
de significaci´on razonable, en particular al α = 0, 05 ya que este valor es mayor que el valor-p
obtenido. Si utilizamos el valor cr´ıtico T
(3,10)0,05
= 3, 71 obtenemos el mismo resultado ya que
el valor muestral del estad´ıstico es mayor que el valor cr´ıtico. Esto indica que al menos uno de
los coeficientes, aparte del asociado al t´ermino constante, es distinto de cero.
Aunque hemos utilizado en esta secci´on el coeficiente de determinaci´on en relaci´on al estad´ıstico
de significaci´on conjunta, en la siguiente secci´on vamos a hablar de su utilizaci´on junto con
el coeficiente de determinaci´on corregido y otros estad´ısticos para la selecci´on entre distintos
modelos.
3.4. Bondad de ajuste y selecci´on de modelos
En los temas anteriores se ha presentado el coeficiente de determinaci´on como una medida de
bondad de ajuste que es invariante a unidades de medida
8
. Este coeficiente se define como la
proporci´on de variaci´on explicada por la regresi´on del total de variaci´on a explicar en la muestra
de la variable dependiente. Si hay t´ermino constante en el modelo,
R
2
=

i
(
ˆ
Y
i

¯
Y )
2

i
(Y
i

¯
Y )
2
= 1 −

i
ˆ u
2
i

i
(Y
i

¯
Y )
2
0 ≤ R
2
≤ 1
Este indicador tiene que ser considerado como uno m´as a tener en cuenta a la hora de valorar
si un modelo es adecuado, pero no debemos darle m´as importancia de la que tiene. Obtener
un valor del R
2
cercano a 1 no indica que nuestros resultados puedan ser fiables. Por ejemplo,
podemos tener problemas de no satisfacerse alguna hip´otesis b´asica y nuestra inferencia no ser
v´alida.
Por otro lado, obtener un valor m´as o menos alto del coeficiente de determinaci´on puede estar
influido por el tipo de datos que estemos analizando. Normalmente con datos de series tempora-
les, donde las variables pueden presentar tendencias similares en el tiempo, es f´acil obtener R
2
altos, mientras que con datos de secci´on cruzada eso no suele ocurrir ya que normalmente las
variables presentan mayor dispersi´on.
Por otro lado, si queremos utilizar el R
2
para comparar distintos modelos, estos deben de tener
la misma variable dependiente ya que as´ı tendr´an igual suma de cuadrados total. A´ un as´ı, esta
medida adolece del problema de aumentar su valor al a˜ nadir una nueva variable explicativa, sea
8
Esto no ocurre con otras medidas como puede ser la desviaci´on t´ıpica de los residuos, ˆ σ =

SCR/N −K)
ya que la suma de cuadrados de los residuos no es invariante a un cambio de escala en las variables.
65
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
cual sea su aportaci´on al modelo. Adem´as no tiene en cuenta que hay que estimar un nuevo
par´ ametro con el mismo n´ umero de observaciones.
Para tener en cuenta este problema se suele utilizar el R
2
corregido por grados de libertad. Esta
medida tiene en cuenta los grados de libertad tanto de la suma de cuadrados residual, (N −K),
como de la suma de cuadrados total, (N −1). Se define como
¯
R
2
= 1 −

ˆ u
2
i
/(N −K)

(Y
i

¯
Y )
2
/(N −1)
= 1 −
N −1
N −K
(1 −R
2
) −∞<
¯
R
2
≤ R
2
El
¯
R
2
puede disminuir si el incluir una nueva variable no compensa la p´erdida de grados de
libertad al tener que estimar un nuevo par´ametro
9
. El coeficiente de determinaci´on corregido
¯
R
2
no tomar´a valores mayores que el R
2
pero s´ı puede tomar valores negativos. Esto ´ ultimo
indicar´ıa que el modelo no describe adecuadamente el proceso que ha generado los datos.
Hasta el momento hemos ido comentado los resultados que normalmente se muestran en la
estimaci´on de un modelo. Una forma de presentarlos es la siguiente:
´
P
(estad. t)
= 129, 062
(1,462)
+ 0, 154800
(4,847)
F2 −21, 5875
(−0,799)
BEDRMS −12, 1928
(−0,282)
BATHS
N = 14 R
2
= 0, 8359
¯
R
2
= 0, 7868 F(3, 10) = 16, 989
Una alternativa a presentar los estad´ısticos t de significatividad individual, aunque suele ser lo
m´as habitual, es mostrar las desviaciones t´ıpicas estimadas de los coeficientes o los valores p
correspondientes.
Otros criterios de selecci´on de modelos que muestra Gretl son los criterios de informaci´on de
Akaike (AIC), Bayesiano de Schwarz (BIC) y de Hannan-Quinn (HQC). Estos criterios se calcu-
lan en funci´on de la suma de cuadrados residual y de alg´ un factor que penalice por la p´erdida de
grados de libertad. Un modelo m´as complejo, con m´as variables explicativas, reducir´a la suma
de cuadrados residual pero aumentar´a el factor de penalizaci´on. Utilizando estos criterios se
escoger´ıa aquel modelo con un menor valor de AIC, BIC o HQC. Normalmente no suelen dar
la misma elecci´on, siendo el criterio AIC el que elige un modelo con mayor n´ umero de par´ametros.
Selecci´on de un modelo para el precio de la vivienda.
Vamos a continuar con nuestro ejemplo sobre el precio de la vivienda y comparar distintas es-
pecificaciones, para seleccionar una especificaci´on entre varias propuestas. Para ello, utilizamos
distintos indicadores que hemos visto hasta ahora, significatividad individual, conjunta, coefi-
cientes de determinaci´on y criterios de informaci´on. Podemos considerar que estos indicadores
nos ayudan a valorar la especificaci´on en t´erminos de la contribuci´on de las variables explicativas
incluidas en el modelo
10
.
Vamos a estimar las siguientes especificaciones o modelos alternativos para explicar el precio de
la vivienda:
9
Se puede demostrar que si el valor absoluto del estad´ıstico t de significatividad individual asociado a una
variable es menor que la unidad, eliminar esta variable del modelo aumentar´a el
¯
R
2
mientras que si es mayor que
la unidad lo reducir´a.
10
Estos no son los ´ unicos indicadores. Por ejemplo, analizar el gr´afico de residuos o utilizar diversos contrastes de
algunas de las hip´otesis b´asicas son elementos importantes a la hora de evaluar los resultados de la especificaci´on
y estimaci´on de un modelo.
66
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Modelo 1 P
i
= β
1

2
F2
i
+u
i
Modelo 2 P
i
= β
1

2
F2
i

3
BEDRMS
i
+u
i
Modelo 3 P
i
= β
1

2
F2
i

3
BEDRMS
i

4
BATHS
i
+u
i
Modelo 4 P
i
= β
1

3
BEDRMS
i

4
BATHS
i
+u
i
Estos cuatro modelos difieren en las variables explicativas incluidas. El Modelo 3 es el m´as
general e incluye al resto de modelos. Esto quiere decir que cada uno de los restantes se obtiene
imponiendo una o m´as restricciones sobre los coeficientes de este modelo. En este caso son
restricciones de exclusi´on, es decir que alg´ un coeficiente o coeficientes son iguales a cero. A este
tipo de modelos se les llama modelos anidados. Los resultados de la estimaci´on del Modelo 3
con Gretl son los siguientes:
Modelo 3: estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: P
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 129,062 88,3033 1,4616 0,1746
F2 0,154800 0,0319404 4,8465 0,0007
BEDRMS −21,587 27,0293 −0,7987 0,4430
BATH −12,192 43,2500 −0,2819 0,7838
Media de la var. dependiente 317,493
D.T. de la variable dependiente 88,4982
Suma de cuadrados de los residuos 16700,1
Desviaci´on t´ıpica de los residuos (ˆ σ) 40,8657
R
2
0,835976
¯
R
2
corregido 0,786769
F(3, 10) 16,9889
valor p para F() 0,000298587
Log-verosimilitud −69,453
Criterio de informaci´on de Akaike 146,908
Criterio de informaci´on Bayesiano de Schwarz 149,464
Criterio de Hannan–Quinn 146,671
El Modelo 1 es el m´as reducido y tambi´en est´a incluido en los modelos 2 y 3, no as´ı en el 4.
Estos son los resultados de su estimaci´on:
67
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Modelo 1: estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: P
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 52,3509 37,2855 1,4041 0,1857
F2 0,138750 0,0187329 7,4068 0,0000
Media de la var. dependiente 317,493
D.T. de la variable dependiente 88,4982
Suma de cuadrados de los residuos 18273,6
Desviaci´on t´ıpica de los residuos (ˆ σ) 39,0230
R
2
0,820522
¯
R
2
corregido 0,805565
Grados de libertad 12
Log-verosimilitud −70,084
Criterio de informaci´on de Akaike 144,168
Criterio de informaci´on Bayesiano de Schwarz 145,447
Criterio de Hannan–Quinn 144,050
El Modelo 2 est´a anidado en el 3. Los resultados de la estimaci´on de este modelo se muestran
a continuaci´on:
Modelo 2: estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: P
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 121,179 80,1778 1,5114 0,1589
F2 0,148314 0,0212080 6,9933 0,0000
BEDRMS −23,910 24,6419 −0,9703 0,3527
Media de la var. dependiente 317,493
D.T. de la variable dependiente 88,4982
Suma de cuadrados de los residuos 16832,8
Desviaci´on t´ıpica de los residuos (ˆ σ) 39,1185
R
2
0,834673
¯
R
2
corregido 0,804613
F(2, 11) 27,7674
valor p para F() 5,02220e-05
Log-verosimilitud −69,509
Criterio de informaci´on de Akaike 145,019
Criterio de informaci´on Bayesiano de Schwarz 146,936
Criterio de Hannan–Quinn 144,841
68
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Finalmente el Modelo 4 solamente est´a anidado en el modelo 3. Los resultados de la estimaci´on
por MCO son:
Modelo 4: estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: P
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 27,2633 149,652 0,1822 0,8588
BEDRMS −10,137 46,9811 −0,2158 0,8331
BATHS 138,795 52,3450 2,6515 0,0225
Media de la var. dependiente 317,493
D.T. de la variable dependiente 88,4982
Suma de cuadrados de los residuos 55926,4
Desviaci´on t´ıpica de los residuos (ˆ σ) 71,3037
R
2
0,450706
¯
R
2
corregido 0,350834
F(2, 11) 4,51285
valor p para F() 0,0370619
Log-verosimilitud −77,914
Criterio de informaci´on de Akaike 161,829
Criterio de informaci´on Bayesiano de Schwarz 163,746
Criterio de Hannan–Quinn 161,651
Comparaci´on de los resultados para los modelos 1,2 y 3.
• Se observa que a medida que se introducen m´as variables explicativas, la suma de cuadrados
residual va disminuyendo y el coeficiente de determinaci´on R
2
aumenta.
• En t´erminos del coeficiente de determinaci´on R
2
, en el Modelo 1 el tama˜ no de la vivienda
(F2) explica el 82, 1 % de la variaci´on en los precios de la vivienda, pasando a ser de un
83, 6 % al incluir el n´ umero de habitaciones (BEDRMS) y n´ umero de ba˜ nos (BATHS).
• A medida que se incluyen m´as variables explicativas, primero BEDRMS y luego BATHS,
el coeficiente de determinaci´on corregido
¯
R
2
disminuye y la desviaci´on t´ıpica de los resi-
duos aumenta
11
. Esto indica que la ganancia en un mayor valor del R
2
o menor suma de
cuadrados residual no se compensa en ning´ un caso por la p´erdida de grados de libertad.
• En cuanto a la significatividad individual, en los tres modelos la ´ unica variable significativa
a los niveles de significaci´on habituales es F2
12
. As´ı, una vez hemos controlado por el
tama˜ no de la vivienda, las variables BEDRMS y BATHS no afectan significativamente el
precio de la vivienda.
• El estad´ıstico F de significaci´on conjunta se˜ nala en los tres casos no aceptar la hip´otesis nula
de que todos los coeficientes excepto el asociado al t´ermino constante son igual a cero. Al
menos hay un coeficiente que es significativamente distinto de cero. Por lo obtenido en los
11
Notar que los estad´ısticos t asociados a cada coeficiente son menores que uno en valor absoluto.
12
Por ejemplo, con nivel de significaci´on del 5 por ciento los valores cr´ıticos ser´ıan para el modelo 1 t
(12)0,025
=
2, 179, para el Modelo 2 t
(11)0,025
= 2, 201 y para el Modelo 3 t
(10)0,025
= 2, 228.
69
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
contrastes de significatividad individual, sabemos que ´este es el coeficiente que acompa˜ na
a F2.
Si nos fijamos, a medida que vamos del Modelo 1 al 3, el valor muestral del estad´ıstico
F disminuye. Esto es l´ogico, ya que este estad´ıstico es funci´on del R
2
pero tambi´en de los
grados de libertad. Otra vez estar´ıa recogiendo que, a medida que aumenta el n´ umero de
par´ametros a estimar K, las diferencias en R
2
son demasiado peque˜ nas para compensar
la disminuci´on en el ratio (N −K)/(K − 1). Ahora bien, en general, las diferencias en el
estad´ıstico F no son relevantes. Lo que es de inter´es es el resultado del contraste.
• Si consideramos los criterios de informaci´on AIC, BIC y HQC, de los tres modelos el elegido
es el Modelo 1, reafirmando lo que indica el
¯
R
2
. La ganancia en un mejor ajuste, o una
menor suma de cuadrados residual, no es suficiente para compensar el factor que penaliza
en funci´on de grados de libertad.
Dado que el tama˜ no de la vivienda depende del n´ umero de habitaciones y de ba˜ nos, este
resultado parece indicar que una vez se controla por F2 indirectamente esta variable incluye
casi todo lo que pueden aportar BEDRMS y BATHS.
¿Qu´e ocurre con el Modelo 4?
En este modelo no hemos incluido la variable F2, que en el an´alisis anterior era la variable que
m´as explica el precio de la vivienda y hemos dejado las variables que no eran significativas una
vez que inclu´ıamos esta variable. Podr´ıamos argumentar que de esta forma se podr´ıa analizar el
efecto de BEDRMS y BATHS, ya que F2 parec´ıa recoger la informaci´on relevante de estas dos
variables.
Si lo comparamos con el Modelo 3, que es en el que est´a anidado el Modelo 4, se obtiene
menor valor de R
2
y
¯
R
2
, mayor valor de AIC, BIC y HQC, mayor suma de cuadrados residual
y mayor desviaci´on t´ıpica de los residuos. Todos ellos se˜ nalan en la misma direcci´on siendo,
en t´erminos de estos criterios, peor modelo el 4. Vemos que el omitir F2 empeora mucho el
ajuste sin compensar por la ganancia en grados de libertad. Adem´as cambia sustancialmente la
estimaci´on y la significatividad del coeficiente que acompa˜ na a BATHS, pasando la estimaci´on
de signo positivo a negativo y ser significativamente distinto de cero al 5 % de significaci´on.
¿Qu´e puede estar ocurriendo? ¿Ser´an esta estimaci´on y este contraste fiables si hemos omitido
una variable que parece ser relevante? ¿Se ver´an afectadas las propiedades del estimador MCO
por esta omisi´on? Todo esto lo veremos en el tema de error de especificaci´on.
3.5. Ejercicios para practicar
Ejercicio 1:
El Departamento de Sanidad de E.E.U.U. quiere estudiar la relaci´on entre el gasto sanitario agre-
gado en billones de d´olares (exphlth), la renta personal disponible agregada tambi´en en billones
de d´olares (income), el porcentaje de poblaci´on que supera los 65 a˜ nos en el a˜ no 2005 (seniors)
y la poblaci´on en millones (pop). Para ello encarga un estudio a dos becarios de la facultad de
Econ´omicas de Harvard poniendo a su disposici´on datos de 2005 para dichas variables sobre 51
70
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
estados americanos
13
.
1. Escribe la ecuaci´on del modelo que te permita analizar la influencia de las variables expli-
cativas income, seniors y pop sobre la variable exphlth.
2. Interpreta los coeficientes del modelo anterior.
3. Estima la ecuaci´on propuesta por MCO. Interpreta los coeficientes estimados del modelo.
¿Son sus signos coherentes con la teor´ıa econ´omica?
4. Contrasta la significatividad individual de las variables explicativas del modelo. Escribe
los supuestos necesarios sobre la perturbaci´on para que los estad´ısticos tengan validez.
5. Contrasta la significatividad conjunta de las variables explicativas.
6. Interpreta el coeficiente de determinaci´on del modelo.
7. Obt´en los siguientes gr´aficos y comenta la informaci´on que te proporcionan:
a) Gr´afico de la serie de residuos MCO.
b) Gr´afico de residuos MCO sobre la variable pop.
c) Gr´afico de residuos MCO sobre la variable income.
Ejercicio 2:
Se quiere analizar la demanda de helado de mediados del siglo pasado en un estado de EEUU.
Para ello se dispone de una base de datos de 30 observaciones recogidos cada cuatro semanas
durante los a˜ nos 1951 a 1953, concretamente desde el 18 de marzo hasta el 11 de julio
14
. Las
variables que se consideran son:
Q Consumo per capita de helado en pintas, (Rango 0,256 - 0,548)
P Precio por pinta de helado en d´olares, (Rango 0,26 - 0,292)
I Renta familiar disponible semanal, en d´olares (Rango 76 - 96)
F Temperatura media en grados Fahrenheit, (Rango 24 - 72)
1. Dado que no se est´a acostumbrado a las unidades de medida americanas y sabiendo que
una pinta equivale a 0,473 litros, un grado cent´ıgrado son 1,8 grados Fahrenheit y que
el d´olar est´a a 0,766 euros, cambia las unidades de las variables de forma que est´en en
unidades espa˜ nolas.
2. Especifica un modelo en el que relaciones el consumo de helado (Q) con el precio (P), la
renta (I) y el cuadrado de la temperatura (F
2
).
3. Interpreta los coeficientes del modelo.
13
Fichero data8-3.gdt. Fuente: Statistical Abstract of U.S. (1995), recogida en Ramanathan, R. (2002), Intro-
ductory econometrics with applications, 5th. Ed., South-Western.
14
Fichero data9-1.gdt. Fuente: Datos del art´ıculo de Hildreth, C. y J. Lu (1960), “Demand relations with
autocorrelated disturbances”, Technical Bulletin No 2765, Michigan State University, recogida en Ramanathan,
R. (2002), Introductory econometrics with applications, 5th. Ed., South-Western.
71
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
4. Estima el modelo por M´ınimos Cuadrados Ordinarios (MCO). ¿Son los signos de los coe-
ficientes estimados los esperados?
5. Si la temperatura media de las cuatro primeras semanas hubiese aumentado un grado
cent´ıgrado manteni´endose constantes los valores del resto de las variables, ¿en cu´anto esti-
mas la variaci´on del consumo per capita de helados correspondiente a ese mismo periodo?
¿Y si la temperatura en ese periodo hubiera sido de 25 grados cent´ıgrados? ¿Y si hubiera
sido de 40 grados cent´ıgrados?
6. Comenta los resultados obtenidos en cuanto a la significatividad de las variables y la
bondad de ajuste.
7. Si la renta disponible semanal aumentara en un euro manteni´endose constantes las dem´as
variables:
a) ¿En cu´anto estimas que se incremente la demanda de helados semanal?
b) ¿Es posible que dicho incremento fuera de un mililitro?
72
Tema 4
Contrastes de restricciones lineales y
predicci´on
4.1. Contrastes de restricciones lineales
En el Tema 3 hemos estudiado la forma m´as com´ un de realizar los contrastes de significatividad
individual y el contraste de significatividad conjunta sobre los coeficientes que acompa˜ nan a
las variables explicativas en un modelo de regresi´on lineal general. Estos contrastes son los
m´as habituales y en general cualquier programa econom´etrico, como tambi´en es el caso de
Gretl, muestra por defecto los valores de los estad´ısticos correspondientes para contrastar estas
restricciones en el mismo output de estimaci´on.
En ocasiones, adem´as de ´estas, tambi´en podemos estar interesados en contrastar hip´otesis que
implican otro tipo de restricciones lineales en los coeficientes poblacionales del modelo. En
general, podemos denotar la hip´otesis nula y la alternativa como:
H
0
: R
(q ×K)
β
(K ×1)
= r
(q ×1)
H
a
: Rβ ,= r
siendo q el n´ umero de restricciones bajo la hip´otesis nula y K el n´ umero de par´ametros en el
modelo no restringido. La hip´otesis alternativa implicar´ıa que al menos una de las igualdades
no se satisface
1
.
Por ejemplo en el modelo sobre el precio de la vivienda que hemos visto ya en temas anteriores,
P
i
= β
1

2
F2
i

3
BEDRMS
i

4
BATHS
i
+u
i
(4.1)
podemos expresar de esta forma los siguientes contrastes:
1. Contraste de significaci´on individual de la variable BEDRMS: H
0
: β
3
= 0
H
0
: Rβ = r ⇒
_
0 0 1 0
¸
_
¸
¸
_
β
1
β
2
β
3
β
4
_
¸
¸
_
= 0
1
Cuidado que esto no es lo mismo que todas las igualdades no se satisfagan.
73
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
2. Contraste de significaci´on conjunta: H
0
: β
2
= β
3
= β
4
= 0
H
0
: Rβ = r ⇒
_
_
0 1 0 0
0 0 1 0
0 0 0 1
_
_
_
¸
¸
_
β
1
β
2
β
3
β
4
_
¸
¸
_
=
_
_
0
0
0
_
_
3. Contraste de un subconjunto de coeficientes igual a cero, por ejemplo los que acompa˜ nan
a las variables BEDRMS y BATHS: H
0
: β
3
= β
4
= 0
H
0
: Rβ = r ⇒
_
0 0 1 0
0 0 0 1
_
_
¸
¸
_
β
1
β
2
β
3
β
4
_
¸
¸
_
=
_
0
0
_
Podemos ilustrar el inter´es de contrastar otro tipo de restricciones lineales en el siguiente modelo
para la inversi´on agregada de un pa´ıs,
INV ERR
t
= β
1

2
t +β
3
PNBR
t

4
INTERES
t

5
INFLACION
t
+u
t
(4.2)
donde las variables implicadas son:
INVERR: Inversi´on agregada,, en t´erminos reales.
t : Tiempo t = 1, 2, . . . , T
PNBR: Producto Nacional Bruto, en t´erminos reales.
INTERES: Tipo de Inter´es nominal.
INFLACION: Tasa de Inflaci´on.
Adem´as de realizar los contrastes de significatividad individual y conjunta, podr´ıamos estar
interesados en contrastar las siguientes restricciones lineales:
1. H
0
: β
3
= 1, la propensi´on marginal a invertir es igual a 1, esto es, si aumenta el PNB real
en una unidad, la inversi´on aumentar´a en la misma proporci´on, manteniendo el valor del
resto de variables constante.
H
0
: Rβ = r ⇒
_
0 0 1 0 0
¸
_
¸
¸
¸
¸
_
β
1
β
2
β
3
β
4
β
5
_
¸
¸
¸
¸
_
= 1
2. H
0
: β
4

5
= 0, los inversores tienen en cuenta el tipo de inter´es real. Esto es, la inversi´on
no variar´a si un aumento del tipo de inter´es nominal viene acompa˜ nado por un aumento
de la misma magnitud de la tasa de inflaci´on, manteniendo el resto de factores constantes.
H
0
: Rβ = r ⇒
_
0 0 0 1 1
¸
_
¸
¸
¸
¸
_
β
1
β
2
β
3
β
4
β
5
_
¸
¸
¸
¸
_
=
_
0
¸
74
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
3. H
0
: β
2
= 0, β
3
= 1, β
4
+ β
5
= 0. Contraste conjunto de las dos restricciones anteriores
adem´as de la restricci´on de que la inversi´on en media no presenta una tendencia lineal.
H
0
: Rβ = r ⇒
_
_
0 1 0 0 0
0 0 1 0 0
0 0 0 1 1
_
_
_
¸
¸
¸
¸
_
β
1
β
2
β
3
β
4
β
5
_
¸
¸
¸
¸
_
=
_
_
0
1
0
_
_
El siguiente estad´ıstico, conocido como estad´ıstico F de Wald, se puede utilizar para contrastar
una o m´as restricciones lineales en el contexto de un MRLG. Esta forma de realizar el contraste
solamente requiere estimar el modelo sin restringir.
Como ya hemos visto en el Tema 3, bajo las hip´otesis b´asicas la distribuci´on del estimador MCO
del modelo sin restringir es:
ˆ
β ∼ ^(β, σ
2
(X

X)
−1
). Por lo tanto, dado que R es una matriz de
constantes de rango q, se tiene que bajo la hip´otesis nula:
R
ˆ
β
(q ×1)
∼ ^( r
(q ×1)
, σ
2
R(X

X)
−1
R

. ¸¸ .
(q×q)
) (4.3)
Utilizando este resultado y el estimador ˆ σ
2
=
ˆ u

ˆ u
T−K
del par´ametro σ
2
, tenemos que el estad´ıstico
de contraste y su distribuci´on bajo la hip´otesis nula es el siguiente:
F =
(R
ˆ
β −r)

[R(X

X)
−1
R

]
−1
(R
ˆ
β −r)/q
ˆ u

ˆ u/(T −K)
H
0
∼ T(q, T −K) (4.4)
Si no es cierta la H
0
, la diferencia (R
ˆ
β−r) ser´a grande por lo que el estad´ıstico F tomar´a valores
grandes en ese caso. Rechazaremos la H
0
con un nivel de significatividad α si el valor muestral
del estad´ıstico es mayor que el valor cr´ıtico, F > T(q, T − K)
α
, no rechazando H
0
en caso
contrario.
4.2. Contrastes utilizando Gretl
En esta secci´on vamos a utilizar Gretl para contrastar las restricciones vistas en los ejemplos
anteriores utilizando ese estad´ıstico. En general, una vez que hemos le´ıdo los datos de las variables
de inter´es la forma de proceder es la siguiente:
• Especificar y estimar por MCO el modelo sin imponer las restricciones o el modelo no
restringido en Modelo ⇒ M´ınimos cuadrados ordinarios
• En la ventana donde se muestran los resultados de la estimaci´on del modelo no restringido,
gretl: modelo1 elegir Contrastes ⇒ Restricciones lineales
• Dentro de la ventana que aparece gretl: restricciones lineales podemos escribir las restric-
ciones a contrastar.
Cada restricci´on del conjunto de restricciones tiene que ir en una l´ınea como una ecuaci´on,
donde a la izquierda del signo igual tiene que ir la combinaci´on lineal de los par´ametros y a
la derecha el valor num´erico correspondiente. Los par´ametros en la restricci´on se denotan
75
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
de la forma bJ donde J representa la posici´on en la lista de regresores comenzando por
J= 1. Lo que nosotros hemos denotado en el MRLG como β
1
, coeficiente que normalmente,
aunque no necesariamente, acompa˜ na a la constante, en Gretl se denomina b1, nuestro β
2
es b2, β
3
es b3 y as´ı sucesivamente con todos los coeficientes del modelo.
En el ejemplo del modelo para el precio de la vivienda, que hemos utilizado en el Tema 3,
vamos a contrastar la hip´otesis de que conjuntamente variaciones en el n´ umero de habitaciones y
el n´ umero de ba˜ nos, manteniendo el tama˜ no de la vivienda constante, no influyen en el precio de
la vivienda. Vamos a denotar los coeficientes como Gretl lo har´ıa, suponiendo que al especificar
el modelo mantenemos el mismo orden en el listado de variables explicativas
P
i
= β
1

2
F2
i

3
BEDRMS
i

4
BATHS
i
+u
i
(4.5)
Una vez estimado el modelo con Modelo ⇒ M´ınimos cuadrados ordinarios, en la ventana de
resultados de la estimaci´on gretl:modelo1 seleccionamos con el cursor
Contrastes ⇒ Restricciones lineales
Aparecer´a la ventana gretl: restricciones lineales. Dentro de la ventana escribimos
b3=0
b4=0
Al seleccionar Aceptar en esta ventana obtenemos los siguientes resultados:
Conjunto de restricciones
1: b[BEDRMS] = 0
2: b[BATHS] = 0
Estad´ıstico de contraste:
F(2, 10) = 0,471106, con valor p = 0,637492
Estimaciones restringidas:
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const 52,3509 37,2855 1,404 0,18565
F2 0,138750 0,0187329 7,407 <0,00001
BEDRMS 0,000000 0,000000 indefinido
BATHS 0,000000 0,000000 indefinido
Desviaci´on t´ıpica de los residuos = 39,023
No rechazamos la hip´otesis nula al nivel de significaci´on por ejemplo del 5 % ya que el valor
p = 0, 637492 > 0, 05. Si miramos a las tablas de la distribuci´on F con 2 y 10 grados de libertad,
eligiendo en la ventana principal de Gretl
Herramientas → Tablas estad´ısticas → F con gln 2 y gld 10
obtenemos la siguiente informaci´on,
76
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Valores cr´ıticos aproximados de F(2, 10)
10% en la cola derecha 2,92
5% 4,10
1% 7,56
De igual forma vemos que, para los tres niveles de significaci´on del 1, 5 y 10 % no se rechaza
la hip´otesis nula, ya que el valor muestral del estad´ıstico es menor que el valor cr´ıtico corres-
pondiente. Adem´as tambi´en se muestran las estimaciones del modelo restringido bajo esas dos
restricciones. Notar que los coeficientes que acompa˜ nan a BEDRMS y BATHS son igual a cero
y sus desviaciones t´ıpicas tambi´en. La raz´on es que esos coeficientes no son estimaciones ya que
toman un valor dado conocido.
Cuando las restricciones a contrastar son simplemente de exclusi´on de uno o m´as regresores del
modelo de partida, otra forma de llevar a cabo este contraste en Gretl es elegir en el men´ u de
la ventana de estimaci´on del modelo de partida,
Contrastes ⇒ Omitir variables
Seguidamente en la ventana que surge, gretl: contrastes del modelo, se seleccionan las va-
riables que acompa˜ nan a los coeficientes que bajo la hip´otesis nula son cero. En el ejemplo en
concreto que estamos viendo, ser´ıa elegir las variables BEDRMS y BATHS. Al pulsar Aceptar se
muestra una nueva ventana con la estimaci´on del modelo restringido bajo esas dos restricciones
P
i
= β
1

2
F2
i
+u
i
(4.6)
que implican excluir de la regresi´on a BEDRMS y BATHS,
Modelo Restringido: estimaciones MCO utilizando las 14
observaciones 1-14
Variable dependiente: P
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const 52,3509 37,2855 1,404 0,18565
F2 0,138750 0,0187329 7,407 <0,00001 ***
Media de la var. dependiente = 317,493
Desviaci´on t´ıpica de la var. dependiente. = 88,4982
Suma de cuadrados de los residuos = 18273,6
Desviaci´on t´ıpica de los residuos = 39,023
R-cuadrado = 0,820522
R-cuadrado corregido = 0,805565
Grados de libertad = 12
Log-verosimilitud = -70,0842
Criterio de informaci´on de Akaike (AIC) = 144,168
Criterio de informaci´on Bayesiano de Schwarz (BIC) = 145,447
Criterio de Hannan-Quinn (HQC) = 144,05
Comparaci´on entre el modelo restringido y no
restringido:
77
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Hip´otesis nula: los par´ametros de regresi´on son cero para las
variables
BEDRMS
BATHS
Estad´ıstico de contraste:
F(2, 10) = 0,471106, con valor p = 0,637492
La ventaja de realizar de esta forma el contraste es que, adem´as de tener la estimaci´on del
modelo restringido (4.6), en esta nueva ventana tenemos otra vez todos los men´ us que Gretl
ofrece para el an´alisis de esta nueva especificaci´on
2
.
En esta ventana tambi´en se muestra el resultado del contraste, esto es, el valor muestral del
estad´ıstico F que contrasta esas dos restricciones de exclusi´on, y el valor-p. Como se puede
observar, el resultado que se obtiene es exactamente el mismo que el que se ofrece en la ventana
gretl: restricciones lineales.
Seguidamente vamos a utilizar el ejemplo del modelo de la Funci´on de Inversi´on, para ilustrar
otro tipo de restricciones lineales que no sean simplemente de exclusi´on.
Escribimos el modelo no restringido
INV ERR
t
= β
1

2
t +β
3
PNBR
t

4
INTERES
t

5
INFLACION
t
+u
t
(4.7)
y para el an´alisis usamos los datos
3
de la Tabla 4.1.
Las series de Inversi´on y Producto Nacional Bruto en t´erminos reales, INVERR y PNBR, se
han obtenido de dividir las series nominales por el IPC con a˜ no base en 1972 y multiplicar por
10
−1
, tal que est´an medidas en trillones de d´olares. La tasa de inflaci´on se ha calculado como el
porcentaje de variaci´on del IPC. Por lo tanto, los datos utilizados para estimar el modelo, son
finalmente los que aparecen en la Tabla 4.2.
2
El estimador restringido ser´a
ˆ
β
R
=

ˆ
β
R,1
ˆ
β
R,2
0 0

donde
ˆ
β
R,1
y
ˆ
β
R,2
son los obtenidos de la regresi´on
excluyendo BEDRMS y BATHS.
3
Corresponden a la Tabla F3.1 publicada en Greene (2008), p.1082 y disponible en:
http://pages.stern.nyu.edu/∼wgreene/Text/econometricanalysis.htm. Fuente: Economic Report of the Pre-
sident, U.S. Government Printing Office, Washington, D.C., 1983. El IPC de 1967 es 79,06. El tipo de inter´es es
el promedio anual de la tasa de descuento del Banco de la Reserva Federal de Nueva York.
78
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
A˜ no PNB nominal Inversi´on nominal IPC Tipo de Inter´es
1968 73,4 133,3 82,54 5,16
1969 944,0 149,3 86,79 5,87
1970 992,7 144,2 91,45 5,95
1971 1077,6 166,4 96,01 4,88
1972 1185,9 195,0 100,00 4,50
1973 1326,4 229,8 105,75 6,44
1974 1434,2 228,7 115,08 7,83
1975 1549,2 206,1 125,79 6,25
1976 1718,0 257,9 132,34 5,50
1977 1918,3 324,1 140,05 5,46
1978 2163,9 386,6 150,42 7,46
1979 2417,8 423,0 163,42 10,28
1980 2633,1 402,3 178,64 11,77
1981 2937,7 471,5 195,51 13,42
1982 3057,5 421,9 207,23 11,02
Tabla 4.1: Datos para el estudio de la Funci´on de Inversi´on
A˜ no INVERR PNBR INFLACION INTERES
1968 0,161 1,058 4,40 5,16
1969 0,172 1,088 5,15 5,87
1970 0,158 1,086 5,37 5,95
1971 0,173 1,122 4,99 4,88
1972 0,195 1,186 4,16 4,50
1973 0,217 1,254 5,75 6,44
1974 0,199 1,246 8,82 7,83
1975 0,163 1,232 9,31 6,25
1976 0,195 1,298 5,21 5,50
1977 0,231 1,370 5,83 5,46
1978 0,257 1,439 7,40 7,46
1979 0,259 1,479 8,64 10,28
1980 0,225 1,474 9,31 11,77
1981 0,241 1,503 9,44 13,42
1982 0,204 1,475 5,99 11,02
Tabla 4.2: Datos en t´erminos reales
Primeramente creamos el fichero de datos a partir de la tabla anterior incluyendo la variable
t = 1, . . . , 15, con la opci´on de Gretl
Archivo → Nuevo conjunto de datos
Seguidamente estimamos por MCO el modelo no restringido arriba especificado, eligiendo en el
men´ u Modelo → M´ınimos Cuadrados ordinarios y obtenemos los siguientes resultados
79
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Modelo 1: estimaciones MCO utilizando las 15 observaciones 1968–1982
Variable dependiente: INVERR
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const −0,509071 0,0551277 −9,2344 0,0000
t −0,0165804 0,00197176 −8,4089 0,0000
PNBR 0,670383 0,0549972 12,1894 0,0000
INTERES −0,00232593 0,00121887 −1,9083 0,0854
INFLACION −9,40107e-05 0,00134748 −0,0698 0,9458
Media de la var. dependiente 0,203333
D.T. de la variable dependiente 0,0341774
Suma de cuadrados de los residuos 0,000450812
Desviaci´on t´ıpica de los residuos (ˆ σ) 0,00671425
R
2
0,972433
¯
R
2
corregido 0,961406
F(4, 10) 88,1883
Estad´ıstico de Durbin–Watson 1,96364
Coef. de autocorr. de primer orden −0,0981367
Criterio de informaci´on de Akaike −103,62
Criterio de informaci´on Bayesiano de Schwarz −100,07
Contrastes de restricciones lineales:
a) Contraste de que la propensi´on marginal a invertir es la unidad, H
0
: β
3
= 1, frente a
la hip´otesis alternativa de que es distinto de la unidad. En la ventana gretl: modelo1
seleccionamos Contrastes → Restricciones lineales y en la ventana que surge escribimos
b3 = 1. Al aceptar se obtiene el siguiente resultado,
Restricci´on:
b[PNBR] = 1
Estad´ıstico de contraste:
F(1, 10) = 35,92, con valor p = 0,000133289
Estimaciones restringidas:
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const -0,837112 0,0134320 -62,322 <0,00001 ***
t -0,0276707 0,00139136 -19,888 <0,00001 ***
PNBR 1,00000 0,000000 indefinido
INTERES -0,00311914 0,00247563 -1,260 0,23377
INFLACION -0,000342359 0,00275183 -0,124 0,90323
Desviaci´on t´ıpica de los residuos = 0,0137184
Se muestran tambi´en las estimaciones de los coeficientes del modelo restringido, donde se
ha impuesto que el coeficiente que acompa˜ na a PNBR es igual a la unidad. Como damos
ese valor a β
3
, no estamos estimando ese coeficiente, por lo tanto su desviaci´on t´ıpica es
cero y el estad´ıstico t no est´a definido.
Dado que el valor-p, asociado al valor muestral del estad´ıstico de contraste, es m´as peque˜ no
que 0, 01 se rechaza la hip´otesis nula al 1 % de significaci´on.
80
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
b) Contraste de que la inversi´on real responde al tipo de inter´es real, H
0
: β
4

5
= 0, frente
a H
a
: β
4

5
,= 0. De la misma forma que antes, en la ventana gretl: modelo1 seleccio-
namos Contrastes → Restricciones lineales. En la nueva ventana que aparece escribimos
b4+b5= 0. Al aceptar se obtiene el siguiente resultado
Restricci´on:
b[INTERES] + b[INFLACION] = 0
Estad´ıstico de contraste:
F(1, 10) = 3,25354, con valor p = 0,10143
Estimaciones restringidas:
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const -0,505855 0,0604801 -8,364 <0,00001 ***
t -0,0170255 0,00214732 -7,929 <0,00001 ***
PNBR 0,657533 0,0598599 10,985 <0,00001 ***
INTERES -0,00133784 0,00119517 -1,119 0,28683
INFLACION 0,00133784 0,00119517 1,119 0,28683
De nuevo se muestran las estimaciones del modelo restringido. En este caso se estiman
todos los coeficientes bajo la restricci´on de que β
4
= −β
5
. El coeficiente estimado que
acompa˜ na a INTERES es el mismo valor pero con signo contrario que el obtenido para el
coeficiente de INFLACION. Este resultado surge de la restricci´on impuesta (β
4
= −β
5
).
De igual forma coinciden las varianzas estimadas y las desviaciones t´ıpicas.
Dado que el valor-p, asociado al valor muestral del estad´ıstico de contraste, es mayor que
0, 1 no se rechaza la hip´otesis nula al 10 % (ni al 5 % o 1 %) de significaci´on.
c) Por ´ ultimo, realizamos el contraste conjunto de estas dos restricciones lineales, la propen-
si´on marginal a invertir es la unidad y la inversi´on real responde al tipo de inter´es real.
Esto es H
0
: β
3
= 1, β
4

5
= 0 frente a la alternativa de que al menos una de ellas no se
satisface, H
a
: β
3
,= 1, y ¸ o β
4

5
,= 0.
De nuevo, en la ventana gretl: modelo1 seleccionamos
Contrastes → Restricciones lineales
y escribimos
b3=1
b4+b5=0
Al aceptar se obtiene el siguiente resultado:
Conjunto de restricciones
1: b[PNBR] = 1
2: b[INTERES] + b[INFLACION] = 0
Estad´ıstico de contraste:
F(2, 10) = 21,3453, con valor p = 0,000246226
Estimaciones restringidas:
81
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const -0,851039 0,00799803 -106,406 <0,00001 ***
t -0,0289471 0,000989688 -29,249 <0,00001 ***
PNBR 1,00000 0,000000 indefinido
INTERES -0,00172664 0,00227790 -0,758 0,46308
INFLACION 0,00172664 0,00227790 0,758 0,46308
Desviaci´on t´ıpica de los residuos = 0,0140693
Se rechaza la hip´otesis nula al 1 % de significaci´on, ya que el valor-p es menor que 0,01.
Por lo tanto, al menos una de las restricciones parece no satisfacerse. Viendo los resultados
de los contrastes individuales, parece que la evidencia es contra la primera restricci´on.
4.3. Estimaci´on bajo restricciones lineales
El estimador resultante de minimizar la suma de los residuos al cuadrado sujeto a restricciones
lineales del tipo Rβ = r, esto es
m´ın
ˆ
β
R
N

i=1
(Y
i

ˆ
β
R,1

ˆ
β
R,2
X
2i

ˆ
β
R,3
X
3i
− −
ˆ
β
R,K
X
Ki
)
2
sujeto a R
ˆ
β
R
= r
se puede expresar como:
ˆ
β
R
=
ˆ
β −(X

X)
−1
R

_
R(X

X)
−1
R

¸
−1
(R
ˆ
β −r) (4.8)
donde
ˆ
β = (X

X)
−1
X

Y es el estimador de los par´ametros β sin imponer las restricciones. Dado
que el estimador no restringido
ˆ
β se ha obtenido sin imponer que ´este satisfaga tales restricciones,
en general (R
ˆ
β − r) ,= 0. La soluci´on restringida,
ˆ
β
R
, es igual a la soluci´on no restringida,
ˆ
β,
menos un t´ermino de ajuste que tiene en cuenta en qu´e medida la soluci´on no restringida no
satisface las restricciones. Si hemos obtenido ya
ˆ
β podemos utilizar directemente la expresi´on
(4.8) para obtener el estimador de β restringido, es decir
ˆ
β
R
.
Hemos visto en la secci´on anterior que el programa Gretl muestra las estimaciones del modelo
restringido cuando se selecciona la opci´on de contrastar restricciones lineales, a la vez que el
valor muestral del estad´ıstico de contraste.
Otra posibilidad es la de estimar el modelo imponiendo la o las restricciones. Cuando las res-
tricciones implican solamente la exclusi´on de variables explicativas del modelo de partida, no
hay mayor problema en llevar a cabo la estimaci´on del modelo restringido. Bien se realiza la
regresi´on eliminando del listado de regresores esas variables o, como hemos visto antes en Gretl,
se puede utilizar la opci´on Contrastes ⇒ Omitir variables a la vez que se contrasta.
Si las restricciones no son simplemente de exclusi´on, entonces se pueden sustituir en el modelo de
partida y reorganizarlo en funci´on del conjunto de (K−q) par´ametros que quedan sin determinar.
Una ventaja de proceder as´ı es que se dispone de las mismas opciones que en la ventana de
estimaci´on de un modelo por m´ınimos cuadrados ordinarios. Por ejemplo, se pueden hacer otro
tipo de contrastes en el modelo restringido, guardar sus residuos, etc.
82
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Por ejemplo, si queremos obtener el estimador de los par´ametros bajo la restricci´on de
que la propensi´on marginal a invertir sea la unidad, podemos hacerlo sustituyendo en el
modelo
INV ERR
t
= β
1

2
t +β
3
PNBR
t

4
INTERES
t

5
INFLACION
t
+u
t
(4.9)
la restricci´on β
3
= 1 y reorganizar tal que nos quedar´ıa la siguiente regresi´on:
INV ERR
t
−PNBR
t
= β
1

2
t +β
4
INTERES
t

5
INFLACION
t
+u
t
(4.10)
en funci´on de K−q = 5−1 = 4 par´ametros a estimar. El quinto ya est´a determinado por la res-
tricci´on. Definimos una nueva variable llam´emosla R, calculada como R
t
= INV ERR
t
−PNBR
t
,
utilizando la opci´on en Gretl de
Variable → Definir nueva variable
y en la ventana que aparece escribimos R = INVERR-PNBR. De esta forma se a˜ nade la variable
R al conjunto de variables disponibles que aparecen en la ventana principal o de inicio. Segui-
damente, se realiza la regresi´on de esta variable sobre la constante, t, INTERES e INFLACION
con Modelo → M´ınimos cuadrados ordinarios y se obtienen los siguientes resultados:
Modelo Restringido (4.10): estimaciones MCO utilizando las 15 observaciones 1968–1982
Variable dependiente: R
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const −0,837112 0,0134320 −62,3223 0,0000
t −0,0276707 0,00139136 −19,8875 0,0000
INTERES −0,00311914 0,00247563 −1,2599 0,2338
INFLACION −0,000342359 0,00275183 −0,1244 0,9032
Media de la var. dependiente −1,0840
D.T. de la variable dependiente 0,131901
Suma de cuadrados de los residuos 0,00207013
Desviaci´on t´ıpica de los residuos (ˆ σ) 0,0137184
R
2
0,991501
¯
R
2
corregido 0,989183
F(3, 11) 427,751
Estad´ıstico de Durbin–Watson 0,995558
Coef. de autocorr. de primer orden. 0,441936
Log-verosimilitud 45,3774
Criterio de informaci´on de Akaike −82,754
Criterio de informaci´on Bayesiano de Schwarz −79,922
Criterio de Hannan–Quinn −82,784
Recordamos lo que se obten´ıa al realizar el contraste de esa restricci´on en la ventana de estima-
ci´on por MCO del modelo no restringido mediante Contrastes → Restricciones Lineales:
Restricci´on: b[PNBR] = 1
Estad´ıstico de contraste: F(1, 10) = 35,92, con valor p = 0,000133289
83
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Estimaciones restringidas:
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const -0,837112 0,0134320 -62,322 <0,00001 ***
t -0,0276707 0,00139136 -19,888 <0,00001 ***
PNBR 1,00000 0,000000 indefinido
INTERES -0,00311914 0,00247563 -1,260 0,23377
INFLACION -0,000342359 0,00275183 -0,124 0,90323
Desviaci´on t´ıpica de los residuos = 0,0137184
Los coeficientes estimados corresponden a las realizaciones del estimador de M´ınimos Cuadrados
Restringidos para los cuatro coeficientes que quedaban sin determinar por la restricci´on
4
. El valor
para el coeficiente de PNBR viene dado por la restricci´on y es igual a la unidad. Su varianza
por lo tanto es igual a cero ya que su valor est´a dado.
Hay que notar que el R
2
, y por lo tanto el corregido, obtenidos en este ajuste no son comparables
con los resultantes de estimar el modelo no restringido, ya que en este caso la Suma de Cuadrados
Total corresponde a la variable R = INV ERR−PNBR que es el regresando de esta regresi´on y
no a INV ERR que es realmente la variable end´ogena de inter´es a explicar. Para que los R
2
sean
comparables entre el modelo no restringido y el restringido la Suma de Cuadrados Total tiene
que ser la misma. Veremos en la secci´on siguiente los que s´ı son comparables y un estad´ıstico de
contraste basado en ellos.
4.4. Estad´ısticos equivalentes
Partimos del modelo Y = Xβ + u donde se quiere contrastar las restricciones lineales H
0
:
Rβ = r. Podemos obtener la suma de los residuos al cuadrado y el coeficiente de determinaci´on
correspondientes a la estimaci´on del modelo sin restringir y al modelo restringido, de la siguiente
forma:
SCR
NR
= ˆ u

ˆ u = (Y −X
ˆ
β)

(Y −X
ˆ
β) R
2
NR
= 1 −
ˆ u

ˆ u

(Y
t
−Y )
2
SCR
R
= ˆ u

R
ˆ u
R
= (Y −X
ˆ
β
R
)

(Y −X
ˆ
β
R
) R
2
R
= 1 −
ˆ u

R
ˆ u
R

(Y
t
−Y )
2
Por otra parte, utilizando las sumas de cuadrados de los residuos correspondientes a la estimaci´on
del modelo restringido y no restringido, SCR
R
y SCR
NR
respectivamente y sus grados de
libertad, gl
R
y gl
NR
, es posible realizar el contraste de las restricciones lineales con el siguiente
estad´ıstico:
F =
(SCR
R
−SCR
NR
)/q
SCR
NR
/(T −K)
H
0
∼ T(q, T −K) (4.11)
N´otese que los grados de libertad de la distribuci´on del estad´ıstico bajo la hip´otesis nula son
en el numerador gl
R
− gl
NR
= (T − (K − q)) − (T − K) = q, el n´ umero de restricciones, y
en el denominador gl
NR
= T − K. Se puede demostrar que este estad´ıstico es el mismo que el
estad´ıstico anterior (4.4). La diferencia radica en que calcularlo de esta forma requiere estimar
tanto el modelo sin restringir como el restringido.
4
El estimador restringido ser´a
ˆ
β
R
=

ˆ
β
R,1
ˆ
β
R,2
1
ˆ
β
R,4
ˆ
β
R,5

donde
ˆ
β
R,1
,
ˆ
β
R,2
,
ˆ
β
R,4
y
ˆ
β
R,5
, son los obteni-
dos de la regresi´on bajo la restricci´on de que el coeficiente que acompa˜ na al PNBR en el modelo para la Inversi´ on
real es igual a 1.
84
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Su interpretaci´on puede ser m´as intuitiva. Imponer restricciones en la estimaci´on siempre empeo-
ra el ajuste tal que la diferencia de las sumas de cuadrados residuales del modelo restringido y no
restringido, (SCR
R
−SCR
NR
), es mayor o igual a cero. Ahora bien, cuanto m´as grande sea esta
diferencia m´as evidencia habr´a de que las restricciones no sean ciertas, es decir contra la hip´ote-
sis nula. Se rechazar´a esta hip´otesis nula si el valor muestral del estad´ıstico es suficientemente
grande como para caer en una regi´on cr´ıtica establecida.
Si dividimos numerador y denominador por la suma de cuadrados total SCT =

t
(Y
t
− Y )
2
podemos expresar el estad´ıstico en t´erminos de los coeficientes de determinaci´on
5
:
F =
(R
2
NR
−R
2
R
)/q
(1 −R
2
NR
)/(T −K)
H
0
∼ T
(q,T−K)
(4.12)
El contraste se realizar´a del mismo modo que con los otros estad´ısticos equivalentes.
Vamos a ilustrar esta forma de realizar el contraste en el ejemplo del modelo para la inversi´on
agregada. Para realizar el contraste de la restricci´on de que la propensi´on marginal a invertir
es igual a la unidad, utilizamos las sumas de cuadrados residuales de la estimaci´on del modelo
restringido (4.10) y el modelo no restringido (4.9). Esto ya lo obtuvimos en la secciones anteriores.
En la ventana donde hemos realizado la regresi´on en cada caso podemos guardar las sumas de
cuadrados residuales y a˜ nadirlo a las variables ya definidas con Guardar → Suma de cuadrados
de lo residuos. En concreto se obtienen las siguientes sumas de cuadrados residuales:
SCR
R
= 0, 00207013 SCR
NR
= 0, 000450812
Sustituyendo en el estad´ıstico (4.11) obtenemos el siguiente valor muestral
6
:
F =
(0, 00207013 −0, 000450812)/(15 −4) −(15 −5)
0, 000450812/(15 −5)
= 35, 92
siendo este el mismo valor que obtuvimos anteriormente con el estad´ıstico utilizando Contrastes
→Restricciones lineales, y por lo tanto obtenemos la misma conclusi´on del contraste, se rechaza
la hip´otesis nula de que la propensi´on marginal a invertir sea la unidad.
A su vez, utilizando el dato que nos da Gretl de la Desviaci´on t´ıpica para la variable dependiente
INV ERR, podemos obtener la Suma de Cuadrados Total como,
SCT =

(INV ERR
t
−INV ERR)
2
=
= (15 −1)(D.T. INV ERR)
2
= 14(0, 0341774)
2
obteniendo el valor SCT = 0, 016353325. Por lo tanto la realizaci´on de R
2
R
es en este caso,
R
2
R
= 1 −
ˆ u

R
ˆ u
R
SCT
= 1 −(0, 00207013/0, 016353325) = 0, 87341
que no coincide con el que muestra la regresi´on del modelo (4.10). Esta vez este valor s´ı es
comparable con el valor obtenido para el coeficiente de determinaci´on de estimar el modelo no
5
Este es el estad´ıstico que se introdujo en el Tema 3. En ese tema se vi´o como caso particular el estad´ıstico de
significaci´ on conjunta
F =
R
2
/(K −1)
(1 −R
2
)/(T −K)
=
R
2
(1 −R
2
)
(T −K)
(K −1)
H
0
∼ F(K −1, T −K)
En ese caso R
2
R
= 0
6
Se puede hacer el c´alculo con Gretl utilizando Datos → Definir nueva variable y escribiendo la f´ormula del
estad´ıstico en t´erminos de los nombres asignados a las variables sumas de cuadrados residuales.
85
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
restringido, R
2
NR
= 0, 972433. Se puede apreciar, como era de esperar, que el valor obtenido del
R
2
R
es menor que el del R
2
NR
, el ajuste empeora al imponer la restricci´on. La cuesti´on es si esto
es aceptable, con un nivel de confianza elegido, para aceptar la hip´otesis nula como cierta o no.
El valor del estad´ıstico (4.12) para este caso es,
F =
(R
2
NR
−R
2
R
)/q
(1 −R
2
NR
)/(T −K)
= F =
(0, 972433 −0, 87341)/1
(1 −0, 972433)/(15 −5)
= 35, 92
obteniendo de nuevo el mismo valor para el estad´ıstico y la misma conclusi´on del contraste.
4.5. Predicci´on
Uno de los objetivos de la econometr´ıa consiste en predecir. Una vez estimado un modelo que
se considera que recoge bien el comportamiento de una variable en funci´on de otros factores o
variables explicativas, se quiere determinar con cierta confianza el valor o intervalo de valores
que puede tomar la variable dependiente, supuestos unos valores para esos factores.
Supongamos que se ha estimado el siguiente modelo
7
:
Y
t
= β
1

2
X
2t
+. . . +β
K
X
Kt
+u
t
con una muestra de tama˜ no T, obteniendo la siguiente funci´on de regresi´on muestral (FRM):
ˆ
Y
t
=
ˆ
β
1
+
ˆ
β
2
X
2t
+. . . +
ˆ
β
K
X
Kt
Entonces, disponiendo de nuevas observaciones de las variables explicativas,
X

p
=
_
1 X
2p
. . . X
Kp
¸
p ,∈ ¦1, 2, . . . , T¦
podemos utilizar el modelo estimado por MCO para predecir el valor que tomar´a la variable
end´ogena en el periodo de predicci´on p. A este proceso se le llama predicci´on por punto, donde el
valor estimado para la variable end´ogena Y en el periodo de predicci´on se obtiene sustituyendo
estos valores de las variables ex´ogenas en la FRM.
ˆ
Y
p
= X

p
ˆ
β
MCO
Equivalentemente:
ˆ
Y
p
=
ˆ
β
1
+
ˆ
β
2
X
2p
+. . . +
ˆ
β
K
X
Kp
.
El error de predicci´on se define como e
p
= Y
p

ˆ
Y
p
= −X

p
(
ˆ
β − β) + u
p
. Para obtener la
predicci´on por intervalo, nos basaremos en la distribuci´on del error de predicci´on, ya que si u
p
y
ˆ
β son variables aleatorias normales, el error de predicci´on tambi´en lo ser´a:
e
p
∼ ^(0, σ
2
( 1 +X

p
_
X

X
_
−1
X
p
))
Sin embargo, en general, σ
2
es desconocido por lo que utilizaremos su estimador insesgado
propuesto en temas anteriores obteniendo el siguiente resultado:
e
p
ˆ σ
_
1 +X

p
( X

X )
−1
X
p
∼ t
(T−K)
7
En lo que sigue, como siempre, se satisfacen las hip´otesis b´asicas tanto en el periodo de estimaci´on como de
predicci´ on
86
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
A partir de este estad´ıstico podemos obtener un intervalo con un nivel de confianza del 1 − α
alrededor de la predicci´on por punto para la variable end´ogena en el momento p.
IC
1−α
(Y
p
) =
_
ˆ
Y
p
− t
α
2
(T−K)
ˆ σ
e
p
,
ˆ
Y
p
+ t
α
2
(T−K)
ˆ σ
e
p
_
donde ˆ σ
2
e
p
= ˆ σ
2
( 1 +X

p
( X

X )
−1
X
p
).
¿C´omo utilizar Gretl para predecir por punto y por intervalo?
Utilizaremos el ejemplo de los precios de las viviendas para analizar los pasos a seguir en el
programa Gretl.
Uno de los modelos propuestos era
P
i
= β
1

2
F2
i

3
BEDRMS
i

4
BATHS
i
+u
i
Supongamos que tenemos informaci´on de una nueva vivienda, por ejemplo, F2 = 3200, BEDRMS =
5 y BATHS = 3 y nos piden P = 500, en miles de euros, por ella. Mediante este modelo, po-
demos obtener una predicci´on del precio que tendr´ıa una vivienda con estas caracter´ısticas y
analizar si el precio solicitado es razonable o no.
Para ello, incorporamos los nuevos datos (X
p
) a la base de datos mediante
Datos → Seleccionar todos
A continuaci´on, pincharemos la opci´on
Datos → A˜ nadir Observaciones
indicando el n´ umero de observaciones que queremos a˜ nadir, en este caso 1. En la fila correspon-
diente incluimos los valores de las variables explicativas en el periodo de predicci´on, en este caso
la observaci´on 15, incorporando cada observaci´on en la casilla correspondiente. Si no incorpo-
ramos el valor para la variable P que es la que vamos a predecir, gretl nos mostrar´a un aviso
(Atenci´on: hab´ıa observaciones perdidas). Podemos simplemente ignorarlo y darle a aceptar.
Posteriormente, estimaremos el modelo sin considerar esta nueva observaci´on (recordar que
inicialmente ten´ıamos 14 observaciones en la muestra). Para ello, tenemos que especificar el
rango muestral, es decir, en la opci´on
Muestra → Establecer rango
especificaremos del rango de observaciones de la muestra para estimar el modelo, en nuestro
caso de la 1 a la 14 y elegimos Aceptar.
Tal y como explicamos en los temas anteriores, estimaremos el modelo por MCO y en la ventana
de los resultados elegimos
An´alisis → Predicciones
En la nueva ventana podemos determinar el dominio de predicci´on, es decir el Inicio y Fin que
en este caso es en ambos la observaci´on n´ umero 15, y tambi´en cuantas observaciones se quieren
representar antes de la prediccion
8
.
Los resultados que muestra Gretl son los siguientes:
8
En este caso hemos elegido todas pero esto es opcional.
87
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Para intervalos de confianza 95%, t(10, .025) = 2,228
Obs price predicci´on desv. t´ıpica Interv. de confianza 95%
1 199,9 207,8
2 228,0 234,0
3 235,0 241,2
4 285,0 256,3
5 239,0 287,6
6 293,0 289,2
7 285,0 287,8
8 365,0 307,8
9 295,0 311,8
10 290,0 319,9
11 385,0 355,1
12 505,0 436,3
13 425,0 439,6
14 415,0 470,5
15 479,9 55,39 356,5 - 603,3
150
200
250
300
350
400
450
500
550
600
650
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
price
predicción
Intervalo de confianza 95 por ciento
El gr´afico que se obtiene junto a los resultados muestra la serie de precios (P) observada en
color rojo y estimada con el modelo para las 14 observaciones anteriores a la predicci´on y la
predicci´on en color azul, junto con su intervalo de confianza en color verde.
La predicci´on por punto del precio de una vivienda con estas caracter´ısticas es de 479, 905
miles de euros, mientras que la predicci´on por intervalo con un nivel de confianza del 95 % es
(356, 5; 603, 3) en miles de euros, por lo que el precio que nos piden, que era de 500 miles de euros
por la vivienda, est´a dentro del intervalo. Este precio para una vivienda de esas caracter´ısticas
se aceptar´ıa como razonable dado nuestro modelo y la informaci´on muestral utilizada para su
estimaci´on, con un nivel de confianza del 95 %.
88
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
4.6. Ejercicios para practicar
Ejercicio 1:
Se dispone de 14 observaciones sobre precios de viviendas y sus caracter´ısticas para la comunidad
de la Ciudad Universitaria de San Diego correspondientes a 1990
9
. Las variables que se consideran
son:
price Precio de venta en cientos de d´olares
(Rango 199,9 - 505)
sqft Superficie de la vivienda en pies cuadrados
(Rango 1065 - 3000)
bedrms N´umero de habitaciones (Rango 3 - 4)
baths N´umero de ba~nos (Rango 1,75 - 3)
Se define el siguiente modelo para determinar el precio de venta de la vivienda:
price
i
= β
1

2
sqft
i

3
bedrms
i

4
baths
i
+u
i
(4.13)
1. Estima el modelo por MCO.
2. Bas´andote en el modelo que has estimado, ¿en cu´anto estimas que cambie el precio medio
de una vivienda si, junto a un incremento de 350 pies cuadrados del ´area habitable (sqft)
se le a˜ naden una habitaci´on (bedrms) y un ba˜ no (baths) m´as?
3. Utilizando Gretl, contrasta las siguientes restricciones lineales:
a) H
0
: β
3
= β
4
b) H
0
: β
3
= 2β
4
Escribe en cada caso la hip´otesis alternativa, el estad´ıstico utilizado y la regla de decisi´on.
Considera realizar el contraste utilizando todas las posibilidades que dispone Gretl que
sean equivalentes.
4. Estima por MCO tres especificaciones del modelo para el precio de la vivienda, incluyendo
en todos los casos adem´as de un t´ermino constante:
a) la variable bedrms (Modelo 2).
b) la variable baths (Modelo 3).
c) las variables bedrms y baths (Modelo 4).
Completa la tabla que se adjunta con los resultados de estimaci´on obtenidos. Comenta
todos los resultados obtenidos y compara las distintas especificaciones. ¿Te parecen ra-
zonables los signos obtenidos? Razona teniendo en cuenta en cada caso qu´e recogen los
coeficientes.
9
Fichero data4-1.gdt. Recogido en Ramanathan, R. (2002), Introductory econometrics with applications, 5th.
Ed., South-Western.
89
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Tabla 4.3: Resultados de estimaci´on obtenidos para los distintos modelos.
Variable dependiente:
Variables explicativas Modelo 2 Modelo 3 Modelo 4
CONSTANT
( )

( )

( )
BEDRMS
( )

( )
BATHS
( )
Suma de cuadrados de los residuos
Desviaci´on t´ıpica de los residuos (ˆ σ)
R
2

¯
R
2

F de significaci´on conjunta
Grados de libertad
Criterio de Akaike (AIC)
Criterio de Schwarz (BIC)
Criterio de Hannan-Quinn (HQC)
(*) Entre par´entesis, los estad´ısticos t
Ejercicio 2:
Para la realizaci´on de este ejercicio utiliza el archivo de muestra greene5-1.gdt disponible en
gretl.
10
Este archivo contiene datos de series temporales a frecuencia trimestral desde 1950:1 a 2000:4
de las siguientes variables para la econom´ıa americana:
realgdp Producto interior bruto real(en billones de d´olares)
realcons Gastos de consumo real
realinvs Inversi´on real en el sector privado
realgovt Gasto p´ublico real
realdpi Renta personal disponible real
cpi_u Indice de precios al consumo
M1 Stock nominal de dinero
tbilrate Tipo de inter´es (media trimestral)
unemp Tasa de desempleo
10
Fuente: Greene, W. (2008), Econometrics Analysis, 6th Ed., Prentice-Hall, Tabla F5.1: Macroeconomics Data
Set, Quarterly, 1950I to 2000IV, 204 Quarterly Observations Source: Department of Commerce, BEA website and
www.economagic.com.
90
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
pop Poblaci´on (en miles)
infl Tasa de inflaci´on (primera observaci´on no disponible)
realint Tipo de inter´es real ex-post = Tbilrate - Infl
Ten en cuenta que la primera observaci´on para la variable infl no est´a disponible. Ajusta entonces
el rango muestral para tener observaciones para todas las variables.
Considera la siguiente especificaci´on para la funci´on de Inversi´on:
realinvs
t
= β
1

2
time +β
3
realgdp
t

4
tbilrate
t

5
infl
t
+u
t
(4.14)
1. Muestra los resultados de la estimaci´on del modelo por MCO. Recuerda que antes de
estimar tienes que a˜ nadir una nueva variable, una tendencia temporal (time).
2. Utilizando las opciones de Contrastes → Restricciones lineales y Contrastes → Omitir
variables, realiza el contraste de significaci´on individual para la variable realgdp.
3. Verifica que el valor del estad´ıstico F obtenido de esta forma, coincide con el valor del
estad´ıstico t al cuadrado que se muestra en el resultado de la estimaci´on del modelo no
restringido.
4. De igual forma que en el segundo apartado, realiza el contraste de significaci´on conjunta.
Verifica que el valor coincide con el que se muestra en los resultados de la estimaci´on del
modelo no restringido.
5. Obt´en la estimaci´on de los par´ametros del modelo para la inversi´on real bajo la restricci´on
de que los coeficientes que acompa˜ nan al tipo de inter´es (tbilrate) y a la inflaci´on (infl)
suman cero. Para ello estima directamente el Modelo Restringido incorporando la restric-
ci´on. Escribe el modelo restringido y muestra los resultados de su estimaci´on. ¿Qu´e recoge
esta restricci´on? ¿Para qu´e sirve la variable realint?
6. Para la hip´otesis nula de que los coeficientes que acompa˜ nan al tipo de inter´es (tbilrate)
y a la inflaci´on (infl) suman cero, obt´en el valor del estad´ıstico basado en comparar las
sumas de cuadrados residuales del modelo restringido y no restringido. Calcula tambi´en el
estad´ıstico en funci´on de los coeficientes de determinaci´on de ambos modelos.
7. Comprueba que el valor obtenido en el apartado anterior del estad´ıstico de contraste, es el
mismo valor que el obtenido con el estad´ıstico equivalente utilizando la opci´on Contrastes
→ Restricciones lineales
8. Utilizando los datos del fichero greene5-1.gdt como muestra para el rango de estimaci´on,
predice el valor que tomar´a la inversi´on real en el trimestre 2001:1 por punto y por intervalo
(al 95 % de confianza), basando esta predicci´on en las previsiones para el realgdp de 1000
billones de d´olares, tipo de inter´es tbilrate del 10 % e inflaci´on del 4 % para 2001:1. Ten
en cuenta que los valores que tomar´a la variable time en el periodo de predicci´on vienen
determinados por el n´ umero correspondiente de observaci´on posterior al utilizado para
estimar.
91
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Ejercicio 3:
Para la realizaci´on de este ejercicio utiliza el archivo de muestra en gretl greene8-3.gdt.
11
Son
datos de series temporales para los a˜ nos 1966 a 1985 de las siguientes variables:
q Producci´on agregada por trabajador-hora
k Ratio capital/trabajo agregado
A
´
Indice tecnol´ogico
1. Se especifica un primer modelo para la funci´on de producci´on agregada:
q
t
= β
1

2
k
t
+u
t
(4.15)
Interpreta sus coeficientes.
2. Estima el modelo por M´ınimos Cuadrados Ordinarios. Comenta los resultados obtenidos
en t´erminos de bondad de ajuste, significatividad y signos de los coeficientes estimados.
Razona si te parecen adecuados los resultados.
3. Obt´en e interpreta los siguientes gr´aficos:
• Gr´afico de los residuos MCO contra el tiempo.
• Gr´afico de la serie estimada y observada contra el tiempo.
4. Obt´en el gr´afico de residuos MCO sobre la variable que no ha sido incluida, el ´ındice
tecnol´ogico A. Comenta el gr´afico obtenido. ¿Puedes encontrar alguna relaci´on con lo
encontrado en el gr´afico de residuos contra el tiempo?
5. Realiza el contraste de Engle para analizar si en el modelo (4.15) ser´ıa relevante controlar
por el cambio tecnol´ogico incluyendo la variable A. Para ello calcula el estad´ıstico NR2,
donde R2 es el coeficiente de determinaci´on de la regresi´on de los residuos del modelo
(4.15) sobre una constante y la variable A. ¿Qu´e evidencia se obtiene del contraste?
6. Se considera ampliar la especificaci´on del modelo (4.15) incluyendo el ´ındice de cambio
tecnol´ogico,
q
t
= β
1

2
k
t

3
A
t
+u
t
(4.16)
a) Interpreta los coeficientes estimados.
b) Contrasta la significatividad de las variables explicativas. ¿Es consistente el resultado
obtenido con la evidencia encontrada utilizando el contraste de Engle?
c) Compara los resultados de la estimaci´on de los modelos (4.15) y (4.16), ¿cu´al te
parece mejor? Razona tus conclusiones utilizando todos los criterios que consideres
oportunos.
d) Realiza el contraste de las siguientes restricciones lineales en el modelo (4.16):
H
0
: β
2
= 1 H
0
: β
3
= β
2
H
0
: β
2
= 1, β
3
= 2
No olvides escribir la hip´otesis alternativa, estad´ıstico de contraste y criterio de deci-
si´on.
11
Fuente: Greene, W. (2008), Econometrics Analysis, 6th Ed., Prentice-Hall, Tabla F6.3: Datos sobre cambio
tecnol´ ogico de Solow (1957), p. 314.
92
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
e) Utilizando los datos del fichero greene8-3.gdt como muestra para el rango de esti-
maci´on, predice el valor que tomar´ıa la producci´on agregada q por trabajador-hora
en el a˜ no 1987, por punto y por intervalo (al 95 % de confianza). Basa esta predicci´on
en las previsiones para el ratio capital/trabajo k de 3 unidades e ´ındice tecnol´ogico
A de 2 unidades.
Ejercicio 4:
Para la realizaci´on de este ejercicio utiliza el archivo de muestra en gretl greene9-1.gdt.
12
El archivo contiene datos de secci´on cruzada para 25 estados americanos sobre manufacturas de
equipamiento del sector transporte. Las variables consideradas son.
valadd Valor a~nadido en millones de d´olares de 1957
capital Capital en millones de d´olares de 1957
labor Trabajo en millones de d´olares de 1957
nfirm N´umero de empresas del sector en ese estado
1. Define las nuevas variables V =
valadd
nfirm
, K =
capital
nfirm
y L =
labor
nfirm
.
2. Especifica un primer modelo para la funci´on de producci´on por establecimiento:
V
i
= β
1

2
L
i
+u
i
(4.17)
Interpreta sus coeficientes.
3. Estima el modelo por M´ınimos Cuadrados Ordinarios. Comenta los resultados obtenidos
en t´erminos de bondad de ajuste, significatividad y signos de los coeficientes estimados.
Razona si te parecen adecuados los resultados.
4. Obt´en e interpreta los siguientes gr´aficos:
• Gr´afico de los residuos MCO.
• Gr´afico de la serie estimada y observada.
5. Obt´en el gr´afico de residuos MCO sobre la variable que no ha sido incluida, el factor capital
K. Comenta el gr´afico obtenido.
6. Realiza el contraste de Engle para analizar si en el modelo (4.17) ser´ıa relevante controlar
por el factor capital incluyendo la variable K. Para ello calcula el estad´ıstico NR2, donde
R2 es el coeficiente de determinaci´on de la regresi´on de los residuos del modelo (4.17) sobre
una constante y la variable K. ¿Qu´e evidencia se obtiene del contraste?
7. Se considera ampliar la especificaci´on del modelo (4.17) incluyendo el factor capital,
V
i
= β
1

2
L
i

3
K
i
+u
i
(4.18)
a) Interpreta los coeficientes estimados.
b) Contrasta la significatividad de las variables explicativas, ¿Es consistente el resultado
obtenido con la evidencia encontrada utilizando el contraste de Engle?
12
Fuente: Greene, W. (2008), Econometrics Analysis, 6th Ed., Prentice-Hall, Tabla F14.1: Statewide Data on
Transportation Equipment Manufacturing, Fuente: A. Zellner and N. Revankar (1970, p. 249).
93
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
c) Compara los resultados de la estimaci´on de los modelos (4.17) y (4.18), ¿cu´al te
parece mejor? Razona tus conclusiones utilizando todos los criterios que consideres
oportunos.
d) Realiza el contraste de las siguientes restricciones lineales:
H
0
: β
3
= 1 H
0
: β
2

3
= 1 H
0
: β
1
= 0, β
3
= β
2
Ejercicio 5:
Para la realizaci´on de este ejercicio utiliza el archivo de muestra en gretl greene10-3.gdt.
13
El archivo contiene datos de serie temporal de frecuencia anual para los a˜ nos 1966 a 1985. Las
variables que se consideran son:
r Tipo de descuento a final de a~no, Reserva Federal de NY
M Oferta Monetaria M2
Y Producto Nacional Bruto, en d´olares de 1982
1. Se especifica un primer modelo para la demanda de dinero:
M
t
= β
1

2
Y
t
+u
t
(4.19)
Interpreta sus coeficientes.
2. Estima el modelo por M´ınimos Cuadrados Ordinarios. Comenta los resultados obtenidos
en t´erminos de bondad de ajuste, significatividad y signos de los coeficientes estimados.
Razona si te parecen adecuados los resultados.
3. Obt´en e interpreta los siguientes gr´aficos:
• Gr´afico de los residuos MCO contra el tiempo.
• Gr´afico de la serie estimada y observada contra el tiempo.
4. Obt´en el gr´afico de residuos MCO sobre la variable que no ha sido incluida, el tipo de
descuento r. Comenta el gr´afico obtenido.
5. Realiza el contraste de Engle para analizar si en el modelo (4.19) ser´ıa relevante controlar
por el tipo de descuento incluyendo la variable r. Para ello calcula el estad´ıstico NR2,
donde R2 es el coeficiente de determinaci´on de la regresi´on de los residuos del modelo
(4.19) sobre una constante y la variable r. ¿Qu´e evidencia se obtiene del contraste?
6. Se considera ampliar la especificaci´on del modelo (4.19) incluyendo el tipo de descuento
M
t
= β
1

2
Y
t

3
r
t
+u
t
(4.20)
a) Interpreta los coeficientes estimados.
b) Contrasta la significatividad de las variables explicativas, ¿Es consistente el resultado
obtenido con la evidencia encontrada utilizando el contraste de Engle?
c) Compara los resultados del modelo (4.19) y modelo (4.20), ¿cu´al te parece mejor?
Razona tus conclusiones utilizando todos los criterios que consideres oportunos.
13
Fuente: Greene, W. (2008), Econometrics Analysis, 6th Ed., Prentice-Hall.
94
Tema 5
Errores de especificaci´on en la elecci´on
de los regresores
5.1. Introducci´on
La primera especificaci´on de un modelo de regresi´on implica tomar varias decisiones, a menudo
previas a la confrontaci´on de ´este con los datos. Algunas de estas decisiones son:
• Elecci´on de la variable dependiente.
• Elecci´on de las variables explicativas.
• Medici´on de las variables.
• Forma funcional de la relaci´on. Estabilidad.
• Especificaci´on de las propiedades del t´ermino de error.
En los temas anteriores hemos especificado un modelo de regresi´on donde se satisfacen una serie
de hip´otesis b´asicas. Algunas de estas hip´otesis pueden no mantenerse si las decisiones adoptadas
son err´oneas o porque simplemente, dadas las caracter´ısticas de las variables del modelo y de los
datos a utilizar, estas hip´otesis pudieran no ser adecuadas. Esto puede influir negativamente en
las propiedades del estimador utilizado y en la inferencia, siendo las decisiones posteriores sobre
el modelo err´oneas. En muchos casos la evaluaci´on de un modelo puede estar influenciada por
esta primera especificaci´on. Por ello, es importante disponer de instrumentos o contrastes que nos
permitan hacer un diagn´ostico sobre si son aceptables ciertas decisiones o hip´otesis adoptadas.
Estos instrumentos pueden ser un an´alisis gr´afico de los residuos o contrastes estad´ısticos donde
se traten de detectar problemas de mala especificaci´on.
En este tema nos vamos a centrar en ilustrar las implicaciones que pueden tener decisiones
err´oneas en t´erminos de la elecci´on de las variables explicativas o regresores. Para ello vamos a
proponer que conocemos el modelo correcto y consideramos separadamente dos situaciones:
a) Omisi´on de variables explicativas relevantes. Analizaremos las implicaciones en el estima-
dor MCO y en la validez de los contrastes de significatividad. Veremos la utilizaci´on del
gr´afico de residuos y alg´ un contraste de mala especificaci´on con algunos ejemplos emp´ıricos.
95
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
b) Inclusi´on de variables irrelevantes. En este caso nos interesaremos por los efectos de haber
incluido variables que sabemos no tendr´ıan que estar en el modelo. La cuesti´on es c´omo
detectar y decidir en la pr´actica qu´e variables son o no relevantes. Tambi´en discutiremos
estas cuestiones utilizando un caso pr´actico.
Aunque te´oricamente analizaremos cada uno de estos efectos por separado y asumiremos que
conocemos la especificaci´on correcta, en la pr´actica podemos tener combinados estos efectos.
5.2. Efectos de omisi´on de variables relevantes
Podemos seguir con nuestro ejemplo sobre el precio de la vivienda en el que quer´ıamos explicar
esta variable, medida en miles de d´olares, en funci´on de una serie de variables explicativas como
pod´ıan ser el tama˜ no de la vivienda F2, el n´ umero de habitaciones BEDRMS y el n´ umero de
ba˜ nos BATHS. En principio, vamos a considerar que el modelo correcto para explicar el precio
de la vivienda es
P
i
= β
1

2
F2
i

3
BEDRMS
i

4
BATHS
i
+u
i
i = 1, . . . , N (5.1)
donde se satisfacen las hip´otesis b´asicas pero se estima por MCO el siguiente,
P
i
= β
1

3
BEDRMS
i

4
BATHS
i
+v
i
i = 1, . . . , N (5.2)
En el modelo considerado a la hora de estimar se ha omitido la variable F2 o tama˜ no de la
vivienda. Si esta variable es relevante entonces β
2
,= 0 por lo que el error v
i
recoger´a la variable
omitida, esto es v
i
= β
2
F2
i
+u
i
, siendo E(v
i
) = β
2
F2
i
,= 0. Luego en el modelo mal especificado
no se satisface una de las hip´otesis b´asicas. Esto a su vez implica que la covarianza entre las
variables incluidas y el error del modelo (5.2) depender´a de la covarianza entre la variable
omitida F2
i
y cada una de las incluidas BEDRMS
i
y BATHS
i
. Si estas no son cero, esto
introducir´a un sesgo en los coeficientes estimados que ser´a funci´on de estas covarianzas. El signo
del sesgo depender´a del signo del coeficiente β
2
y de los signos de estas covarianzas. Se puede
demostrar que los sesgos de estimar por MCO β
3
y β
4
en el modelo (5.2) son
E(
ˆ
β
3
) −β
3
= β
2
S
23
S
44
−S
24
S
34
S
33
S
44
−S
2
34
E(
ˆ
β
4
) −β
4
= β
2
S
24
S
33
−S
23
S
34
S
33
S
44
−S
2
34
(5.3)
donde S
js
=

i
(X
ji

¯
X
j
)(X
is

¯
X
s
), siendo la covarianza muestral entre dos variables j, s
si j ,= s, y la varianza muestral de la variable j si j = s. Como se puede apreciar, el sesgo
en la estimaci´on de ambos coeficientes depende de las covarianzas entre las variables relevante
excluida F2 y cada una de las variables incluidas BEDRMS y BATHS
1
. Adem´as depende
1
Si el modelo de partida correcto hubiera sido
P
i
= β
1

2
F2
i

3
BEDRMS
i
+u
i
i = 1, . . . , N (5.4)
pero hubi´eramos considerado para estimar
P
i
= β
1

3
BEDRMS
i
+v
i
i = 1, . . . , N (5.5)
entonces el sesgo en estimar β
3
en (5.5) ser´ıa simplemente
E(
ˆ
β
3
) −β
3
= β
2
S
23
S
33
(5.6)
El sesgo sigue dependiendo de la covarianza entre la variable omitida F2 y la incluida BEDRMS dada por S
23
.
En este caso se puede esperar que el sesgo fuera positivo ya que tanto S
23
como β
2
se esperan sean positivos. El
96
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
del coeficiente β
2
que en el modelo correcto (5.1) se esperaba fuera positivo, pero la direcci´on
del signo de cada sesgo no es clara ya que depende del signo del cociente que acompa˜ na a
β
2
. Para que no hubiera sesgo en la estimaci´on de cualquiera de estos dos coeficientes ambas
variables incluidas, BEDRMS y BATHS tendr´ıan que estar incorreladas con el tama˜ no
de la vivienda o variable excluida, cosa poco probable en este ejemplo.
En cuanto al sesgo en la estimaci´on del coeficiente que acompa˜ na al t´ermino constante se puede
demostrar que es
2
E(
ˆ
β
1
) −β
1
= β
2
_
¯
X
2

S
23
S
44
−S
24
S
34
S
33
S
44
−S
2
34
¯
X
3

S
24
S
33
−S
23
S
34
S
33
S
44
−S
2
34
¯
X
4
_
(5.7)
Vemos que en este caso a´ un siendo S
23
= S
24
= 0 el sesgo no se anular´ıa, ya que todav´ıa depende
de la media de la variable omitida
¯
X
2
, que generalmente no va a ser cero. De este resultado se
puede argumentar que el coeficiente que acompa˜ na al t´ermino constante, generalmente va a
recoger efectos de variables omitidas a´ un cuando esto no influya en la estimaci´on del resto
de par´ametros o pendientes por estar estas variables incorreladas con las incluidas. Por ello,
normalmente es conveniente no excluir el t´ermino constante, a no ser que se tengan fuertes
razones te´oricas para hacerlo.
Si se estiman con sesgo los coeficientes β
j
, tambi´en ser´an incorrectos los contrastes de significati-
vidad individual, conjunta y otro tipo de contrastes sobre los coeficientes del modelo utilizando
estas estimaciones sesgadas. Ahora bien, ¿ser´an fiables los contrastes sobre las pendientes si se
dan las condiciones para que los estimadores de estos par´ametros no sean sesgados? La respuesta
es que no, ya que a´ un dandose las condiciones de incorrelaci´on entre regresores incluidos y varia-
bles relevantes excluidas, el estimador de la matriz de varianzas y covarianzas de esos coeficientes
estimados seguir´a siendo sesgada. Esto se debe a que el estimador del par´ametro σ
2
utilizando
la suma de cuadrados residual de la estimaci´on del modelo mal especificado estar´a sesgado en
cualquiera de los casos.
Luego vemos que en general las consecuencias de omitir variables relevantes en la especificaci´on
de un modelo son serias, especialmente en la inferencia.
¿C´omo detectar que esto pueda estar ocurriendo? Una primera cuesti´on es tener en cuenta
el modelo te´orico de inter´es y pensar qu´e variables pueden faltar en el modelo emp´ırico. Por otro
lado, podemos ayudarnos de contrastes que puedan se˜ nalar la existencia de alg´ un problema de
mala-especificaci´on
3
.
Adem´as, el an´alisis de los residuos nos puede ayudar a ver si hemos dejado fuera factores relevan-
tes. Por ejemplo, podemos ver el gr´afico de los residuos por observaci´on y ver si estos presentan
efecto de omitir F2 o no controlar por el tama˜ no de la vivienda en el modelo (5.5) ser´a sobreestimar el efecto
marginal de tener una habitaci´on m´as en la vivienda sobre el precio de ´esta. Por tanto, el n´ umero de habitaciones
estar´ıa tambi´en de alguna forma representando el papel del tama˜ no de la vivienda, que no se ha incluido en
el modelo. No se estimar´ıa con sesgo si S
23
= 0, cosa que no parece factible ya que el n´ umero de habitaciones
estar´ a correlacionado con el tama˜ no de la vivienda.
2
Ocurre lo mismo si consideramos que el modelo estimado es (5.5) y el verdadero modelo es (5.4).
3
En este tema ilustraremos alguno de estos contrastes, aunque no todos. Incluso algunos contrastes dise˜ nados
para analizar si el t´ermino de error no est´a autocorrelacionado, puede capturar tambi´en otro tipo de cuestiones
de mala especificaci´on.
97
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
alg´ un comportamiento sistem´atico que pueda apuntar en esa direcci´on.
Por ejemplo, consideremos los resultados de la estimaci´on de los modelos (5.1) y (5.2) para
explicar el precio de la vivienda
4
Variable Modelo (5.1) Modelo (5.2)
Supuestamente Correcto
CONSTANT 129,062 27,2633
(1,462) (0,182)
F2 0,1548
(4,847)
BEDRMS -21,588 -10,1374
(-0,799) (-0,216)
BATHS -12,193 138,795
(-0,282) (2,652)
Suma de cuadrados de los residuos 16700,1 55926,4
Desviaci´on t´ıpica de los residuos (ˆ σ) 40,8657 71,3037
R
2
0,836 0,450706
¯
R
2
0,787 0,350834
F de significaci´on conjunta 16,989 4,51285
Grados de libertad 10 11
Criterio de Akaike (AIC) 146,908 161,829
Criterio de Schwarz (BIC) 149,464 163,746
Tabla 5.1: Modelos (5.1) y (5.2) estimados para el precio de la vivienda
Como ya comentamos en el cap´ıtulo anterior, la omisi´on de la variable F2 empeora bastante
el ajuste tanto en t´erminos del R
2
como del
¯
R
2
, AIC y BIC. El coeficiente estimado que m´as
ha cambiado es el que acompa˜ na a la variable BATHS pasando a tener signo positivo y ser
significativamente distinto de cero. Parece que, dado que ambas variables representan tambi´en
tama˜ no de la vivienda, el efecto indirecto de la omisi´on de esta variable puede estar siendo
capturando m´as por el coeficiente de BATHS que por el de BEDRMS.
Podemos mirar a las correlaciones entre la variable excluida F2 y las incluidas BEDRMS y
BATHS. En la ventana principal de Gretl donde tenemos estas variables, las seleccionamos con
el bot´on izquierdo del rat´on, mientras mantenemos la tecla de may´ usculas ⇑, y en Ver →matriz
de correlaci´on obtenemos
Coeficientes de correlaci´on, usando las observaciones 1 - 14
valor cr´ıtico al 5 % (a dos colas) = 0,5324 para n = 14
F2 BEDRMS BATHS
1, 0000 0, 4647 0, 7873 F2
1, 0000 0, 5323 BEDRMS
1, 0000 BATHS
4
Los valores entre par´entesis son los correspondientes estad´ısticos t de significatividad individual.
98
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Vemos que, aunque tanto el n´ umero de habitaciones BEDRMS como el n´ umero de ba˜ nos
BATHS presenta una correlaci´on positiva con la variable excluida, tama˜ no de la vivienda F2,
es la variable BATHS la que presenta una mayor correlaci´on con esta ´ ultima.
Seguidamente vamos a analizar diversos gr´aficos de los residuos del ajuste del modelo (5.2) donde
hemos omitido F2 que parece ser relevante. De la estimaci´on de este modelo en la ventana de
estimaci´on gretl:modelo2 elegimos
Gr´aficos → Grafico de residuos → Por n´ umero de observaci´on
que nos muestra el gr´afico de residuos por observaci´on seg´ un est´an las 14 observaciones ordenadas
en la muestra. Lo podemos guardar posicionando el cursor dentro de la ventanta del gr´afico y
pinchando con el bot´on derecho del rat´on, aparece un men´ u con distintas opciones y formatos
para guardarlo.
-100
-50
0
50
100
150
200
2 4 6 8 10 12 14
r
e
s
i
d
u
o
observacion
Gr´afico 5.1: Gr´afico de los residuos del Modelo (5.2) por observaci´on
En el gr´afico se puede apreciar que hay demasiados residuos negativos juntos al comienzo de la
muestra y a medida que vamos hacia las ´ ultimas observaciones o viviendas, estos se concentran
m´as en la parte positiva. Si observamos la disposici´on de las viviendas en la muestra, veremos
que est´an ordenadas en funci´on creciente del tama˜ no de la vivienda. Luego los residuos negativos
estar´ıan asociados en general con viviendas de menor tama˜ no y los positivos con viviendas de
mayor tama˜ no. Esto sugiere un comportamiento sistem´atico en la disposici´on de los residuos
alrededor de su media muestral que es cero.
El gr´afico de los residuos sobre la variable F2 puede ayudar a ver si hay alguna relaci´on. De hecho
el gr´afico nos mostrar´a la recta de regresi´on de los residuos sobre esta variable si es que existe
una relaci´on significativa. Para obtener el gr´afico primero tenemos que guardar los residuos de
la estimaci´on del modelo (5.2). Para ello, en la ventana de estimaci´on gretl:modelo2 elegimos
Guardar → Residuos
99
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
y le damos un nombre a la serie de residuos. Esta serie aparecer´a en la ventana principal gretl
y la podremos utilizar posteriormente. En esta misma ventana elegimos
Ver → Gr´aficos → Grafico X-Y (scatter)
-100
-50
0
50
100
150
200
1500 2000 2500 3000
R
e
s
i
d
u
o

m
o
d
e
l
o

(
5
.
2
)
F2
Y = -112, + 0,0584X
Gr´afico 5.2: Gr´afico de los residuos del Modelo (5.2) sobre F2
En la ventana que aparecer´a posteriormente, especificamos que variable se representa en el eje
de ordenadas eje X, en este caso F2, y en el eje de abcisas o eje Y, en este caso los residuos de
la estimaci´on del Modelo (5.2). En este gr´afico podemos apreciar que hay una relaci´on positiva
significativa entre los residuos de la estimaci´on del modelo (5.2) y la variable F2 omitida en
ese modelo. De hecho, la l´ınea que aparece en el gr´afico representa la recta de regresi´on de los
residuos sobre esa variable. Esto indica que cierto componente residual puede ser explicado por
la variable que no hemos incluido.
Lo detectado en estos gr´aficos puede ser contrastado utilizando el siguiente contraste que se debe
a Engle (1982). Este contraste utiliza el R
2
de la regresi´on auxiliar de los residuos del modelo
que se est´a analizando sobre la variable o variables que sospechamos puedan ser candidatas a
ser incluidas en ´el por ser relevantes. En nuestro caso ser´ıa realizar la regresi´on
ˆ u
i
= δ
1

2
F2
i

i
i = 1, . . . , N (5.8)
El estad´ıstico de contraste es NR
2
donde el R
2
es el coeficiente de determinaci´on de esta regresi´on
auxiliar. La distribuci´on exacta del estad´ıstico, bajo la hip´otesis nula de que la variable F2 no
es una variable relevante a incluir en el modelo, no es conocida pero se puede aproximar por la
distribuci´on χ
2
con un grado de libertad
5
. Esta aproximaci´on ser´a mejor cuanto mayor sea el
tama˜ no muestral.
En el ejemplo que nos ocupa esta regresi´on auxiliar la podemos obtener con Gretl eligiendo
5
En general, los grados de libertad ser´an el n´ umero de regresores de la regresi´on auxiliar sin contar el t´ermino
constante.
100
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Modelo → Minimos Cuadrados Ordinarios
y en la ventana que emerge elegir como variable dependiente la serie de residuos de la estimaci´on
del modelo (5.2) que ten´ıamos guardada y como regresores a F2 adem´as de la constante. Los
resultados de esta regresi´on auxiliar (5.8) para el ejemplo que nos ocupa son
´u
i
= −111, 588
(−1,995)
+ 0, 0583946
(2,078)
F2
i
N = 14 R
2
= 0, 264584
Si queremos guardar el valor muestral NR
2
podemos hacerlo en esa misma ventana eligiendo
Guardar → T

R-cuadrado
El valor muestral del estad´ıstico NR
2
= 3, 70417 se muestra en la ventana principal con el resto
de variables. Este valor habr´a que compararlo en este caso con el valor cr´ıtico χ
2
(1)α
utilizando
en el contraste un nivel de significaci´on α concreto.
Para buscar el valor cr´ıtico en las tablas de la Chi-cuadrado con 1 grado de libertad podemos
elegir en la ventana principal de Gretl, Herramientas →Tablas Estad´ısticas y en la ventana que
aparece seleccionar la chi-cuadrado especificando 1 grado de libertad. Aparece una ventana con
los valores cr´ıticos de la distribuci´on Chi-cuadrado para distintos niveles de significaci´on.
Tambi´en podemos obtener el valor-p dado el valor muestral del estad´ıstico. En la ventana prin-
cipal de nuevo en Herramientas → Buscador de valores-p, y en la ventana que aparece seleccio-
nar la chi-cuadrado especificando en la primera casilla 1 grado de libertad y el valor muestral
del estad´ıstico en la segunda casilla. Aparece una ventana con la siguiente informaci´on: Chi-
cuadrado(1): ´area a la derecha de 3,70417 = 0,0542767 (a la izquierda: 0,945723).
Por lo tanto, como el valor-p obtenido es 0, 0542767 que, aunque poco, es algo mayor que 0, 05,
no se rechazar´ıa la hip´otesis nula de que F2 sea una variable importante a a˜ nadir al modelo
al 5 %, pero s´ı al 10 % al ser el valor-p en ese caso menor que ese nivel de significaci´on. Vemos
que la hip´otesis nula se rechazar´ıa al 10 % de significaci´on ya que el valor muestral en ese caso
NR
2
= 3, 70417 ser´ıa mayor que el valor cr´ıtico χ
2
(1)0,1
= 2, 706, aunque no se rechazar´ıa al 5 %.
Luego existe cierta evidencia de que F2 sea una variable relevante a a˜ nadir en el modelo.
¿C´omo cambiar´ıan los gr´aficos (5.1) y (5.2) si consideramos los residuos del modelo (5.1) que
incluye a la variable F2? Estos corresponden a los gr´aficos de la Figura (5.3). En este caso la
disposici´on de los residuos positivos y negativos es m´as aleatoria alrededor de su media muestral.
Por otro lado, el gr´afico de los residuos del modelo (5.1) sobre la variable F2 ya no muestra esa
relaci´on positiva entre ambas variables.
5.3. Efectos de inclusi´on de variables irrelevantes
Supongamos ahora que el modelo correcto para el precio de la vivienda es
P
i
= β
1

2
F2
i
+u
i
i = 1, . . . , N (5.9)
donde se satisfacen las hip´otesis b´asicas, pero incluimos en la regresi´on una variable m´as que no
es relevante, BEDRMS. El modelo que ajustamos es
P
i
= β
1

2
F2
i

3
BEDRMS
i
+u
i
i = 1, . . . , N (5.10)
101
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
−60
−40
−20
0
20
40
60
80
2 4 6 8 10 12 14
R
e
s
id
u
o
s

d
e
l

M
o
d
e
lo

(
5
.
1
)
Observación
-60
-40
-20
0
20
40
60
80
1500 2000 2500 3000
R
e
s
id
u
o
s

d
e
l
M
o
d
e
lo

(
5
.
1
)
F2
Gr´afico 5.3: Gr´aficos de los residuos del Modelo (5.1) sobre observaci´on y sobre F2
En este modelo se siguen satisfaciendo las hip´otesis b´asicas, ya que el valor poblacional del
coeficiente que acompa˜ na a la variable BEDRMS es cero al no ser una variable relevante, por
lo que el t´ermino de error no cambia. Pero en la regresi´on se estimar´an todos los coeficientes,
tambi´en los de las variables irrelevantes y la estimaci´on puntual de β
3
no ser´a en general cero.
¿Qu´e consecuencias tendr´a este error de especificaci´on?
• En este caso, los estimadores de todos los coeficientes son insesgados, por lo que E(
ˆ
β
j
) =
β
j
∀j. En particular, E(
ˆ
β
3
) = 0.
• La matriz de varianzas y covarianzas se estimar´a correctamente con el estimador habitual.
Por lo que tanto los intervalos de confianza como los procedimientos habituales de contraste
sobre los coeficientes β
j
siguen siendo v´alidos.
• El coste de este error de especificaci´on es la p´erdida de eficiencia en la estimaci´on. Si se
comparan las varianzas de los coeficientes estimados en el modelo incorrecto relativamente
al correctamente especificado, estas ser´an mayores en el primero. Por ejemplo, se puede
demostrar que esta p´erdida de eficiencia depende de la correlaci´on entre F2 y BEDRMS
siendo mayor cuanto mayor sea esta correlaci´on.
En particular, para β
2
el ratio de la varianza del estimador de este coeficiente en el modelo
incorrecto (5.10) sobre la varianza del estimador en el modelo correcto (5.9) es
var(
ˆ
β
2
)
(10)
var(
ˆ
β
2
)
(9)
=
1
_
1 −ρ
2
23
_ ≥ 1 (5.11)
siendo 0 ≤ ρ
2
23
≤ 1 el coeficiente de correlaci´on al cuadrado entre F2 y BEDRMS.
En el caso de los datos que estamos utilizando data4-1 sobre 14 viviendas este ratio es
_
1/
_
1 −(0, 5323)
2
__
= 1, 4, luego hay cierta p´erdida de eficiencia en la estimaci´on de
β
2
en el modelo (5.10) relativamente a (5.9). La inclusi´on de la variable supuestamente
irrelevante BEDRMS hace que estimemos con menor precisi´on el coeficiente β
2
. Lo mismo
ocurre con el coeficiente β
1
.
102
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
¿C´omo podemos detectar la presencia de variables innecesarias?
Una posibilidad es comenzar por un modelo relativamente general y utilizar los contrastes de
significatividad individual, as´ı como las medidas de bondad de ajuste
¯
R
2
o los criterios de
informaci´on AIC o BIC por ejemplo. Estos indicadores nos pueden ayudar en la toma de esta
decisi´on. Los resultados obtenidos de la estimaci´on de los modelos (5.9) y (5.10) se muestran en
la tabla (5.2)
6
. Considerando que nuestro modelo de partida es el modelo m´as general, Modelo
(5.10), y utilizando el contraste de significatividad individual para el coeficiente que acompa˜ na
a BEDRMS, podr´ıamos considerar que esta variable no es relevante en explicar la variaci´on
en el precio de la vivienda una vez hemos incluido el tama˜ no de ´esta. Eliminar esta variable
del modelo tambi´en mejora el resto de indicadores de ajuste, mayor
¯
R
2
, menores AIC y BIC.
Se puede observar tambi´en que las desviaciones t´ıpicas estimadas se reducen bastante. Por otro
lado, tanto en el modelo (5.10) como en el (5.9), la variable F2 es significativa indicando su
relevancia en explicar la variaci´on en el precio de la vivienda.
Variable Modelo (5.9) Modelo (5.10)
supuestamente correcto
CONSTANT 52,351 121,179
(1,404) (1,511)
[37,28] [80,1778]
F2 0,13875 0,14831
(7,407) (6,993)
[0,0187] [0,0212]
BEDRMS -23,911
(-0,970)
[24,642]
Suma de cuadrados de los residuos 18273,6 16832,8
Desviaci´on t´ıpica de los residuos (ˆ σ) 39,023 39,1185
R
2
0,821 0,835
¯
R
2
0,806 0,805
F de significaci´on conjunta 54,861 27,767
Grados de libertad 12 11
Criterio de Akaike (AIC) 144,168 145,019
Criterio de Schwarz (BIC) 145,447 146,936
Tabla 5.2: Modelos estimados para el precio de la vivienda.
La aproximaci´on de ir de un modelo m´as general a uno m´as restringido suele ser m´as conveniente
que la aproximaci´on contraria. En el caso de comenzar por un modelo m´as reducido e ir a˜ nadiendo
variables secuencialmente, decidiendo mantenerlas o no en funci´on de si son o no significativas,
se corre el peligro de lo que se conoce con el nombre ingl´es de data mining o torturar a los datos.
El problema en la aproximaci´on contraria es que, si el modelo de partida es demasiado general
y los regresores est´an muy correlacionados, la precisi´on con la que estimemos los par´ametros
puede ser poca. Por esa falta de precisi´on en la estimaci´on podemos tener coeficientes no signifi-
cativamente distintos de cero, no siendo capaces de identificar el efecto de esas variables ya que
la potencia de los contrastes de significaci´on puede ser muy poca
7
. No rechazar en ese caso la
6
Entre par´entesis estad´ısticos t y entre corchetes las desviaciones t´ıpicas estimadas.
7
Este problema ser´a tratado m´as en detalle en el tema de Multicolinealidad.
103
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
hip´otesis nula no es evidencia de que esas variables no sean relevantes sino de que el contraste
tiene poca potencia.
104
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
5.4. Ejercicios para practicar
Ejercicio 1:
Realiza exclusivamente los apartados 1 a 6
Para la realizaci´on de este ejercicio utiliza el archivo greene 7-8.gdt de muestra en gretl
8
El
archivo contiene datos de serie temporal para los a˜ nos 1953 a 2004 de las siguientes variables
sobre el mercado de la gasolina en Estados Unidos:
G Consumo total de gasolina en Estados Unidos. Se obtiene de
dividir el gasto en gasolina entre el ´ındice de precios al
consumo
Pg
´
Indice de precios para la gasolina
Y Renta disponible per capita
Pnc
´
Indice de precios para coches nuevos
Puc
´
Indice de precios para coches usados
Ppt
´
Indice de precios para transporte p´ublico
Pd
´
Indice de precios agregado para bienes de consumo duradero
Pn
´
Indice de precios agregado para bienes de consumo no duradero
Ps
´
Indice de precios agregado para servicios de consumo
Pop Poblaci´on total en Estados Unidos en millones de personas
1. Define una nueva variable, el gasto per c´apita Gpc, como Gpc = G/Pop.
2. Especifica un primer modelo para la funci´on de consumo de gasolina:
Gpc
t
= β
1

2
Y
t

3
Pg
t
+u
t
(5.12)
Interpreta sus coeficientes.
3. Estima el modelo (6.3) por M´ınimos Cuadrados Ordinarios. Comenta los resultados obteni-
dos en t´erminos de bondad de ajuste, significatividad y signos de los coeficientes estimados.
Razona si te parecen adecuados los resultados.
4. Obt´en e interpreta los siguientes gr´aficos:
• Gr´afico de los residuos MCO contra el tiempo.
• Gr´afico de la serie estimada y observada contra el tiempo.
5. Se considera ampliar la especificaci´on del modelo (6.3) incluyendo otros ´ındices de precios.
Estima las siguientes especificaciones:
MODELO 2 Gpc
t
= β
1

2
Y
t

3
Pg
t

4
Pnc
t
+u
t
MODELO 3 Gpc
t
= β
1

2
Y
t

3
Pg
t

4
Pnc
t

5
Puc
t
+u
t
MODELO 4 Gpc
t
= β
1

2
Y
t

3
Pg
t

4
Pnc
t

5
Puc
t

6
Pd
t
+u
t
a) Muestra en el siguiente cuadro los resultados obtenidos para cada especificaci´on.
8
Fuente: Greene, W. (2008), Econometrics Analysis, 6th Ed., Prentice-Hall, Tabla F2.2: Source: These data
were compiled by Professor Chris Bell, Department of Economics, University of North Carolina, Asheville. Sources:
www.bea.gov and www.bls.gov.
105
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Tabla 5.3: Modelos estimados para el Consumo de Gasolina en Estados Unidos
Variable dependiente Gpc
Variables Explicativas

Modelo 2 Modelo 3 Modelo 4
Constant
( )

( )

( )
Y
( )

( )

( )
Pg
( )

( )

( )
Pnc
( )

( )

( )
Puc
( )

( )
Pd
( )
Suma de cuadrados de los residuos
Desviaci´on t´ıpica de los residuos (ˆ σ)
R
2

¯
R
2

F de significaci´on conjunta
Grados de libertad
Criterio de Akaike (AIC)
Criterio de Schwarz (BIC)
Criterio de Hannan-Quinn (HQC)
(*)Valores entre par´entesis son los estad´ısticos t
b) Comenta los resultados mostrados en la Tabla 6.1 en t´erminos de significatividad
individual, conjunta, coeficiente de determinaci´on y distintos criterios de selecci´on de
modelos.
c) ¿Consideras que alguna de las especificaciones es mejor? Razona tus conclusiones.
6. Calcula la matriz de correlaci´on entre las variables de precios Pg, Pnc, Puc y Pd. ¿Crees
que puede haber alg´ un problema en la estimaci´on de los modelos anteriores? Interpreta
los valores de la matriz.
7. Calcula el Factor de Inflaci´on de Varianza y el Factor de Tolerancia para los regresores del
Modelo 3 y el Modelo 4. Interpreta los resultados.
106
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
8. ¿Qu´e conclusiones extraes?
9. Contrasta al 5 % en el Modelo 3, la hip´otesis nula de que los coeficientes asociados a las va-
riables individualmente no significativas no son significativas conjuntamente. ¿Qu´e puedes
concluir?
10. Contrasta al 5 % en el Modelo 4, las siguientes restricciones lineales:
a) H
0
: β
4
= β
5
b) H
0
: β
3
= −β
4
c) H
0
: β
4
= β
5
= β
6
Ejercicio 2:
Realiza exclusivamente los apartados 1 y 2
Se dispone de un conjunto de observaciones sobre el n´ umero total de viviendas de nueva cons-
trucci´on y sus determinantes para el periodo de 1963 a 1994
9
. Las variables que se consideran
son:
housing N
o
total de viviendas de nueva construcci´on (en miles)
pop Poblaci´on de Estados Unidos (en millones)
gdp Producto interior bruto (en billones de $ de 1992)
unemp Tasa de desempleo
intrate Tipo de inter´es sobre la hipoteca de nueva vivienda
1. Considera una primera especificaci´on (Modelo A) de la demanda de nueva vivienda, donde
la variable dependiente es housing y las explicativas son gdp, intrate, adem´as de incluir un
t´ermino constante:
a) Escribe el modelo te´orico que se ha estimado. Explica qu´e son cada uno de sus ele-
mentos y las hip´otesis b´asicas de partida.
b) Muestra los resultados de la estimaci´on de este modelo.
c) Interpreta qu´e recoge cada uno de los coeficientes estimados y si te parecen razonables
los resultados obtenidos.
d) Realiza los contrastes de significatividad individual utilizando el valor-p. Explica
qu´e es el valor-p. Razona la respuesta.
2. Posteriormente se decide excluir del Modelo A la variable intrate, definimos como Modelo
B al modelo resultante.
a) Obt´en los resultados de su estimaci´on. ¿Te parecen razonables? Razona tu respuesta.
b) Explica c´omo afectar´ıa a la fiabilidad de los resultados obtenidos en la estimaci´on del
Modelo B el que la variable intrate fuera relevante para explicar el total de nuevas
viviendas construidas.
9
Fichero data4-3a.gdt. Recogido en Ramanathan, R. (2002), Introductory econometrics with applications, 5th.
Ed., South-Western.
107
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
3. Seguidamente se estiman dos especificaciones. Una, en la que en el Modelo B se incluye a
la variable pop y otra con todas las variables disponibles para explicar housing.
a) Indica con Modelo C y Modelo D estas dos ´ ultimas especificaciones y muestra los
resultados de la estimaci´on de estos dos nuevos modelos.
b) Valora los resultados de las cuatro especificaciones (A, B, C y D), utilizando todos
los criterios mostrados, significatividad, coeficientes de determinaci´on, criterios de
informaci´on. ¿Qu´e especificaci´on te parece la m´as adecuada? ¿Por qu´e? Razona tu
respuesta.
c) ¿Qu´e es el VIF? ¿Qu´e te indica? Calcula este factor para el Modelo D y analiza si en
ese modelo hay evidencia del problema que este factor trata de detectar.
d) Realiza el contraste de Chow en el Modelo D ¿Qu´e te indica? ¿Hay evidencia de lo
que el contraste trata de detectar dados los resultados obtenidos en la realizaci´on del
contraste?
108
Tema 6
Multicolinealidad
A la hora de estimar un modelo econ´omico, los datos disponibles sobre las variables explicativas
o regresores pueden presentar un alto grado de correlaci´on, especialmente en un contexto de
series temporales y con series macroecon´omicas. Por ejemplo, la poblaci´on y el PIB en general
suelen estar altamente correlacionados. A este fen´omeno se le conoce como multicolinealidad.
En alg´ un caso puede que los datos de una variable se obtengan como resultado de una identidad
contable o de una combinaci´on lineal exacta entre otros regresores. Este ´ ultimo caso se denomina
de multicolinealidad exacta o perfecta.
Cuando dos o m´as variables explicativas en un modelo est´an altamente correlacionadas en la
muestra, es muy dif´ıcil separar el efecto parcial de cada una de estas variables sobre la variable
dependiente. La informaci´on muestral que incorpora una de estas variables es casi la misma que
el resto de las correlacionadas con ella. En el caso extremo de multicolinealidad exacta no es
posible estimar separadamente estos efectos sino una combinaci´on lineal de ellos. En este tema
analizaremos las implicaciones que tiene en la estimaci´on por el m´etodo de M´ınimos Cuadrados
Ordinarios este fen´omeno muestral.
6.1. Multicolinealidad perfecta
Dada la especificaci´on del modelo y los datos de las variables, si al menos una de las variables
explicativas se puede obtener como combinaci´on lineal exacta de alguna o algunas de las
restantes, diremos que existe multicolinealidad exacta o perfecta.
Consideremos el siguiente ejemplo. ¿Qu´e ocurrir´a si definimos una nueva variable F25 que es una
combinaci´on lineal exacta de otra variable explicativa en el modelo, F25 = 5F2 y pretendemos
estimar los par´ametros del siguiente modelo?
P
i
= β
1

2
F2
i

3
BEDRMS
i

4
F25
i
+u
i
i = 1, 2, . . . , N (6.1)
Las variables F25 y F2 son combinaci´on lineal exacta por lo que el rango de la matriz X es
3 = K −1, menor que el n´ umero de par´ametros a estimar, ya que la cuarta columna se obtiene
de multiplicar por 5 la segunda columna. El sistema de ecuaciones normales que se obtiene del
criterio de estimaci´on del m´etodo de M´ınimos Cuadrados Ordinarios ser´ıa un sistema de cuatro
ecuaciones pero solamente tres ser´an linealmente independientes
1
.
1
La notaci´on utilizada es Y
i
≡ P
i
, X
2i
≡ F2
i
, X
3i
≡ BEDRMS
i
, X
4i
≡ F25
i
.
109
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl

Y
i
= N
ˆ
β
1
+
ˆ
β
2

X
2i
+
ˆ
β
3

X
3i
+
ˆ
β
4

X
4i

Y
i
X
2i
=
ˆ
β
1

X
2i
+
ˆ
β
2

X
2
2i
+
ˆ
β
3

X
3i
X
2i
+
ˆ
β
4

X
4i
X
2i

Y
i
X
3i
=
ˆ
β
1

X
3i
+
ˆ
β
2

X
2i
X
3i
+
ˆ
β
3

X
2
3i
+
ˆ
β
4

X
4i
X
3i

Y
i
X
4i
=
ˆ
β
1

X
4i
+
ˆ
β
2

X
2i
X
4i
+
ˆ
β
3

X
3i
X
4i
+
ˆ
β
4

X
2
4i
Si sustituimos en estas ecuaciones la relaci´on lineal exacta X
4i
= 5X
2i
y reorganizamos, obte-
nemos:

Y
i
= N
ˆ
β
1
+ (
ˆ
β
2
+ 5
ˆ
β
4
)

X
2i
+
ˆ
β
3

X
3i

Y
i
X
2i
=
ˆ
β
1

X
2i
+ (
ˆ
β
2
+ 5
ˆ
β
4
)

X
2
2i
+
ˆ
β
3

X
3i
X
2i

Y
i
X
3i
=
ˆ
β
1

X
3i
+ (
ˆ
β
2
+ 5
ˆ
β
4
)

X
2i
X
3i
+
ˆ
β
3

X
2
3i
5 [

Y
i
X
2i
=
ˆ
β
1

X
2i
+ (
ˆ
β
2
+ 5
ˆ
β
4
)

X
2
2i
+
ˆ
β
3

X
3i
X
2i
]
Se puede observar que la cuarta ecuaci´on es la misma que la segunda excepto por un factor
de escala igual a 5. Por lo tanto, hay cuatro inc´ognitas
ˆ
β
1
,
ˆ
β
2
,
ˆ
β
3
y
ˆ
β
4
pero solamente tres
ecuaciones linealmente independientes. Consecuentemente, no es posible estimar de forma ´ unica
todos los coeficientes del modelo. Ahora bien, las tres primeras ecuaciones si podemos resolverlas
para
ˆ
β
1
,
ˆ
β
3
y la combinaci´on lineal (
ˆ
β
2
+ 5
ˆ
β
4
). Esto mismo se puede comprobar sustituyendo
F25
i
= 5 F2
i
en el modelo (6.1).
P
i
= β
1
+ (β
2
+ 5β
4
) F2
i

3
BEDRMS
i
+u
i
i = 1, 2, . . . , N (6.2)
Vemos que en esta regresi´on son estimables de forma separada y ´ unica los coeficientes β
1
y β
3
pero no β
2
y β
4
. El coeficiente que acompa˜ na a F2
i
recoger´ıa la combinaci´on lineal β
2
+ 5β
4
.
¿Qu´e hace el programa GRETL si hay multicolinealidad perfecta? Elimina una variable cual-
quiera de las que forman parte de esa relaci´on exacta, mostrando el siguiente resultado.
Modelo 8: estimaciones MCO utilizando las 14 observaciones 1-14
Variable dependiente: P
Omitidas debido a colinealidad exacta: F25
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const 121,179 80,1778 1,511 0,15888
F2 0,148314 0,0212080 6,993 0,00002 ***
BEDRMS -23,9106 24,6419 -0,970 0,35274
Media de la var. dependiente = 317,493
Desviaci´on t´ıpica de la var. dependiente. = 88,4982
Suma de cuadrados de los residuos = 16832,8
Desviaci´on t´ıpica de los residuos = 39,1185
R-cuadrado = 0,834673
R-cuadrado corregido = 0,804613
Estad´ıstico F (2, 11) = 27,7674 (valor p = 5,02e-005)
Log-verosimilitud = -69,5093
Criterio de informaci´on de Akaike (AIC) = 145,019
110
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Criterio de informaci´on Bayesiano de Schwarz (BIC) = 146,936
Criterio de Hannan-Quinn (HQC) = 144,841
Por lo tanto, avisa de que ha eliminado una variable explicativa de la regresi´on, en este caso
F25, y muestra los resultados de la regresi´on excluyendo esa variable. De hecho, el coeficiente
que acompa˜ na a F2 podr´ıa considerarse como
¯

2
+ 5β
4
). Este ha sido un ejemplo ilustrativo de
las implicaciones que tiene el problema de multicolinealidad perfecta.
6.2. Multicolinealidad de grado alto
En general es dif´ıcil tener en un modelo de regresi´on variables explicativas o regresores que
no presenten cierta correlaci´on muestral. La multicolinealidad, de no ser perfecta, se puede
considerar un problema cuando la correlaci´on entre los regresores es tan alto que se hace casi
imposible estimar con precisi´on los efectos individuales de cada uno de ellos.
Si la correlaci´on entre la variables explicativas es alta, es com´ un tener los siguientes s´ıntomas:
• Peque˜ nos cambios en los datos o en la especificaci´on provocan grandes cambios en las
estimaciones de los coeficientes.
• La estimaciones de los coeficientes suelen presentar signos distintos a los esperados y
magnitudes poco razonables.
• El efecto m´as pernicioso de la existencia de un alto grado de multicolinealidad es el de
incrementar las varianzas de los coeficientes estimados por MCO. Es decir, es dif´ıcil estimar
separadamente los efectos marginales o individuales de cada variable explicativa por lo
que estos se estiman con poca precisi´on.
2
Como consecuencia, el valor del estad´ıstico
para realizar contrastes de significatividad individual tiende a ser peque˜ no y aumenta
la probabilidad de no rechazar la hip´otesis nula, por lo que se tiende a concluir que las
variables no son significativas individualmente. El problema no reside en que los contrastes
no sean correctos estad´ısticamente, sino en que no estimamos con suficiente precisi´on estos
efectos individuales.
• Se obtienen valores altos del R
2
a´ un cuando los valores de los estad´ısticos t de significati-
vidad individual son bajos. El problema reside en la identificaci´on del efecto individual de
cada variable explicativa, no tanto en su conjunto. Por eso, si se realiza un contraste de sig-
nificatividad conjunta de las variables explicativas, el resultado normalmente ser´a rechazar
la hip´otesis nula por lo que conjuntamente son significativas aunque individualmente cada
una de ellas no lo sea.
Si se presentan estos s´ıntomas se puede sospechar que el problema de multicolinealidad est´e afec-
tando a nuestros resultados, especialmente a la inferencia sobre los efectos individuales de cada
variable explicativa. De todas formas es importante analizar e interpretar adecuadamente los
resultados obtenidos sin tomar conclusiones precipitadamente.
¿C´omo podemos analizar si existe un problema de multicolinealidad?
2
Los estimadores MCO siguen siendo los de menor varianza dentro de la clase de lineales e insesgados si las
hip´ otesis b´asicas se satisfacen. Luego no es un problema de p´erdida de eficiencia relativamente a otro estimador
lineal e insesgado.
111
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
1) Una primera aproximaci´on consiste en obtener los coeficientes de correlaci´on muestral
simples para cada par de variables explicativas y ver si el grado de correlaci´on entre estas
variables es alto.
Utilizando el ejemplo de los precios de los pisos (Fichero de muestra del Ramanathan
data4-1) con las variables que ya analizamos en temas anteriores,
P
i
= β
1

2
F2
i

3
BEDRMS
i

4
BATHS
i
+u
i
obtenemos los siguientes valores de los coeficientes de correlaci´on:
Coeficientes de correlaci´on, usando observaciones 1 - 14
valor cr´ıtico al 5% (a dos colas) = 0,5324 para n = 14
P F2 BEDRMS BATHS
1,0000 0,9058 0,3156 0,6696 P
1,0000 0,4647 0,7873 F2
1,0000 0,5323 BEDRMS
1,0000 BATHS
Como podemos observar, todas las variables explicativas presentan cierto grado de corre-
laci´on dos a dos, siendo la correlaci´on mayor entre F2 y BATH con un coeficiente igual a
0,7873. Excepto por este valor, no parece que los coeficientes de correlaci´on simple sean
demasiado grandes para sospechar que haya un problema de multicolinealidad. De todas
formas, aunque es condici´on suficiente para que exista este problema que todos estos coefi-
cientes fueran altos, lo contrario no necesariamente es cierto. Se puede dar el caso de tener
una relaci´on lineal casi perfecta entre tres o m´as variables y sin embargo las correlaciones
simples entre pares de variables no ser mayores que 0, 5.
2) Otra forma de detectar la multicolinealidad consiste en realizar la regresi´on de cada
una de las variables explicativas sobre el resto
3
y analizar los coeficientes de determinaci´on
de cada regresi´on. Si alguno o algunos de estos coeficientes de determinaci´on (R
2
j
) son
altos, estar´ıa se˜ nalando la posible existencia de un problema de multicolinealidad.
Siguiendo con el ejemplo sobre el modelo del precio de la vivienda, esto consistir´ıa en
realizar las siguientes regresiones:
Modelo 1: estimaciones MCO utilizando las
14 observaciones 1-14 Variable dependiente: F2
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const -657,612 809,640 -0,812 0,43389
BEDRMS 73,9671 254,175 0,291 0,77646
BATHS 975,371 283,195 3,444 0,00548 ***
R-cuadrado = 0,622773
Modelo 2: estimaciones MCO utilizando las 14 observaciones 1-14
3
En cada regresi´on se incluye el t´ermino constante como regresor pero no como variable dependiente.
112
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Variable dependiente: BEDRMS
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const 2,29560 0,700852 3,275 0,00739 ***
F2 0,000103288 0,000354931 0,291 0,77646
BATHS 0,487828 0,459485 1,062 0,31113
R-cuadrado = 0,288847
Modelo 3: estimaciones MCO utilizando las 14 observaciones 1-14
Variable dependiente: BATHS
VARIABLE COEFICIENTE DESV.T
´
IP. ESTAD T VALOR P
const 0,646527 0,583914 1,107 0,29182
F2 0,000531961 0,000154452 3,444 0,00548 ***
BEDRMS 0,190531 0,179461 1,062 0,31113
R-cuadrado = 0,655201
Los resultados parecen mostrar que las variaciones muestrales de las variables F2 y BATHS
son las m´as explicadas por el resto de variables explicativas, aunque los coeficientes de de-
terminaci´on de esas dos regresiones no son excesivamente altos; alrededor de un 60 % de
la variaci´on de F2 y de BATHS vienen explicadas por variaciones en el resto de variables
explicativas. Si recordamos los resultados obtenidos en el Tema 3, donde al estimar el
modelo 3 una vez que inclu´ıamos F2 en la regresi´on, obten´ıamos que las variables BATH
y BEDRMS no eran significativas. ¿Puede ser este hecho consecuencia de un problema
de multicolinealidad? ¿Podr´ıamos tener problemas de multicolinealidad entre las varia-
bles F2, BATHS y BEDRMS? Vamos a utilizar alg´ un procedimiento m´as formal para
detectar si existe este problema.
3) Neter et al. (1990) consideran una serie de indicadores para analizar el grado de multico-
linealidad entre los regresores de un modelo, como por ejemplo los llamados Tolerancia
(TOL) y Factor de Inflaci´on de la Varianza (VIF) que se definen:
V IF
j
=
1
_
1 −R
2
j
_ TOL
j
=
1
V IF
j
siendo R
2
j
el coeficiente de determinaci´on de la regresi´on auxiliar de la variable X
j
sobre
el resto de las variables explicativas y 1 ≤ V IF
j
≤ ∞.
La varianza de cada uno de los coeficientes de la regresi´on MCO (
ˆ
β
j
) de un modelo de
regresi´on lineal general se puede expresar como:
var(
ˆ
β
j
) =
σ
2

N
i=1
_
X
ji

¯
X
j
_
2
1
_
1 −R
2
j
_ =
σ
2

N
i=1
_
X
ji

¯
X
j
_
2
V IF
j
donde β
j
, es el coeficiente que acompa˜ na a la variable X
j
y R
2
j
es el coeficiente de deter-
minaci´on de la regresi´on auxiliar de la variable X
j
en funci´on del resto de las variables
113
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
explicativas. Como vemos existe una relaci´on inmediata entre el valor V IF
j
y la varianza
del coeficiente estimado. Cuanto m´as se acerque R
2
j
a la unidad, es decir, cuanto mayor
sea la colinealidad de la variable X
j
con el resto, mayor es el valor de V IF
j
y mayor es
la varianza del coeficiente estimado, porque tal y como hemos dicho, la multicolineali-
dad “infla” la varianza. Seg´ un estos autores, si V IF
j
> 10, entonces concluiremos que la
colinealidad de X
j
con las dem´as variables es alta.
La utilizaci´on de los coeficientes TOL y V IF para detectar la presencia de la multicolineali-
dad ha recibido m´ ultiples cr´ıticas, porque la conclusi´on obtenida con estos valores no siem-
pre recoge adecuadamente la informaci´on y problema de los datos. Tal y como hemos visto
anteriormente, las varianzas de los estimadores depende del V IF
j
, σ
2
y
_
X
ji

¯
X
j
_
2
, por
lo que un alto V IF
j
no es condici´on suficiente ni necesaria para que dichas varianzas sean
elevadas ya que es posible que σ
2
sea peque˜ no o
_
X
ji

¯
X
j
_
2
grande y se compensen.
Los indicadores TOL y V IF se pueden obtener con el programa GRETL de forma muy
sencilla. Siguiendo con el ejemplo de los precios de las viviendas, calcularemos la Inflaci´on
de la Varianza para analizar la posible presencia de multicolinealidad. Para ello, en la
ventana de la estimaci´on por MCO del modelo de inter´es, elegimos la opci´on
Contrastes → Colinealidad
obteniendo la siguiente informaci´on:
Factores de inflaci´on de varianza (VIF)
M´ınimo valor posible = 1.0
Valores mayores que 10.0 pueden indicar un
problema de colinealidad
2) F2 2,651
3) BEDRMS 1,406
4) BATHS 2,900
VIF(j) = 1/(1 - R(j)^2), donde R(j) es el coeficiente de
correlaci´on m´ultiple entre la variable j y las dem´as variables
independientes
Como podemos observar, seg´ un los valores del V IF
j
, podr´ıamos concluir que no existen
problemas de multicolinealidad.
Aunque no es f´acil, se pueden considerar las siguientes “soluciones” para intentar resolver el
problema:
• Si realmente es un problema muestral, una posibilidad es cambiar de muestra porque puede
ser que con nuevos datos el problema se resuelva, aunque esto no siempre ocurre. La idea
consiste en conseguir datos menos correlacionados que los anteriores, bien cambiando toda
la muestra o simplemente incorporando m´as datos en la muestra inicial. De todas formas,
no siempre resulta f´acil obtener mejores datos por lo que muy probablemente debamos
convivir con el problema teniendo cuidado con la inferencia realizada y las conclusiones de
la misma.
114
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
• En ocasiones, si se incorpora informaci´on a priori sobre los coeficientes del modelo desapa-
rece el problema. A´ un as´ı, ser´ıa conveniente tener en cuenta dicha informaci´on antes de la
detecci´on del problema de multicolinealidad y no posteriormente, ya que as´ı estimaremos
el modelo m´as eficientemente.
• Quitar del modelo alguna de las variables colineales. Es una medida que puede provocar
otro tipo de problemas, ya que si la variable que eliminamos del modelo realmente s´ı es
significativa, estaremos omitiendo una variable relevante. Por consiguiente, los estimadores
de los coeficientes del modelo y de su varianza ser´ıan sesgados por lo que la inferencia
realizada no ser´ıa v´alida.
• Existen otros m´etodos de estimaci´on sugeridos en la literatura econom´etrica que mejorar´ıan
la estimaci´on en t´erminos de eficiencia o precisi´on, pero los estimadores as´ı obtenidos ser´ıan
sesgados. Explicar estos m´etodos no entran dentro de los objetivos de este curso.
115
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
6.3. Ejercicios para practicar
Ejercicio 1:
Se dispone de una base de datos anuales sobre las tasas de mortalidad por enfermedades coro-
narias y sus determinantes para el per´ıodo de 1947 a 1980 en U.S.
4
.
chd Tasa de mortalidad por cada 100.000 individuos de
poblaci´on (Rango 321,2 - 375,4)
cal Consumo, per c´apita, de calcio diario en gramos (Ran
go 0,9 - 1,06)
unemp Tanto por ciento de fuerza de mano de obra desemplea-
da en miles de personas mayores de 16 a~nos
(Rango 2,9 - 8,5)
cigs Consumo de cigarrillos, per c´apita, en libras de ta-
baco, por persona mayor de 18 a~nos. Aproximadamente
339 cigarrillos por libra de tabaco
(Rango 6,75 - 10,46)
edfat Ingesti´on de comestibles grasos y aceites, per c´apita,
incluyendo manteca, margarina y mantequilla (Rango 42
- 56,5)
meat Ingesti´on de carne en libras, incluyendo carne de vaca,
ternera, cordero y oveja (Rango 138 - 194,8)
spirits Consumo per c´apita de licores destilados, en galones
fiscales, para mayores de 18 a~nos (Rango 1 - 2,9)
beer Consumo per c´apita de licor de malta en galones
fiscales para mayores 18 a~nos (Rango 15,04 - 34,9)
wine Consumo per c´apita de vino, en galones fiscales, en
mayores de 18 a~nos (Rango 0,77 - 2,65)
1. Especifica un modelo que explique la tasa de mortalidad por enfermedades coronarias en
el periodo 1947-1980.
2. Interpreta los coeficientes del modelo anterior.
3. Estima el modelo por M´ınimos Cuadrados Ordinarios. Interpreta los par´ametros estimados.
4. Comenta los resultados obtenidos de la estimaci´on en t´erminos de bondad de ajuste, sig-
nificatividad y signos de los coeficientes estimados. Razona si te parecen adecuados los
resultados.
5. Calcula la matriz de correlaci´on entre las variables y comenta lo obtenido. ¿Crees que
puede haber alg´ un problema?
a) Calcula el Factor de Inflaci´on de Varianza y el Factor de Tolerancia para los regresores.
Interpreta los resultados.
b) ¿Conoces otra forma de detectar la multicolinealidad? Apl´ıcala.
c) ¿Qu´e conclusiones extraes?
4
Fichero de datos: data4-7.gdt. Recogido en Ramanathan, R. (2002), Introductory econometrics with applica-
tions, 5th. Ed., South-Western.
116
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
6. Realiza un contraste de significatividad conjunta de aquellas variables que sean individual-
mente no significativas.
Ejercicio 2:
Se dispone de una base de datos anuales sobre el consumo real y sus determinantes para el
per´ıodo de 1959 a 1994 en U.S.
5
. Las variables que se consideran son:
Ct Consumo real en billones de d´olares de 1992,
(Rango 1393,6-4471,1)
Yt Producto interior bruto en billones de d´olares de
1992 (Rango 2212,3 - 6604,2)
WAGES Salarios en billones de d´olares corrientes
(Rango 281,2 - 4008,3)
PRDEFL Deflactor impl´ıcito de los precios para el gasto
en consumo, 1992 = 100, (Rango 22,8 - 105,1)
1. ¿Qu´e quiere decir: “Deflactor impl´ıcito de los precios para el gasto en consumo, 1992=100”?
2. Crea las siguientes variables:
a) Salario en t´erminos reales, W =
100×WAGES
PRDEFL
.
b) Beneficios y otras rentas del capital, P = Y −W.
3. ¿Qu´e quiere decir que las variables est´an medidas en t´erminos reales?
4. Especifica un modelo para la evoluci´on del consumo en funci´on del salario real y los bene-
ficios y otras rentas del capital, para el periodo de 1959-1994.
5. Interpreta los coeficientes del modelo anterior.
6. Estima el modelo por M´ınimos Cuadrados Ordinarios. Interpreta los coeficientes estimados
que acompa˜ nan a las variables explicativas.
7. Comenta los resultados obtenidos de la estimaci´on en t´erminos de bondad de ajuste, sig-
nificatividad y signos de los coeficientes estimados. Razona si te parecen adecuados los
resultados.
8. Calcula y comenta la matriz de correlaci´on entre las variables. ¿Crees que puede haber
alg´ un problema?
a) Calcula el Factor de Inflaci´on de Varianza y el Factor de Tolerancia para los regresores.
Interpreta los resultados.
b) ¿Conoces otra forma de detectar la multicolinealidad? Apl´ıcala.
c) ¿Qu´e conclusiones extraes?
Ejercicio 3:
Se dispone de una base de datos anuales sobre ´ındices de producci´on y factores de producci´on
agr´ıcolas y ganaderos con base 1982, para el per´ıodo de 1948 a 1993 en U.S.
6
. Las variables que
se consideran son
5
Fichero de datos: data4-2.gdt. Recogido en Ramanathan, R. (2002), Introductory econometrics with applica-
tions, 5th. Ed., South-Western.
6
Fichero de datos: data9-5.gdt. Fuente: Economic report of the President, 1996, Tablas B-95 y B-96, recogidas
en Ramanathan, R. (2002), Introductory econometrics with applications, 5th. Ed., South-Western.
117
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
year 1948-1993 (n=46)
output Producci´on agr´ıcola y ganadera
labor Factor trabajo
land Tama~no de la explotaci´on
machines Gasto en equipamiento
energy Energ´ıa utilizada
fert Gasto en fertilizantes qu´ımicos
seedfeed Gasto en semillas, forrajes y compra de ganado
others Otros gastos
1. ¿Qu´e quiere decir que los ´ındices tienen la base en el a˜ no 1982? Si la base no fuese la
misma para todos los ´ındices ¿tendr´ıa sentido el an´alisis?, ¿por qu´e?, ¿qu´e tendr´ıas que
hacer para solucionar tu problema?
2. Especifica un modelo doblemente logar´ıtmico en el que relaciones el logaritmo de la pro-
ducci´on con el logaritmo de todos los inputs, para analizar si los factores de producci´on
tenidos en cuenta son ´ utiles para explicar o no la producci´on agr´ıcola-ganadera en U.S. en
el per´ıodo de 1948 a 1993.
3. Interpreta los coeficientes del modelo anterior.
4. Estima el modelo por M´ınimos Cuadrados Ordinarios. Interpreta los par´ametros que acom-
pa˜ nan al factor trabajo y al factor tama˜ no de la explotaci´on.
5. Comenta los resultados obtenidos de la estimaci´on en t´erminos de bondad de ajuste, sig-
nificatividad y signos de los coeficientes estimados. Razona si te parecen adecuados los
resultados.
6. Calcula la matriz de correlaci´on entre las variables y comenta lo obtenido. ¿Crees que
puede haber alg´ un problema?
a) Calcula el Factor de Inflaci´on de Varianza y el Factor de Tolerancia para los regresores.
Interpreta los resultados.
b) ¿Conoces otra forma de detectar la multicolinealidad? Apl´ıcala.
c) ¿Qu´e conclusiones extraes?
7. Realiza un contraste de significatividad conjunta de aquellas variables que sean individual-
mente no significativas.
118
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Ejercicio 5:
Para la realizaci´on de este ejercicio utiliza el archivo greene 7-8.gdt de muestra en gretl
7
El
archivo contiene datos de serie temporal para los a˜ nos 1953 a 2004 de las siguientes variables
sobre el mercado de la gasolina en Estados Unidos:
G Consumo total de gasolina en Estados Unidos. Se ob-
tiene de dividir el gasto en gasolina entre el ´ındi-
ce de precios al consumo
Pg Indice de precios para la gasolina
Y Renta disponible per capita
Pnc Indice de precios para coches nuevos
Puc Indice de precios para coches usados
Ppt Indice de precios para transporte p´ublico
Pd Indice de precios agregado para bienes de consumo
duradero
Pn Indice de precios agregado para bienes de consumo
no duradero
Ps Indice de precios agregado para servicios de consumo
Pop Poblaci´on total en EE.UU en millones de personas
1. Define una nueva variable, el gasto per c´apita Gpc, como Gpc = G/Pop.
2. Especifica un primer modelo para la funci´on de consumo de gasolina:
Gpc
t
= β
1

2
Y
t

3
Pg
t
+u
t
(6.3)
Interpreta sus coeficientes.
3. Estima el modelo (6.3) por M´ınimos Cuadrados Ordinarios. Comenta los resultados obteni-
dos en t´erminos de bondad de ajuste, significatividad y signos de los coeficientes estimados.
Razona si te parecen adecuados los resultados.
4. Obt´en e interpreta los siguientes gr´aficos:
• Gr´afico de los residuos MCO contra el tiempo.
• Gr´afico de la serie estimada y observada contra el tiempo.
5. Se considera ampliar la especificaci´on del modelo (6.3) incluyendo otros ´ındices de precios.
Estima las siguientes especificaciones:
MODELO 2 Gpc
t
= β
1

2
Y
t

3
Pg
t

4
Pnc
t
+u
t
MODELO 3 Gpc
t
= β
1

2
Y
t

3
Pg
t

4
Pnc
t

5
Puc
t
+u
t
MODELO 4 Gpc
t
= β
1

2
Y
t

3
Pg
t

4
Pnc
t

5
Puc
t

6
Pd
t
+u
t
7
Fuente: Greene, W. (2008), Econometrics Analysis, 6th Ed., Prentice-Hall, Tabla F2.2: Source: These data
were compiled by Professor Chris Bell, Department of Economics, University of North Carolina, Asheville. Sources:
www.bea.gov and www.bls.gov.
119
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
a) Muestra en el siguiente cuadro los resultados obtenidos para cada especificaci´on.
Tabla 6.1: Modelos estimados para el Consumo de Gasolina en Estados Unidos
Variable dependiente Gpc
Variables Explicativas

Modelo 2 Modelo 3 Modelo 4
Constant
( )

( )

( )
Y
( )

( )

( )
Pg
( )

( )

( )
Pnc
( )

( )

( )
Puc
( )

( )
Pd
( )
Suma de cuadrados de los residuos
Desviaci´on t´ıpica de los residuos (ˆ σ)
R
2

¯
R
2

F de significaci´on conjunta
Grados de libertad
Criterio de Akaike (AIC)
Criterio de Schwarz (BIC)
Criterio de Hannan-Quinn (HQC)
(*)Valores entre par´entesis son los estad´ısticos t
b) Comenta los resultados mostrados en la Tabla 6.1 en t´erminos de significatividad
individual, conjunta, coeficiente de determinaci´on y distintos criterios de selecci´on de
modelos.
c) ¿Consideras que alguna de las especificaciones es mejor? Razona tus conclusiones.
6. Calcula la matriz de correlaci´on entre las variables de precios Pg, Pnc, Puc y Pd. ¿Crees
que puede haber alg´ un problema en la estimaci´on de los modelos anteriores? Interpreta
los valores de la matriz.
7. Calcula el Factor de Inflaci´on de Varianza y el Factor de Tolerancia para los regresores del
Modelo 3 y el Modelo 4. Interpreta los resultados.
120
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
8. ¿Qu´e conclusiones extraes?
9. Contrasta al 5 % en el Modelo 3, la hip´otesis nula de que los coeficientes asociados a las va-
riables individualmente no significativas no son significativas conjuntamente. ¿Qu´e puedes
concluir?
10. Contrasta al 5 % en el Modelo 4, las siguientes restricciones lineales:
a) H
0
: β
4
= β
5
b) H
0
: β
3
= −β
4
c) H
0
: β
4
= β
5
= β
6
121
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
122
Tema 7
Variables Cualitativas
7.1. Introducci´on. Un ejemplo
A lo largo del curso ´ unicamente se han especificado modelos con variables de naturaleza cuan-
titativa, es decir, aqu´ellas que toman valores num´ericos. Sin embargo, las variables tambi´en
pueden ser cualitativas, es decir, pueden tomar valores no num´ericos como categor´ıas, clases o
atributos. Por ejemplo, son variables cualitativas el g´enero de las personas, el estado civil, la
raza, el pertenecer a diferentes zonas geogr´aficas, momentos hist´oricos, estaciones del a˜ no, etc.
De esta forma, el salario de los trabajadores puede depender del g´enero de los mismos; la tasa
de criminalidad puede venir determinada por la zona geogr´afica de residencia de los individuos;
el PIB de los pa´ıses puede estar influenciado por determinados acontecimientos hist´oricos como
las guerras; las ventas de un determinado producto pueden ser significativamente distintas en
funci´on de la ´epoca del a˜ no, etc.
En este tema, aunque seguimos manteniendo que la variable dependiente es cuantitativa, vamos
a considerar que ´esta puede venir explicada por variables cualitativas y/o cuantitativas.
Dado que las categor´ıas de las variables no son directamente cuantificables, las vamos a cuan-
tificar construyendo unas variables artificiales llamadas ficticias, binarias o dummies, que son
num´ericas. Estas variables toman arbitrariamente el valor 1 si la categor´ıa est´a presente en el
individuo y 0 en caso contrario
1
.
D
i
=
_
1 si la categor´ıa est´a presente
0 en caso contrario
En este tema estudiamos la estimaci´on, interpretaci´on de los coeficientes y contrastes de hip´otesis
en modelos con presencia de variables cualitativas como regresores.
7.2. Modelo con una variable cualitativa
Consideremos el caso m´as sencillo, una variable cualitativa como ´ unico regresor del modelo.
Vamos a suponer que queremos explicar el precio de la vivienda bas´andonos ´ unicamente en si
1
Las variables ficticias pueden tomar dos valores cualesquiera, sin embargo, la interpretaci´ on de los coeficientes
es m´as sencilla si se consideran los valores 0 y 1.
123
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
la vivienda tiene piscina o no
2
. Para ello, definimos la siguiente variable ficticia:
POOL
i
=
_
1 si la vivienda i-´esima tiene piscina
0 en caso contrario
Abrimos el fichero de datos data7-3 de Ramanathan (2002), que contiene datos para 14 viviendas
sobre el precio de venta de la vivienda (PRICE), pies cuadrados habitables (SQFT), n´ umero
de habitaciones (BEDRMS) y n´ umero de ba˜ nos (BATHS), utilizados en cap´ıtulos anteriores y
a˜ nade una variable ficticia que toma el valor 1 si la vivienda tiene piscina y 0 en caso contrario
(POOL), una variable ficticia que toma el valor 1 si la vivienda tiene sala de estar y 0 en caso
contrario (FAMROOM) y una variable ficticia que toma el valor 1 si la vivienda tiene chimenea
y 0 en caso contrario (FIREPL). Seleccionamos las variables PRICE y POOL y observamos los
valores de estas dos variables:
Obs price pool
1 199,9 1
2 228,0 0
3 235,0 1
4 285,0 0
5 239,0 0
6 293,0 0
7 285,0 0
8 365,0 1
9 295,0 0
10 290,0 0
11 385,0 1
12 505,0 1
13 425,0 0
14 415,0 0
Por ejemplo, la primera vivienda de la muestra tiene un precio de 199.900 d´olares y tiene piscina
(ya que la variable POOL toma el valor 1), mientras que la segunda no tiene piscina (la variable
POOL toma el valor 0) y su precio de venta es de 228.000 d´olares, etc.
Con los datos anteriores podemos obtener f´acilmente que el precio medio de la vivienda es
317.493 d´olares:
Estad´ısticos principales, usando las observaciones 1 - 14
para la variable price (14 observaciones v´alidas)
Media Mediana M´ınimo M´aximo
317, 49 291, 50 199, 90 505, 00
Desv. T´ıp. C.V. Asimetr´ıa Exc. de curtosis
88, 498 0, 27874 0, 65346 −0, 52983
2
Por simplicidad vamos a ignorar el efecto del resto de variables que afectan al precio de la vivienda.
124
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Sin embargo, tambi´en es posible obtener el precio medio para las viviendas que tienen piscina,
por un lado, y para las que no la tienen, por otro. Para ello, en primer, lugar se selecciona el precio
para aquellas viviendas con piscina. Para ello, seleccionamos la variable PRICE, pinchamos en
Muestra →Definir a partir de v. ficticia..., seleccionamos la variable POOL y aceptamos. De esta
forma hemos seleccionado el precio para aquellas viviendas que tienen piscina
3
. A continuaci´on,
se obtienen los estad´ısticos principales:
Estad´ısticos principales, usando las observaciones 1 - 5
para la variable price (5 observaciones v´alidas)
Media Mediana M´ınimo M´aximo
337, 98 365, 00 199, 90 505, 00
Desv. T´ıp. C.V. Asimetr´ıa Exc. de curtosis
122, 99 0, 36390 0, 15896 −1, 2798
Para seleccionar el precio de las viviendas que no tienen piscina, pinchamos en Muestra → Res-
tringir a partir de criterio, introducimos la condici´on POOL = 0 y aceptamos. Los estad´ısticos
principales son los siguientes:
Estad´ısticos principales, usando las observaciones 1 - 9
para la variable price (9 observaciones v´alidas)
Media Mediana M´ınimo M´aximo
306, 11 290, 00 228, 00 425, 00
Desv. T´ıp. C.V. Asimetr´ıa Exc. de curtosis
68, 959 0, 225275 0, 87575 −0, 52255
Por tanto, el precio medio de las viviendas con piscina es de 337.980 d´olares frente a los 306.110
de las viviendas sin piscina. Dado el modelo una vivienda con piscina es en promedio 31.869
d´olares m´as cara que la que no tiene piscina. Notar que no se est´an teniendo en cuenta otros
factores que pueden afectar al precio de la vivienda (n´ umero de pies cuadrados habitables,
n´ umero de habitaciones, etc.).
El sencillo an´alisis anterior podemos realizarlo mediante un an´alisis de regresi´on. Podemos es-
pecificar un modelo econom´etrico utilizando la variable ficticia POOL como regresor, estimarlo,
hacer inferencia e ir incorporando otras caracter´ısticas que pueden afectar a los precios de las
viviendas. Para comenzar, consideramos el siguiente modelo de regresi´on lineal simple:
PRICE
i
= α
1

2
POOL
i
+u
i
i = 1, . . . , 14 (7.1)
Interpretaci´on y estimaci´on de los coeficientes
En nuestro ejemplo, la funci´on de regresi´on poblacional var´ıa en funci´on de si la vivienda tiene
piscina o no:
3
Para restablecer el tama˜ no muestral inicial pinchar en Muestra → Recuperar el rango completo.
125
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
• E(PRICE
i
[i es una vivienda con piscina) = α
1

2
, puesto que la variable POOL toma
el valor 1 y E(u
i
) = 0.
• E(PRICE
i
[i es una vivienda sin piscina) = α
1
, puesto que la variable POOL toma el
valor 0 y E(u
i
) = 0.
Por tanto, los coeficientes se interpretan como sigue:
• α
1
: precio medio de una vivienda sin piscina.
• α
1

2
: precio medio de una vivienda con piscina.
• α
2
: diferencia en el precio medio de una vivienda con piscina con respecto a una que no la
tiene.
Utilizando las ecuaciones normales que derivamos en el Tema 2 para estimar el modelo de
regresi´on simple y teniendo en cuenta que al ser POOL una variable ficticia que toma valores 0
y 1 coincide con su cuadrado, obtenemos que los estimadores de los coeficientes del modelo (7.1)
se pueden calcular a partir de simples medias muestrales
4
:
• ˆ α
1
= PRICE
nopool
= 306,111 ⇒ precio estimado medio de las viviendas sin piscina.
• ˆ α
2
= PRICE
pool
−PRICE
nopool
= 337,980−306,111 = 31,869 ⇒diferencia estimada
en el precio medio de las viviendas con piscina con respecto a las que no la tienen.
En efecto, si estimamos el modelo por M´ınimos Cuadrados Ordinarios utilizando Gretl obtenemos
que las estimaciones de los coeficientes son las siguientes:
Modelo (7.1): estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: price
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 306,111 30,2077 10,1335 0,0000
pool 31,8689 50,5471 0,6305 0,5402
Media de la var. dependiente 317,493
D.T. de la variable dependiente 88,4982
Suma de cuadrados de los residuos 98550,5
Desviaci´on t´ıpica de los residuos (ˆ σ) 90,6231
R
2
0,0320632
¯
R
2
corregido −0,0485982
Grados de libertad 12
Log-verosimilitud −81,880
Criterio de informaci´on de Akaike 167,760
Criterio de informaci´on Bayesiano de Schwarz 169,038
4
PRICE
pool
es la media muestral del precio de las viviendas con piscina, de igual forma PRICE
nopool
es la
media muestral del precio de las viviendas sin piscina.
126
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Que coinciden con las calculadas utilizando los valores obtenidos en ambas submuestras mediante
los Estad´ısticos Principales:
¯
PRICE
i
(estad. t)
= 306, 111
(10,13)
+ 31, 869
(0,63)
POOL
i
i = 1, . . . , 14
El modelo (7.1) no es la ´ unica especificaci´on correcta posible para explicar las variaciones del
precio de la vivienda en funci´on de si tiene piscina o no. Al igual que hemos definido la variable
ficticia POOL, podemos crear la variable NOPOOL, tomando el valor 1 si la vivienda no tiene
piscina y 0 en caso contrario. Con esta nueva variable podemos especificar los dos modelos
siguientes:
PRICE
i
= γ
1

2
NOPOOL
i
+u
i
i = 1, . . . , 14 (7.2)
PRICE
i
= β
1
POOL
i

2
NOPOOL
i
+u
i
i = 1, . . . , 14 (7.3)
La interpretaci´on de los coeficientes se har´ıa de forma an´aloga a como hemos visto para el
modelo (7.1). Notar que la equivalencia entre los coeficientes de los distintos modelos (7.1), (7.2)
y (7.3) es la siguiente:
• E(PRICE
i
[i es una vivienda con piscina) = α
1

2
= γ
1
= β
1
• E(PRICE
i
[i es una vivienda sin piscina) = α
1
= γ
1

2
= β
2
Una especificaci´on que no ser´ıa adecuada es la siguiente:
PRICE
i
= α +β
1
POOL
i

2
NOPOOL
i
+u
i
i = 1, . . . , 14
ya que si analizamos la matriz de datos X para este modelo observamos que la suma de la segunda
y tercera columnas es igual a la primera y tendr´ıamos un problema de multicolinealidad exacta,
por lo que la matriz X

X no ser´ıa invertible. En estas circunstancias no se podr´ıa obtener una
´ unica soluci´on para ˆ α,
ˆ
β
1
y
ˆ
β
2
del sistema de ecuaciones normales.
X =
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
1 1 0
1 0 1
1 1 0
1 0 1
1 0 1
1 0 1
1 0 1
1 1 0
1 0 1
1 0 1
1 1 0
1 1 0
1 0 1
1 0 1
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
_
127
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Contraste de hip´otesis
Los contrastes de hip´otesis se realizan con la metodolog´ıa estudiada en los cap´ıtulos previos. Por
ejemplo, si quisi´eramos contrastar en el modelo (7.1) si hay diferencias significativas en el precio
medio de la vivienda entre aqu´ellas que tienen piscina y las que no, la hip´otesis de contraste es
H
0
: α
2
= 0.
5
Este contraste se puede realizar utilizando el estad´ıstico t habitual cuyo valor-p es
0,5402, por lo que no se rechaza la hip´otesis nula para un nivel de significaci´on del 5 %, es decir,
el precio medio de la vivienda no es significativamente diferente por el hecho de tener piscina.
Alternativamente, se puede realizar el contraste utilizando el estad´ıstico F basado en las sumas
de cuadrados de los residuos siendo en este caso el modelo (7.1) el modelo no restringido mientras
que el modelo restringido es PRICE
i
= α
1
+u
i
i = 1, . . . , 14.
7.2.1. Incorporaci´on de variables cuantitativas
En el modelo (7.1) el ´ unico regresor para explicar el precio de la vivienda es una caracter´ıstica
cualitativa, el hecho de tener o no piscina sin embargo, en un modelo pueden convivir variables
cualitativas y cuantitativas. Vamos a comenzar a˜ nadiendo un regresor cuantitativo, la variable
SQFT (n´ umero de pies cuadrados habitables de la vivienda) y manteniendo la variable ficticia
POOL afectando a la ordenada.
Cambio en la ordenada
Suponer que el precio de la vivienda ´ unicamente depende de si tiene piscina o no es poco realista,
por lo que a˜ nadimos como regresor a la variable cuantitativa SQFT (n´ umero de pies cuadrados
habitables de la vivienda) de la siguiente manera:
PRICE
i
= α
1

2
POOL
i
+β SQFT
i
+u
i
i = 1, . . . , 14 (7.4)
Estimaci´on e interpretaci´on de los coeficientes:
La funci´on de regresi´on poblacional se puede expresar como:
• E(PRICE
i
[i es una vivienda con piscina) = α
1

2
+β SQFT
i
• E(PRICE
i
[i es una vivienda sin piscina) = α
1
+β SQFT
i
Por tanto podemos interpretar α
1
como el precio esperado de una vivienda sin piscina y cero
pies cuadrados, α
2
como el diferencial en el precio esperado en una vivienda por el hecho de
tener piscina, manteniendo el n´ umero de pies cuadrados habitables constante. A igual n´ umero
de pies cuadrados habitables el hecho de tener piscina se puede considerar una mejora en la
vivienda por lo que ser´ıa preferida, as´ı tener piscina es una caracter´ıstica que sube el precio de
la vivienda y esperar´ıamos que α
2
tuviese signo positivo. Finalmente interpretamos β como la
variaci´on en el precio esperado de una vivienda por incrementar su superficie en un pie cua-
drado. Esperar´ıamos signo positivo, a mayor superficie mayor precio esperado para la vivienda.
Gr´aficamente, obtenemos dos rectas con igual pendiente, β, y distinta ordenada como podemos
observar en el Gr´afico 7.1:
5
Equivalentemente, H
0
: γ
2
= 0 ´o H
0
: β
1
= β
2
para los modelos (7.2) y (7.3), respectivamente.
128
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
sqft
price
α
1
α
1

2
α
1

2
+βsqft
α
1
+βsqft
Gr´afico 7.1: Cambio en ordenada
El resultado de la estimaci´on del modelo (7.4) por M´ınimos Cuadrados Ordinarios es:
Modelo (7.4): estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: price
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 22,6728 29,5058 0,7684 0,4584
pool 52,7898 16,4817 3,2029 0,0084
sqft 0,144415 0,0141849 10,1809 0,0000
Media de la var. dependiente 317,493
D.T. de la variable dependiente 88,4982
Suma de cuadrados de los residuos 9455,36
Desviaci´on t´ıpica de los residuos (ˆ σ) 29,3186
R
2
0,907132
¯
R
2
corregido 0,890247
F(2, 11) 53,7238
Log-verosimilitud −65,472
Criterio de informaci´on de Akaike 136,944
Criterio de informaci´on Bayesiano de Schwarz 138,861
El modelo estimado es:
¯
PRICE
i
(estad. t)
= 22, 673
(0,768)
+ 52, 790
(3,203)
POOL
i
+ 0,144
(10,181)
SQFT
i
donde se puede observar que ambos regresores son significativos para explicar el precio medio
de la vivienda y tienen los signos adecuados
6
. Por tanto, existen diferencias significativas en el
precio medio de la vivienda que tiene piscina con respecto a la que no la tiene.
Los coeficientes estimados se interpretan como sigue:
• ˆ α
1
= 22, 673 ⇒ el precio medio estimado de las viviendas sin piscina y con cero pies
cuadrados habitables es 22.673 d´olares.
6
El valor de los estad´ısticos t para los coeficientes de ambos regresores es superior al valor cr´ıtico de una
distribuci´ on t de Student de N −K = 14 −3 = 11 grados de libertad para un nivel de significaci´on del 5 %, que
es 2,201.
129
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
• ˆ α
2
= 52, 790 ⇒ se estima que entre dos viviendas con el mismo n´ umero de pies cuadrados
habitables el precio medio de una con piscina es 52.790 d´olares m´as caro que el de una sin
piscina.

ˆ
β = 0, 144 ⇒ el precio medio estimado de una vivienda se incrementa en 144 d´olares al
aumentar en un pie cuadrado habitable la vivienda.
Cambio en la ordenada y en la pendiente
Tambi´en es posible pensar que la variaci´on en el precio de las viviendas ante el incremento
en un pie cuadrado habitable sea diferente para aqu´ellas que tienen piscina. En este caso se
especifica el siguiente modelo, donde la variable ficticia POOL afecta tanto a la ordenada como
a la pendiente de la recta:
PRICE
i
= α
1

2
POOL
i

1
SQFT
i

2
POOL SQFT
i
+u
i
i = 1, . . . , 14 (7.5)
La interacci´on POOL SQFT mide el n´ umero de pies cuadrados habitables para las viviendas
que tienen piscina, mientras que toma el valor 0 para las que no la tienen.
Estimaci´on e interpretaci´on de los coeficientes:
Una vez definida la interacci´on POOL SQFT en Gretl, estimamos el modelo (7.5):
Modelo (7.5): estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: price
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 77,1332 25,6379 3,0086 0,0131
pool −82,648 39,7759 −2,0779 0,0644
sqft 0,116667 0,0125934 9,2641 0,0000
pool sqft 0,0722955 0,0203274 3,5566 0,0052
Media de la var. dependiente 317,493
D.T. de la variable dependiente 88,4982
Suma de cuadrados de los residuos 4174,72
Desviaci´on t´ıpica de los residuos (ˆ σ) 20,4321
R
2
0,958997
¯
R
2
corregido 0,946696
F(3, 10) 77,9615
Log-verosimilitud −59,749
Criterio de informaci´on de Akaike 127,499
Criterio de informaci´on Bayesiano de Schwarz 130,055
La funci´on de regresi´on poblacional se puede expresar como:
• E(PRICE
i
[i es una vivienda con piscina) = α
1

2
+ (β
1

2
)SQFT
i
• E(PRICE
i
[i es una vivienda sin piscina) = α
1

1
SQFT
i
El par´ametro poblacional α
1
se interpreta como el precio esperado de una vivienda sin piscina y
con cero pies cuadrados habitables. α
2
mide el diferencial en el precio esperado de una vivienda
130
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
con cero pies cuadrados habitables por el hecho de tener piscina. Esperar´ıamos que ambos
coeficientes tuviesen signo positivo por las razones argumentadas anteriormente.
β
1
se interpreta como la variaci´on en el precio esperado de una vivienda sin piscina por in-
crementar su superficie en un pie cuadrado habitable mientras que β
2
mide el diferencial en
la variaci´on en el precio esperado de una vivienda ante un incremento de su superficie en un
pie cuadrado por el hecho de tener piscina. Esperar´ıamos que ambos coeficientes tuviesen signo
positivo, a mayor superficie de la vivienda mayor precio esperado. Si adem´as la vivienda tiene
piscina el cambio en el precio esperado por pie cuadrado m´as de superficie ser´a mayor ya que la
posesi´on de piscina es una mejora.
La representaci´on gr´afica corresponde a dos rectas que var´ıan tanto en el punto de corte con el
eje de ordenadas como en la pendiente:
sqft
price
α
1
α
1

2
α
1

2
+ (β
1

2
)sqft
α
1

1
sqft
Gr´afico 7.2: Cambio en ordenada y en pendiente
Interpretaci´on de los coeficientes estimados:
• ˆ α
1
= 77, 133 ⇒ el precio medio estimado de las viviendas que no tienen piscina y con cero
pies cuadrados habitables es 77.133 d´olares.
• ˆ α
2
= −82, 648 ⇒ entre dos viviendas con 0 pies cuadrados habitables el precio medio
estimado de una con piscina es 82.648 d´olares m´as barato que el de una sin piscina.

ˆ
β
1
= 0, 117 ⇒ al incrementar en un pie cuadrado la superficie habitable, el precio medio
estimado de una vivienda sin piscina aumenta en 117 d´olares.

ˆ
β
2
= 0, 072 ⇒ al incrementar en un pie cuadrado la superficie habitable, el precio medio
estimado de una vivienda con piscina aumenta en 72 d´olares.
Contraste de hip´otesis
La hip´otesis nula para contrastar si tener piscina influye significativamente en el precio medio
de las viviendas es H
0
: α
2
= β
2
= 0. El resultado del contraste es:
131
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Contraste de omisi´on de variables –
Hip´otesis nula: los par´ametros son cero para las variables
pool
poolsqft
Estad´ıstico de contraste: F(2, 10) = 16,886
con valor p = P(F(2, 10) > 16,886) = 0,000622329
por lo que se rechaza la hip´otesis nula para un nivel de significaci´on del 5 % y por lo tanto tener
piscina es una variable significativa para explicar el precio de las viviendas.
Tambi´en se puede contrastar mediante un contraste de significatividad individual si el incremento
en un pie cuadrado de superficie afecta al precio de manera diferente seg´ un la vivienda tenga
o no piscina, para ello podemos contrastar H
0
: β
2
= 0. Como vemos en los resultados de
la estimaci´on del modelo este coeficiente es significativo, como esper´abamos la influencia de
la superficie habitable de una vivienda en su precio var´ıa si la vivienda tiene piscina o no.
Por otro lado, ˆ α
2
no tiene el signo esperado y a su vez no es significativo a nivel individual,
aparentemente el hecho de incluir la variable ficticia en la pendiente ha restado significatividad
a la discriminaci´on en la ordenada.
7.3. Modelo con dos o m´as variables cualitativas
Al igual que ocurr´ıa con los regresores cuantitativos sobre una variable end´ogena pueden influir
m´as de una variable cualitativa. Por ejemplo en el precio de una vivienda podr´ıa influir no s´olo
el hecho de tener o no piscina, su superficie habitable, el n´ umero de habitaciones, el n´ umero de
ba˜ nos, si no tambi´en si tiene o no chimenea, si tiene o no ascensor o la zona de la ciudad donde
est´e situada.
7.3.1. Varias categor´ıas
Supongamos que creemos que la zona de la ciudad donde est´e situada la vivienda es un de-
terminante de su precio. Pensemos por ejemplo en precios de viviendas situadas en una gran
ciudad en la que podemos distinguir como zonas a la zona centro, zona norte, zona sur, zona
este y zona oeste. En general el centro de las ciudades es una zona valorada por ser el centro
neur´algico econ´omico-comercial y el resto de zonas se valorar´a en funci´on del tipo de viviendas
que recoja y sus comunicaciones, por ejemplo en una ciudad como Madrid esperar´ıamos mayor
precio en el centro, norte y oeste que en el sur o en el este que agrupan a barrios, en general, con
menor nivel econ´omico y peor comunicados. Para el ejemplo necesitamos definir cinco variables
ficticias una para cada zona ya que la situaci´on geogr´afica de la vivienda la hemos dividido en
cinco categor´ıas
7
.
Definimos las siguiente variables:
D
1i
=
_
1 si la vivienda i-´esima est´a situada en la zona centro
0 en caso contrario
D
2i
=
_
1 si la vivienda i-´esima est´a situada en la zona norte
0 en caso contrario
7
En el ejemplo anterior la vivienda ten´ıa o no piscina, solo hab´ıa dos casos posibles y por tanto s´olo hab´ıa dos
categor´ıas.
132
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
D
3i
=
_
1 si la vivienda i-´esima est´a situada en la zona sur
0 en caso contrario
D
4i
=
_
1 si la vivienda i-´esima est´a situada en la zona este
0 en caso contrario
D
5i
=
_
1 si la vivienda i-´esima est´a situada en la zona oeste
0 en caso contrario
Si adem´as de la situaci´on geogr´afica de la vivienda creemos que la superficie habitable influye
en su precio podemos definir, por ejemplo, el siguiente modelo:
PRICE
i
= α
1
D
1i

2
D
2i

3
D
3i

4
D
4i

5
D
5i
+β SQFT
i
+u
i
i = 1, . . . , N (7.6)
Donde β se interpreta de la forma habitual y α
1
se interpreta como el precio esperado de una vi-
vienda con cero pies cuadrados situada en la zona centro, as´ı α
i
i = 1, . . . , 5 se interpretan como
el precio esperado de una vivienda con cero pies cuadrados situadas en la zona correspondiente,
centro, norte, sur, este u oeste.
En la especificaci´on (7.6) se ha optado por no incluir t´ermino independiente en el modelo e incluir
las cinco variables ficticias para no incurrir en un problema de multicolinealidad exacta como se
expuso en el punto anterior pero, podr´ıamos especificar un modelo con t´ermino independiente
siempre y cuando dejemos fuera una de las variables ficticias o categor´ıas para no tener dicho
problema. Por ejemplo una especificaci´on alternativa ser´ıa:
PRICE
i
= α +α

2
D
2i

3
D
3i

4
D
4i

5
D
5i
+β SQFT
i
+u
i
i = 1, . . . , N (7.7)
En el modelo anterior la interpretaci´on del par´ametro poblacional β no var´ıa, α se interpreta
como el precio esperado de una vivienda con cero pies cuadrados situada en la zona centro,
α

i
i = 2, . . . , 5 se interpretan como el diferencial en el precio esperado de una vivienda, a igual
superficie habitable, por estar situada en la zona norte, (sur, este y oeste respectivamente) con
respecto a una vivienda situada en la zona centro. Qu´e variable ficticia (o categor´ıa) dejemos
fuera no es relevante siempre y cuando interpretemos adecuadamente los par´ametros. Natural-
mente podemos afectar las variables ficticias a la variable cuantitativa como en el caso anterior
siempre y cuando no incurramos en multicolinealidad exacta.
Contraste de hip´otesis
Para contrastar en el modelo (7.6) que por ejemplo no existen diferencias significativas en el
precio medio de la vivienda por su situaci´on la hip´otesis de contraste es H
0
: α
1
= α
2
= α
3
=
α
4
= α
5
. Hip´otesis que podemos contrastar utilizando el estad´ıstico F basado en las sumas de
cuadrados de los residuos siendo en este caso el modelo (7.6) el modelo no restringido mientras
que el modelo restringido ser´ıa PRICE
i
= α
1
+β SQFT
i
+u
i
i = 1, . . . , N. El mismo contraste
puede llevarse a cabo en el modelo (7.7) con la hip´otesis H
0
: α

2
= α

3
= α

4
= α

5
= 0 siendo
el modelo no restringido el modelo (7.7) y el restringido PRICE
i
= α + β SQFT
i
+ u
i
i =
1, . . . , N.
133
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
7.3.2. Varios conjuntos de variables ficticias
Supongamos que ampliamos el modelo (7.4) incorporando regresores que podr´ıan explicar el
precio de la vivienda como por ejemplo el n´ umero de habitaciones, el n´ umero de ba˜ nos, que la
vivienda tenga sala de estar o no y que tenga chimenea o no. Las dos primeras son variables
ficticias que pueden definirse as´ı:
FIREPL
i
=
_
1 si la vivienda i-´esima tiene chimenea
0 en caso contrario
FAMROOM
i
=
_
1 si la vivienda i-´esima tiene sala de estar
0 en caso contrario
Mientras que el n´ umero de ba˜ nos y el n´ umero de habitaciones se definen como en los temas
anteriores:
BEDRMS n´ umero de habitaciones de la vivienda i-´esima
BATHS n´ umero de cuartos de ba˜ no de la vivienda i-´esima
Con todas ellas podemos definir el siguiente modelo para explicar el precio de la vivienda:
PRICE
i
= γ
1

2
POOL
i

3
FAMROOM
i

4
FIREPL
i

1
SQFT
i

2
BEDRMS
i

3
BATHS
i
+u
i
i = 1, . . . , 14 (7.8)
Donde lo primero a notar es que en el modelo (7.8), afectando a la ordenada, conviven tres
conjuntos de variables ficticias con dos categor´ıas cada una, el hecho de tener o no piscina, el
hecho de tener o no chimenea y el hecho de tener o no sala de estar, de las cuales s´olo se incluye
una de cada conjunto y se mantiene el t´ermino independiente.
Esta forma de definir el modelo es muy c´omoda ya que sigue manteniendo los resultados de
los modelos con t´ermino independiente y permite una f´acil interpretaci´on de los coeficientes que
acompa˜ nan a las variables ficticias. As´ı, γ
i
i = 2, 3, 4 recogen el diferencial en el valor esperado de
una vivienda por el hecho de poseer la caracter´ıstica correspondiente manteni´endose constante
el resto de variables.
El resultado de la estimaci´on es:
Modelo (7.8): estimaciones MCO utilizando las 14 observaciones 1–14
Variable dependiente: price
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const 39,0571 89,5397 0,4362 0,6758
pool 53,1958 22,0635 2,4110 0,0467
famroom −21,344 42,8734 −0,4979 0,6338
firepl 26,1880 53,8454 0,4864 0,6416
sqft 0,146551 0,0301014 4,8686 0,0018
bedrms −7,0455 28,7363 −0,2452 0,8134
baths −0,263691 41,4547 −0,0064 0,9951
134
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Media de la var. dependiente 317,493
D.T. de la variable dependiente 88,4982
Suma de cuadrados de los residuos 9010,24
Desviaci´on t´ıpica de los residuos (ˆ σ) 35,8773
R
2
0,911504
¯
R
2
corregido 0,835650
F(6, 7) 12,0166
valor p para F() 0,00221290
Log-verosimilitud −65,134
Criterio de informaci´on de Akaike 144,269
Criterio de informaci´on Bayesiano de Schwarz 148,743
La interpretaci´on de los coeficientes estimados es la siguiente:
• ˆ γ
1
= 39, 057: el precio medio estimado de las viviendas sin piscina, ba˜ nos, habitaciones,
sala de estar ni chimenea y con 0 pies cuadrados habitables es de 39.057 d´olares.
• ˆ γ
2
= 53, 1958: la diferencia estimada en el precio medio de las viviendas con piscina con
respecto a las que no la tienen, siendo iguales en el resto de caracter´ısticas (pies cuadrados
habitables, n´ umero de habitaciones, n´ umero de ba˜ nos, existencia de sala de estar y/o
chimenea) es de 53.196 d´olares.
• ˆ γ
3
= −21, 34: el precio medio estimado de una vivienda con sala de estar es 21.340 d´olares
inferior al de una sin sala de estar, siendo id´enticas en el resto de caracter´ısticas. Esto se
debe a que, al mantener constante el n´ umero de pies cuadrados de la vivienda y el n´ umero
de habitaciones y ba˜ nos, incluir una sala de estar har´a que el resto de habitaciones o ba˜ nos
sean de menor tama˜ no.
• ˆ γ
4
= 26, 188: el precio medio estimado de una vivienda con chimenea es 26.188 d´olares
m´as caro que el de una sin chimenea, siendo id´enticas en el resto de caracter´ısticas.

ˆ
β
1
= 0, 147: el precio medio estimado de una vivienda se incrementa en 147.000 d´olares al
aumentar en 1 pie cuadrado habitable su superficie, permaneciendo constantes el n´ umero
de ba˜ nos y habitaciones y el resto de caracter´ısticas de la vivienda.

ˆ
β
2
= −7, 046: el precio medio estimado de una vivienda disminuye en 7.046 d´olares al
aumentar en 1 el n´ umero de habitaciones, permaneciendo constantes el n´ umero de ba˜ nos
y los pies cuadrados habitables y el resto de caracter´ısticas de la vivienda. Esto se debe a
que las habitaciones ser´an de menor tama˜ no .

ˆ
β
3
= −0, 264: el precio medio estimado de una vivienda disminuye en 264 d´olares al
aumentar en 1 el n´ umero de ba˜ nos, permaneciendo constantes el n´ umero de habitaciones
y los pies cuadrados habitables el resto de caracter´ısticas de la vivienda. De nuevo, las
habitaciones ser´an de menor tama˜ no.
135
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Contraste de hip´otesis
Para contrastar, por ejemplo, que no existen diferencias significativas en el precio medio de la
vivienda por el hecho de tener chimenea, se realiza un contraste de significatividad individual
de la variable FIREPL. En este caso, observando el valor-p correspondiente, 0,6416, se puede
concluir que a un nivel de significaci´on del 5 %, no existen diferencias significativas en el precio
medio de una vivienda por el hecho de tener chimenea.
Si comparamos los modelos (7.4) y (7.8), ninguna de las variables a˜ nadidas en el ´ ultimo modelo
es significativa individualmente
8
. Adem´as, el
¯
R
2
es inferior. El contraste de significatividad
conjunta para las variables a˜ nadidas se puede realizar con el estad´ıstico F basado en las sumas
de cuadrados residuales de los modelos restringido (modelo (7.4)) y no restringido (modelo (7.8)).
En este caso, el resultado es:
Contraste de omisi´on de variables –
Hip´otesis nula: los par´ametros son cero para las variables
bedrms
baths
famroom
firepl
Estad´ıstico de contraste: F(4, 7) = 0,0864517
con valor p = P(F(4, 7) > 0,0864517) = 0,983881
por lo que no se rechaza la hip´otesis nula de que las variables a˜ nadidas al modelo (7.4) son
conjuntamente no significativas. Al omitir dichas variables el modelo mejora en cuanto a la
significaci´on de sus coeficientes y el
¯
R
2
. Por tanto, manteniendo las variables POOL y SQFT, la
inclusi´on del resto (FIREPL, FAMROOM, BATHS, BEDRMS) no a˜ nade capacidad explicativa
al modelo.
7.4. Contraste de cambio estructural
En ocasiones puede ocurrir que la relaci´on entre la variable dependiente y los regresores cambie
a lo largo del periodo muestral, es decir, puede que exista un cambio estructural. Por ejemplo,
si estamos analizando el consumo de tabaco y durante el per´ıodo muestral se ha producido una
campa˜ na de salud p´ ublica informando sobre los peligros que conlleva el consumo de tabaco,
podemos pensar que tras dicha campa˜ na el comportamiento de la demanda de tabaco haya
cambiado, reduci´endose significativamente. Si esto ocurre no podemos especificar una ´ unica
funci´on de demanda para todo el per´ıodo muestral si no que deber´ıamos especificar dos funciones,
una hasta la campa˜ na antitabaco y otra para el per´ıodo siguiente. Por tanto, ante sospechas de
que exista un cambio estructural, debemos de contrastar la estabilidad de los par´ametros de
nuestra relaci´on.
El contraste de cambio estructural, llamado habitualmente contraste de Chow, puede realizarse
de manera sencilla mediante el estad´ıstico de sumas de cuadrados de los residuos sin m´as que
8
Un problema a˜ nadido es que tenemos un bajo tama˜ no muestral, T=14, y hemos aumentado significativamente
el n´ umero de par´ametros a estimar, K=7, por lo que tenemos muy pocos grados de libertad.
136
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
especificar adecuadamente el modelo restringido y el no restringido. Tambi´en podemos llevarlo
a cabo utilizando variables ficticias. Veamos un ejemplo.
El fichero data7-19 contiene datos para 1960-1988 sobre la demanda de tabaco y sus determi-
nantes en Turqu´ıa. Las variables de inter´es para el ejemplo son las siguientes:
Q: consumo de tabaco por adulto (en kg).
Y : PNB real per c´apita en liras turcas de 1968.
P: precio real del kilogramo de tabaco, en liras turcas.
D82: variable ficticia que toma valor 1 a partir de 1982.
A mediados de 1981 el gobierno turco lanza una campa˜ na de salud p´ ublica advirtiendo de los
peligros de salud que conlleva el consumo de tabaco. Nuestro objetivo es determinar si existen
cambios en la demanda de tabaco tras la campa˜ na institucional en cuyo caso la especificaci´on:
LnQ
t
= α +βLnY
t
+γLnP
t
+u
t
t = 1960, . . . , 1988 (7.9)
no es correcta para todo el per´ıodo muestral y deber´ıamos especificar dos ecuaciones:
LnQ
t
= α
1

1
LnY
t

1
LnP
t
+u
1t
t = 1960, . . . , 1981 (7.10)
LnQ
t
= α
2

2
LnY
t

2
LnP
t
+u
2t
t = 1982, . . . , 1988 (7.11)
Si existe cambio estructural rechazar´ıamos H
0
: α
1
= α
2
, β
1
= β
2
y γ
1
= γ
2
Este contraste podemos llevarlo a cabo utilizando el estad´ıstico F basado en las sumas de cua-
drados de los residuos siendo en este caso el modelo restringido el recogido en la ecuaci´on (7.9)
mientras que el modelo no restringido est´a constituido por las ecuaciones (7.10) y (7.11). Utili-
zando Gretl una vez abierto el fichero de datos y tomado las correspondientes transformaciones
estimar´ıamos el modelo (7.9) por MCO y en la ventana de resultados de la estimaci´on elegimos:
Contrastes −→ Contraste de Chow
A la pregunta Observaci´on en la cual dividir la muestra contestar´ıamos 1982 y la correspon-
diente devoluci´on es:
Modelo (7.9): estimaciones MCO utilizando las 29 observaciones 1960-1988
Variable dependiente: lnQ
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const −4,58987 0,724913 −6,332 0,00001∗∗∗
lnY 0,688498 0,0947276 7,268 0,00001∗∗∗
lnP 0,485683 0,101394 −4,790 0,00006∗∗∗
Media de la var. dependiente = 0,784827
Desviaci´on t´ıpica de la var. dependiente. = 0,108499
Suma de cuadrados de los residuos = 0,0949108
Desviaci´on t´ıpica de los residuos = 0,0604187
R-cuadrado = 0,712058
R-cuadrado corregido = 0,689908
Estad´ıstico F (2, 26) = 32,148 (valor p < 0,00001)
Estad´ıstico de Durbin-Watson = 1,00057
Coef. de autocorr. de primer orden. = 0,489867
137
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Log-verosimilitud = 41,8214
Criterio de informaci´on de Akaike (AIC) = -77,6429
Criterio de informaci´on Bayesiano de Schwarz (BIC) = -73,541
Criterio de Hannan-Quinn (HQC) = -76,3582
Contraste de Chow de cambio estructural en la observaci´on 1982 -
Hip´otesis nula: no hay cambio estructural
Estad´ıstico de contraste: F(3, 23) = 20,1355
con valor p = P(F(3, 23) > 20,1355) = 1,25619e-006
El estad´ıstico calculado es F
c
= 20, 135 > F
0,05(3,23)
por lo que rechazamos H
0
para un nivel de
significatividad del 5 %, es decir existe cambio estructural, la campa˜ na institucional ha tenido
efecto y la demanda de tabaco en Turqu´ıa de 1960 a 1988 queda especificada por las ecuaciones
(7.10) y (7.11). Los resultados de la estimaci´on m´ınimo cuadr´atica de estas ecuaciones son los
siguientes:
¯
LnQ
t
(estad. t)
= −5, 024
(−10,614)
+ 0, 735
(11,587)
LnY
t
− 0, 381
(−4,227)
LnP
t
t = 1960, . . . , 1981
SCR
1
= 0, 01654
¯
LnQ
t
(estad. t)
= 8, 837
(2,170)
− 0, 953
(−1,941)
LnY
t
+ 0, 108
(0,654)
LnP
t
t = 1982, . . . , 1988
SCR
2
= 0, 00965
7.4.1. Cambio estructural utilizando variables ficticias
Alternativamente, el contraste anterior podr´ıamos haberlo realizado mediante la variable ficticia
D82 especificando el siguiente modelo donde t = 60, . . . , 88:
LnQ
t
= β
1

2
LnY
t

3
LnP
t

1
D82
t

2
D82
t
LnY
t
+ (7.12)

3
D82
t
LnP
t
+u
t
(7.13)
En el cual, si existe cambio estructural rechazar´ıamos H
0
: β

1
= β

2
= β

3
= 0. De nuevo el
contraste puede realizarse con el estad´ıstico F habitual de sumas residuales donde el modelo no
restringido es el (7.13) y el modelo restringido es
LnQ
t
= β
1

2
LnY
t

3
LnP
t
+u
t
(7.14)
Utilizando Gretl, el proceso despu´es de abierto el fichero de datos, tomado logaritmos y cons-
truido las interacciones D82 LnY y D82 LnP, ser´ıa: estimar´ıamos el modelo (7.13) por MCO
y en la ventana de resultados de la estimaci´on har´ıamos
Contrastes −→ Omitir variables
elegir´ıamos D82, D82 LnY y D82 LnP y obtendr´ıamos el siguiente resultado:
Modelo 1: estimaciones MCO utilizando las 29 observaciones 1960-1988
Variable dependiente: lnQ
138
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Variable Coeficiente Desv. t´ıpica Estad´ıstico t valor p
const −4,58987 0,724913 −6,332 0,00001∗∗∗
lnY 0,688498 0,0947276 7,268 0,00001∗∗∗
lnP 0,485683 0,101394 −4,790 0,00006∗∗∗
Media de la var. dependiente = 0,784827
Desviaci´on t´ıpica de la var. dependiente. = 0,108499
Suma de cuadrados de los residuos = 0,0949108
Desviaci´on t´ıpica de los residuos = 0,0604187
R-cuadrado = 0,712058
R-cuadrado corregido = 0,689908
Estad´ıstico F (2, 26) = 32,148 (valor p < 0,00001)
Estad´ıstico de Durbin-Watson = 1,00057
Coef. de autocorr. de primer orden. = 0,489867
Log-verosimilitud = 41,8214
Criterio de informaci´on de Akaike (AIC) = -77,6429
Criterio de informaci´on Bayesiano de Schwarz (BIC) = -73,541
Criterio de Hannan-Quinn (HQC) = -76,3582
Comparaci´on entre el modelo (7.13) y el modelo (7.14):
Hip´otesis nula: los par´ametros de regresi´on son cero para las variables
D82
D82Y
D82P
Estad´ıstico de contraste: F(3, 23) = 20,1355, con valor p = 1,25619e-006
De los 3 estad´ısticos de selecci´on de modelos, 0 han mejorado.
Dado el valor-p rechazamos la hip´otesis nula para un nivel de significatividad del 5 % y existe
cambio estructural. La demanda de tabaco en Turqu´ıa de 1960 a 1988 queda mejor especificada
por el modelo (7.13). O lo que es lo mismo las ecuaciones (7.10) y (7.11) si no utilizamos
la variable ficticia D82 en la especificaci´on del modelo. Notar que ambas especificaciones son
id´enticas, son dos formas alternativas y por lo tanto equivalentes de especificar la demanda de
tabaco en Turqu´ıa para ese periodo temporal.
7.5. Ejercicios para practicar
Ejercicio 1:
Se dispone de una base de datos sobre el precio de venta y distintas caracter´ısticas de 224
viviendas pertenecientes a dos ´areas residenciales del condado de Orange en California (USA),
Dove Canyon y Coto de Caza
9
. Dove Canyon es una zona de viviendas relativamente peque˜ nas
construidas alrededor de un campo de golf. Coto de Caza es un ´area de mayor nivel de vida
aunque m´as rural con viviendas m´as grandes. Las variables que se consideran son:
salepric Precio de venta de la vivienda en miles de d´olares
sqft Tama~no de la vivienda en pies cuadrados
age Edad de la vivienda en a~nos
9
Fichero data7-24.gdt. Recogido en Ramanathan, R. (2002), Introductory econometrics with applications, 5th.
Ed., South-Western.
139
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
city 1 si est´a en Coto de Caza, 0 si est´a en Dove Canyon
1. Especifica un primer modelo (Modelo 1) para analizar si el tama˜ no y la edad de la vivienda
son factores que explican o no el precio de la vivienda.
2. Interpreta los coeficientes del modelo.
3. Estima el modelo por M´ınimos Cuadrados Ordinarios. Interpreta los coeficientes estimados.
4. Comenta los resultados obtenidos en t´erminos de bondad de ajuste, significatividad y
signos de los coeficientes estimados. Razona si te parecen adecuados los resultados.
5. Introduce como variable explicativa en el modelo la variable city (Modelo 2). Interpreta el
coeficiente que la acompa˜ na.
6. Estima el Modelo 2 por MCO. Comenta los resultados y compara estos con los obtenidos
en el Modelo 1. ¿Ha mejorado la especificaci´on? Razona tu respuesta.
7. Obt´en el gr´afico de los residuos de la estimaci´on MCO del Modelo 2. ¿Qu´e te sugiere este
gr´afico? Comenta si crees que existe alg´ un problema de mala especificaci´on.
8. Utilizando el Modelo 2, obt´en e interpreta los siguientes gr´aficos.
• Gr´afico de la serie de residuos MCO.
• Gr´afico de residuos MCO sobre la variable age.
• Gr´afico de residuos MCO sobre la variable sqft.
Ejercicio 2:
Se quiere estudiar la relaci´on entre el salario (W) y las horas trabajadas (H). Para ello se dispone
de observaciones de secci´on cruzada para 8 individuos, mujeres y hombres, por lo que tambi´en
se dispone de la informaci´on del sexo del individuo a trav´es de una variable ficiticia (S) que
toma el valor 1 si el individuo es Mujer y 0 si es Hombre.
Considera el siguiente modelo:
W
i
= β
1

2
H
i
+u
i
(7.15)
1. Edita en Gretl un archivo con los siguientes datos a utilizar en el ejercicio:
W H S
170 40 0
180 50 0
165 30 0
165 40 0
105 50 1
95 35 1
100 40 1
90 35 1
2. Muestra los resultados de la estimaci´on del Modelo (7.15) y comenta los resultados. ¿Te
parecen los esperados?
140
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
3. Contrasta la significatividad individual de las variables explicativas del modelo. Escribe
los supuestos necesarios sobre la perturbaci´on para que los estad´ısticos tengan validez.
4. Contrasta la significatividad conjunta de las variables explicativas.
5. Interpreta el coeficiente de determinaci´on del modelo.
6. Obt´en el gr´afico de residuos. Teniendo en cuenta que las primeras cuatro observaciones
son hombres y las siguientes cuatro son mujeres, ¿qu´e te sugiere el gr´afico?
7. Realiza el contraste de Engle para analizar si en el modelo (7.15) ser´ıa relevante controlar
por el sexo, incluyendo la variable ficticia S. Para ello calcula el estad´ıstico NR2, donde R2
es el coeficiente de determinaci´on de la regresi´on de los residuos del modelo (7.15) sobre
una constante y la variable S. ¿Qu´e te sugiere el contraste?
8. Dado el resultado del contraste y lo analizado en el gr´afico de residuos, ¿c´omo cambiar´ıas la
especificaci´on del modelo (7.15)? Estima esa nueva especificaci´on incluyendo en el modelo
la variable que recoge el sexo y comenta los resultados. Compara los resultados obtenidos
de estimar ambos modelos.
9. ¿Cu´al es el sesgo en la estimaci´on del efecto de las horas trabajadas sobre el salario si se
elige la especificaci´on del modelo (7.15) y la correcta es la del modelo que incluye el sexo?
¿Qu´e signo esperas que tenga ese sesgo?
Ejercicio 3:
Para la realizaci´on de este ejercicio utilizamos el fichero smoke del libro de Wooldridge (2003),
Introductory Econometrics. A Modern Approach, que ten´eis como archivo de muestra en gretl
10
.
Son datos para 807 individuos varones residentes en distintos estados americanos en el a˜ no 1979.
Las variables que est´an en este fichero son:
educ A~nos de escolarizaci´on
cigpric Precio de un paquete de cigarrillos en centavos
white Variable ficticia que es igual a la unidad si el
individuo es blanco, cero en otro caso.
age Edad del individuo en a~nos
income Renta anual, en d´olares
cigs Cigarrillos fumados al d´ıa
restaurn Variable ficticia que es igual a la unidad si una
persona reside en un estado donde hay restricciones
al tabaquismo en los restaurantes, cero en otro caso.
lincome log(income)
agesq Edad al cuadrado
cigpric log(cigprice)
Considera la siguiente especificaci´on:
lincome
i
= β
1

2
cigs
i

3
educ
i

4
age
i

5
agesq
i
+u
i
i = 1, . . . , 807 (7.16)
1. Muestra los resultados de la estimaci´on por MCO del Modelo (7.16).
10
Wooldrige, J. M. (2003), Introductory Econometrics. A Modern Approach, 2sd. Ed., South-Western.
141
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
2. Comenta los resultados obtenidos sobre la bondad de ajuste, los signos de los coeficientes
estimados y su significatividad. ¿Puedes justificar el signo del coeficiente estimado que
acompa˜ na a la variable cigs?
3. ¿Hay evidencia de que la relaci´on entre la variable lincome y age sea cuadr´atica, mante-
niendo constante el resto de las variables explicativas? Muestra los resultados del contraste
utilizado para tus conclusiones.
4. Incluye la variable restaurn en la ecuaci´on (7.16). Interpreta el par´ametro asociado a la
variable. Estima el modelo y contrasta si la existencia de restricciones al consumo de tabaco
en los restaurantes aumenta significativamente el logaritmo de la renta familiar anual.
5. Incluye la variable white en el modelo correspondiente al apartado anterior. Interpreta el
par´ametro asociado a la variable. Contrasta si la raza es una variable significativa para
explicar a la variable lincome.
6. Prop´on y estima un modelo que permita contrastar que el n´ umero medio de cigarrillos
fumados al d´ıa var´ıa con la raza del individuo. Realiza el contraste.
7. F´ıjate en los valores de la variable cigs, esta variable est´a discriminando entre individuos
fumadores y no fumadores. Utilizando la variable cigs construye una variable ficticia que
tome valor 1 si el individuo es fumador y cero en otro caso. ¿Dir´ıas que ambas varia-
bles est´an perfectamente correlacionadas? Calcula la correlaci´on entre ambas variables.
Interpreta el resultado.
8. Suponiendo que la variable lincome s´olo depende de las variables educ y age. Contrasta la
posibilidad de que la funci´on de renta anual sea distinta para aquellos individuos fumadores
respecto de los que no lo son.
9. Escribe una secci´on de conclusiones donde finalices proponiendo una especificaci´on sen-
sata para el logaritmo de la renta familiar anual teniendo en cuenta todos los resultados
anteriores.
142
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Ejercicio 4:
Se dispone de una base de datos sobre sistemas de televisi´on por cable y sus determinantes para
101 ciudades estadounidenses. Las primeras cuarenta observaciones corresponden a 1979 y las
´ ultimas 61 observaciones corresponden a 1994
11
. Las variables que se consideran son:
sub El n´umero de suscriptores de cada sistema
(en miles)(Rango 1 - 462)
homes El n´umero de hogares conectados a cada sistema
(en miles) (Rango 1,7 - 1201,09)
inst Cuota de instalaci´on en d´olares (Rango 5,95 - 75)
svc Cuota mensual de cada sistema (Rango 5,08 - 24,93)
cblchanl N´umero de se~nales de televisi´on llevadas por cada
sistema de cable (Rango 6 - 120)
tvchanl N´umero de se~nales de televisi´on recibidas
(Rango 3 - 15)
pcincome Renta per c´apita para cada mercado de televisi´on
con cable, en d´olares (Rango 7,683 - 28,597)
D 1 para 1994 y 0 para 1979
1. Para la especificaci´on:
sub
i
= β
1

2
homes
i

3
inst
i

4
svc
i

5
cblchanl
i

6
tvchanl
i

7
pcincome
i
+u
i
i = 1, . . . , 101 (7.17)
Contrasta, sin utilizar la variable D, si existe un comportamiento distinto en 1979 que en
1994 en la determinaci´on del n´ umero de suscriptores de cada sistema.
2. Como consecuencia de los resultados del contraste, ¿c´omo especificar´ıas un modelo para
el n´ umero de suscriptores?
3. Repite el contraste realizado utilizando la variable D.
4. Restringe la muestra a las observaciones de 1979.
a) Analiza si las variables homes, inst, svc, cblchanl, tvchanl y pcincome son individual
y conjuntamente significativas para explicar la evoluci´on del n´ umero de subscriptores
de cada sistema.
b) Prop´on una especificaci´on realista para el n´ umero de suscriptores de cada sistema en
1979.
5. Restringe ahora la muestra a las observaciones correspondientes al a˜ no 1994 y repite el
an´alisis realizado en el apartado anterior.
6. Dados los resultados obtenidos para los a˜ nos 1979 y 1994, ¿te parece sorprendente lo
obtenido en el primer apartado?
11
Fichero data7-22.gdt. Recogido en Ramanathan, R. (2002), Introductory econometrics with applications, 5th.
Ed., South-Western.
143
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
144
Ap´endice A
A.1. Repaso de probabilidad
Las variables econ´omicas tienen un componente sistem´atico y otro aleatorio, ya que con ante-
rioridad a su observaci´on no podemos predecir con certeza los valores que van a tomar. Este
apartado revisa los conceptos de probabilidad que aplicaremos este curso: qu´e es una variable
aleatoria o estoc´astica, cu´ales son sus propiedades y, finalmente, se presentan las distribuciones
de probabilidad m´as usuales.
A.1.1. Una variable aleatoria
Una variable aleatoria, que denotamos por X, es aquella cuyo valor no es conocido con ante-
rioridad a su observaci´on. La probabilidad es un medio para expresar la incertidumbre sobre el
resultado. Se distinguen dos tipos de variables aleatorias: discretas, cuando el conjunto de todos
sus posibles valores es finito o infinito numerable, y continuas, cuando el conjunto de realiza-
ciones es infinitamente divisible y, por tanto, no numerable. Por ejemplo, la superficie de una
vivienda es una variable continua mientras que el n´ umero de ba˜ nos es una variable discreta. En
general, en este curso nos ocuparemos de variables continuas.
Si X es una variable discreta, podemos asignar una probabilidad p(x
i
) = Prob(X = x
i
) a cada
posible resultado x
i
. El conjunto de probabilidades, que se denomina funci´on de probabilidad,
debe cumplir que p(x
i
) ≥ 0 y

i
p(x
i
) = 1.
Si X es continua, la probabilidad asociada a cualquier punto en particular es cero, por lo que nos
referimos a la probabilidad de que X tome valores en un intervalo [a, b]. La funci´on de densidad
f(x) de una variable aleatoria continua X es una funci´on tal que
Probabilidad(a ≤ X ≤ b) =
_
b
a
f(x) dx
Es decir, el ´area por debajo de la funci´on entre dos puntos a y b es la probabilidad de que la
variable tome valores en el intervalo [a, b] (ver panel izquierdo del Gr´afico A.3). La funci´on de
densidad toma valores no negativos, f(x) ≥ 0, y el ´area total por debajo de la funci´on es la
unidad,
_

−∞
f(x)dx = 1.
Un ejemplo de variable aleatoria continua es la distribuci´on normal. Su funci´on de densidad
tiene forma de campana (ver panel izquierdo del Gr´afico A.3). Es muy utilizada en la pr´actica
para modelar variables que se distribuyen sim´etricamente alrededor de un valor central, con
mucha probabilidad acumulada en valores cercanos a dicho punto central y poca en valores
alejados.
145
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Gr´afico A.3: La funci´on de densidad normal y el histograma
El panel derecho del Gr´afico A.3 ilustra la relaci´on entre la funci´on de densidad y el histograma
de los datos. Tal y como mencionan Pe˜ na y Romo (1997): “La funci´on de densidad constituye
una idealizaci´on de los histogramas de frecuencia o un modelo del cual suponemos que proceden
las observaciones. El histograma representa frecuencias mediante ´areas; an´alogamente, la fun-
ci´on de densidad expresa probabilidades por ´areas. Adem´as, conserva las propiedades b´asicas del
histograma: es no negativa y el ´area total que contiene es uno. ”
La distribuci´on de una variable aleatoria puede resumirse utilizando medidas de posici´on (me-
dia, mediana y moda), dispersi´on (varianza, desviaci´on t´ıpica y coeficiente de variaci´on) o forma
(coeficiente de asimetr´ıa y coeficiente de curtosis). Estos conceptos se definen de forma similar a
los utilizados para resumir las caracter´ısticas de un conjunto de datos. Definiremos los elementos
que utilizaremos a lo largo del curso.
La media o valor esperado, µ, de una variable aleatoria X se define como el promedio ponderado
de todos los posibles valores que puede tomar X, donde la ponderaci´on es la probabilidad de
cada valor. Si la variable es continua se define:
µ = E(X) =
_

−∞
xf(x)dx
donde E se conoce como el operador de esperanzas matem´aticas o, simplemente, esperanzas. La
media recoge el centro de gravedad sobre el que se distribuye la variable. As´ı, cuanto mayor sea
la media, mayor es el valor que se espera que tomen las realizaciones del experimento (ver panel
izquierdo del Gr´afico A.4).
La varianza de una variable aleatoria X es su momento central, o respecto a la media, de orden
2. Es decir,
var(X) = σ
2
X
= E[(X −µ)
2
] ≥ 0
La varianza es una medida de dispersi´on de la distribuci´on. Su ra´ız cuadrada positiva se conoce
como desviaci´on t´ıpica o desviaci´on est´andar de la variable aleatoria X, es decir:
des(X) = σ
X
=
_
var(X)
El panel derecho del Gr´afico A.4 muestra que cuanto menor es la varianza de la variable, mayor
es la probabilidad concentrada alrededor de la media.
146
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Distinta media y σ = 1 Distinta dispersi´on y µ = 6
Gr´afico A.4: Ejemplos de distribuci´on normal
Distribuci´on normal est´andar. La distribuci´on normal se caracteriza por el valor de su
media y su varianza. Si Z es una variable aleatoria normal de media igual a 0 y varianza igual
a la unidad, se dice que Z es una variable normal est´andar y se denota Z ∼ N(0, 1). Existen
tablas de esta distribuci´on que a cada posible resultado z le asigna la probabilidad acumulada
hasta ese punto, Prob(Z ≤ z).
En general, si X es una variable normal con media µ y varianza σ
2
se denota X ∼ N(µ, σ
2
). Dado
que la transformaci´on Z = (X −µ)/σ es una normal est´andar, con la tabla de esta distribuci´on
normal se obtiene la probabilidad acumulada Prob(X ≤ x).
Ejercicio 1: simulaci´on normal est´andar. Crea un conjunto de datos artificiales
(N=250 observaciones), generados a partir de variables aleatorias normales est´andar
independientes. El proceso es el siguiente:
1. En Gretl, crea el conjunto de datos siguiendo los pasos: Archivo →Nuevo con-
junto de datos, en N´ umero de observaciones: escribe 250, elige la estructura de
datos de secci´on cruzada y pincha en No desea empezar a introducir los valores.
Se crea un conjunto de datos con dos variables que genera Gretl autom´aticamen-
te: la constante const y la variable ´ındice index, que toma valores 1,2,3,...,250.
2. Crea una serie de 250 realizaciones independientes de una variable normal con:
A˜ nadir →Variable aleatoria →Normal ...
Aparece un cuadro titulado gretl: variable normal donde debes indicar el nombre
de la variable, su media y su desviaci´on t´ıpica σ. Por ejemplo, para generar
observaciones de una variable que llamamos z1 y que se distribuye como una
N(0,1), escribimos:
z1 0 1
Tras pinchar en Aceptar, en la ventana principal de Gretl aparece la variable
creada, z1, con la nota explicativa z1 = normal().
3. Repitiendo el paso 2, crea una nueva realizaci´on de la normal est´andar y ll´amala
z2.
4. Haz dos gr´aficos, uno con z1 y otro con z2, sobre la variable ´ındice con la opci´on:
Ver →Gr´aficos →Gr´afico X-Y (scatter). Observa sus caracter´ısticas comunes:
147
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
los datos oscilan en torno al valor cero, y la mayor parte de ellos se encuentra
en el intervalo (-2, 2).
5. Compara el histograma de las frecuencias relativas con la funci´on de densidad
normal. Para ello debes situar el cursor sobre una de las variables y seguir la
ruta:
Variable →Gr´afico de frecuencias →contra la normal
El resultado es un gr´afico similar (no id´entico) al Gr´afico A.5.
0
0.05
0.1
0.15
0.2
0.25
0.3
0.35
0.4
-3 -2 -1 0 1 2 3
D
e
n
s
id
a
d
z1
z1
N(-0,031699 1,0189)
Estadstico para el contraste de normalidad:
Chi-cuadrado(2) = 2,893, valor p = 0,23543
Gr´afico A.5: Simulaci´on 1: histograma
En este gr´afico aparece el histograma junto con la funci´on de densidad de la
distribuci´on normal de media µ = 0, 1087 y desviaci´on t´ıpica σ = 1, 0055. Estos
valores aparecen en la parte superior derecha del gr´afico y se eligen en funci´on
de la media y varianza de los datos.
Ejercicio 2: simulaci´on normal general. En el mismo fichero crea dos series de
datos:
• x3= 250 datos generados con una variable normal de media 25 y desviaci´on
t´ıpica 6 (es decir, σ
2
= 36). En A˜ nadir →Variable aleatoria →Normal ... escribir
x3 25 6.
• x4, generados a partir de una distribuci´on normal de media 50 y desviaci´on
t´ıpica 0.
Haz el gr´afico de los datos sobre la variable index y su distribuci´on de frecuencias
frente a la normal. ¿Hay alg´ un problema al crear o representar la distribuci´on de x4?
¿Por qu´e?
Ejercicio 3: transformaci´on lineal. Se trata de construir una nueva serie de datos,
que llamaremos z3 y que se define a partir de la variable x3 del ejercicio anterior:
z3 =
x3 −25
6
1. Pincha en la opci´on A˜ nadir →Definir nueva variable.
2. En la siguiente ventana escribe el nombre de la nueva serie y su f´ormula de
c´alculo, es decir z3=(x3-25)/6.
Si has realizado el proceso correctamente, en la ventana principal de Gretl aparece
la variable creada, z3. Haz el histograma de z3, compar´andola con la de la variable
inicial x3. Compara sus estad´ısticos descriptivos, en particular, las medias y las
varianza. ¿Cambian mucho?
148
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
A.1.2. Dos o m´as variables aleatorias
Para responder a preguntas relativas a dos o m´as variables aleatorias debemos conocer su funci´on
de densidad conjunta. Si las variables aleatorias X e Y son discretas, a cada posible par de
resultados (x
i
, y
j
) podemos asignar una probabilidad p(x
i
, y
j
). El conjunto de probabilidades es
la funci´on de probabilidad conjunta, cumpli´endose que 0 ≤ p(x
i
, y
j
) ≤ 1 y

i

j
p(x
i
, y
j
) = 1.
Si las variables aleatorias son continuas, su distribuci´on conjunta se recoge mediante la funci´on
de densidad conjunta f(x, y). Si las dos variables siguen una distribuci´on normal, la forma t´ıpica
de su funci´on de densidad conjunta se encuentra en el Gr´afico A.6.
Gr´afico A.6: Distribuci´on normal bivariante
El volumen total recogido bajo esta superficie es la masa de probabilidad total que es igual a la
unidad, es decir,
_
x
_
y
f(x, y) dxdy = 1. Adem´as, la funci´on no toma valores negativos, f(x, y) ≥
0. As´ı, el volumen debajo del rect´angulo definido por dos puntos (a, b) mide la probabilidad de
que X tome valores por debajo de a e Y por debajo de b. Es decir,
Probabilidad(X ≤ a, Y ≤ b) =
_
a
−∞
_
b
−∞
f(x, y)dxdy
Por ejemplo, el volumen recogido bajo la superficie marcada en el Gr´afico A.6 es la probabilidad
de que X ≤ −2 e Y ≤ 4,5. La funci´on de densidad marginal de cada variable puede obtenerse
mediante integraci´on. As´ı:
f(x) =
_

−∞
f(x, y) dy f(y) =
_

−∞
f(x, y) dx (A.18)
La distribuci´on conjunta de dos variables aleatorias se puede resumir mediante:
• El centro de gravedad de cada variable, es decir, las medias (µ
X
, µ
Y
), que se obtienen de
las distribuciones marginales (A.18).
• Medidas de dispersi´on de cada variable alrededor de su media, por ejemplo, las varianzas
de X e Y , σ
2
X
y σ
2
Y
, que se derivan de las distribuciones marginales (A.18).
• Medida de la relaci´on lineal entre las dos variables aleatorias, para lo que se utiliza la
covarianza σ
XY
:
cov(X, Y ) = σ
XY
= E[(X −µ
X
)(Y −µ
Y
)]
149
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
o bien el coeficiente de correlaci´on entre las variables,
corr(X, Y ) = ρ
XY
=
σ
XY
σ
X
σ
Y
∈ [−1, 1]
Covarianza y correlaci´on de las variables aleatorias tienen una interpretaci´on similar a sus
hom´ologas en los datos. As´ı, si σ
XY
= ρ
XY
= 0 se dice que las variables X e Y est´an
incorrelacionadas.
La distribuci´on conjunta se resume en el vector de medias µ y la matriz de varianzas y covarianzas
Σ ´o V :
µ =
_
µ
X
µ
Y
_
Σ =
_
var(X) cov(X, Y )
cov(X, Y ) var(Y )
_
=
_
σ
2
X
σ
XY
σ
XY
σ
2
Y
_
Distribuci´on condicionada. Al estudiar un conjunto de variables, interesa evaluar la posibi-
lidad de que un suceso ocurra dado que otro suceso ha tenido lugar. Por ejemplo, ¿cu´al es la
probabilidad de que una mujer casada y con hijos en edad escolar participe en el mercado de
trabajo? La probabilidad condicionada permite responder este tipo de preguntas. Si las va-
riables son discretas, se define la distribuci´on condicional de Y dado que la variable aleatoria X
toma el valor x
i
como:
Prob(Y = y
j
[X = x
i
) =
Prob(Y = y
j
, X = x
i
)
Prob(X = x
i
)
=
p(x
i
, y
j
)

j
p(x
i
, y
j
)
para Prob(X = x
i
) > 0
Si las variables son continuas, se define la funci´on de densidad de Y condicionada a que la
variable aleatoria X tome el valor x (para f(x) > 0):
f(y[X = x) =
f(x, y)
f(x)
De esta forma se obtiene una nueva distribuci´on, con las propiedades ya vistas. Los momentos
de inter´es de esta distribuci´on se denominan media y varianza condicionada de Y para el valor
dado de X = x, y se denotan E(Y [X = x) y var(Y [X = x).
Independencia. Dos variables aleatorias X y Y son estad´ısticamente independientes o est´an
independientemente distribuidas si conocido el valor que toma una de ellas, no aporta ninguna
informaci´on sobre el valor que puede tomar la segunda. Si las variables X e Y son independientes,
entonces su funci´on de densidad conjunta puede descomponerse seg´ un:
f(x, y) = f(x) f(y) −∞< x, y < ∞
Adem´as, se tiene que f(y[X = x) = f(y). Se demuestra que si X e Y son independientes,
entonces Cov(X, Y ) = 0. Tambi´en se demuestra que, si las variables X e Y se distribuyen
conjuntamente seg´ un una normal y Cov(X, Y ) = 0, entonces X e Y son independientes.
150
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
M´as de dos variables. Los resultados anteriores se pueden generalizar a un conjunto de n
variables, X
1
, X
2
, . . . , X
n
, que se recogen en un vector
X =
_
_
_
_
_
X
1
X
2
.
.
.
X
n
_
_
_
_
_
La distribuci´on conjunta de estas variables se resume en el vector de medias E(X) ´o µ y la
matriz de varianzas y covarianzas V (X) ´o Σ
X
. As´ı:
E(X) = µ =
_
_
_
_
_
E(X
1
)
E(X
2
)
.
.
.
E(X
n
)
_
_
_
_
_
=
_
_
_
_
_
µ
1
µ
2
.
.
.
µ
n
_
_
_
_
_
y
Σ
X
=
_
_
_
_
_
var(X
1
) cov(X
1
, X
2
) . . . cov(X
1
, X
n
)
cov(X
1
, X
2
) var(X
2
) . . . cov(X
2
, X
n
)
.
.
.
.
.
.
.
.
.
.
.
.
cov(X
1
, X
n
) cov(X
2
, X
n
) . . . var(X
n
)
_
_
_
_
_
=
_
_
_
_
_
σ
2
1
σ
1,2
. . . σ
1,n
σ
1,2
σ
2
2
. . . σ
2,n
.
.
.
.
.
.
.
.
.
.
.
.
σ
1,n
σ
2,n
. . . σ
2
n
_
_
_
_
_
donde Σ
X
es una matriz cuadrada de orden n, sim´etrica y definida no negativa. Esto implica
que los elementos de la diagonal principal son no negativos, σ
2
i
≥ 0, ∀i.
Si las variables son mutuamente independientes, entonces est´an incorrelacionadas, es decir, σ
i,j
=
0, ∀i ,= j, por lo que la matriz Σ
X
es diagonal:
Σ
X
=
_
_
_
_
_
_
σ
2
1
0 . . . 0
0 σ
2
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . σ
2
n
_
_
_
_
_
_
Si, adem´as, X
1
, . . . , X
n
siguen la misma distribuci´on, con la misma media y la misma varianza:
E(X) =
_
_
_
_
_
µ
µ
.
.
.
µ
_
_
_
_
_
Σ
X
=
_
_
_
_
_
_
σ
2
0 . . . 0
0 σ
2
. . . 0
.
.
.
.
.
.
.
.
.
.
.
.
0 0 . . . σ
2
_
_
_
_
_
_
= σ
2
I
entonces se dice que son variables aleatorias id´entica e independientemente distribuidas con
media µ y varianza σ
2
y se denota X
i
∼ iid(µ, σ
2
), ∀i = 1, . . . , n.
Si X
1
, . . . , X
n
son variables aleatorias normales, se dice que el vector X sigue una distribuci´on
normal multivariante, y queda caracterizada por su vector de medias µ y su matriz de va-
rianzas y covarianzas Σ
X
. Se denota X ∼ N( µ, Σ
X
). Si adem´as las variables son independientes,
con media y varianza com´ un, se denota X
i
∼ NID(µ, σ
2
), i = 1, . . . , n.
Adem´as de la distribuci´on normal, a lo largo del curso utilizaremos otras distribuciones, todas
ellas relacionadas con la distribuci´on normal. Veamos sus propiedades.
151
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Gr´afico A.7: Funci´on de densidad de la distribuci´on Chi-cuadrado
A.1.3. Algunas distribuciones de probabilidad
La distribuci´on Chi-cuadrado. Si (Z
1
, . . . , Z
n
) son variables aleatorias independientes con
distribuci´on normal est´andar, es decir, Z
i
∼ NID(0, 1), se dice que X =

n
i=1
Z
2
i
es una variable
aleatoria chi-cuadrado de n grados de libertad y se denota X ∼ χ
2
(n). Para valores negativos
de X, f(x) = 0 y la forma general de su funci´on de densidad se recoge en el Gr´afico A.7.
Es una distribuci´on asim´etrica, con media igual a n y varianza 2n. Existen tablas que propor-
cionan la probabilidad acumulada hasta un punto Prob(X ≤ x), es decir, el ´area rayada del
gr´afico, en funci´on de los grados de libertad, n.
Ejercicio 4: transformaci´on no lineal. Siguiendo el procedimiento del ejercicio
3, crea una nueva serie de datos, y = z1
2
+z2
2
+z3
2
. En este caso debes escribir:
y = z1ˆ 2 + z2ˆ 2 + z3ˆ 2
Haz la representaci´on gr´afica de la distribuci´on de frecuencias de esta variable frente
a la normal. El histograma que obtengas tendr´a un patr´on bastante diferente a
la distribuci´on normal. ¿Puedes justificar el resultado? ¿Con qu´e distribuci´on la
comparar´ıas?
La distribuci´on F de Snedecor. Si Z
1
∼ χ
2
(n
1
) y Z
2
∼ χ
2
(n
2
) y adem´as se distribuyen
independientemente, entonces la distribuci´on X = (n
2
/n
1
)(Z
1
/Z
2
) se conoce como distribuci´on
F de n
1
, n
2
grados de libertad y se escribe:
X =
Z
1
/n
1
Z
2
/n
2
∼ T(n
1
, n
2
)
El Gr´afico A.8 muestra su funci´on de densidad para distintos grados de libertad.
La probabilidad se acumula en la parte positiva de la recta real, x > 0. A medida que aumentan
los grados de libertad del denominador, n
2
→ ∞, la distribuci´on de n
1
T(n
1
, n
2
) converge a la
distribuci´on χ
2
(n
1
).
La distribuci´on t de Student. Si Z ∼ N(0, 1) e Y ∼ χ
2
(n) y adem´as, Z e Y se distribuyen
independientemente, entonces la distribuci´on de X = Z/
_
Y/n se denomina distribuci´on t de
152
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Gr´afico A.8: Funci´on de densidad de la distribuci´on F-Snedecor
Student de n grados de libertad y se denota:
X =
Z
_
Y/n
∼ t(n)
El Gr´afico A.9 incluye ejemplos de la funci´on de densidad de la t-Student compar´andolas con la
distribuci´on normal est´andar:
Gr´afico A.9: Funci´on de densidad de la distribuci´on t-Student
Se trata de una distribuci´on sim´etrica alrededor de 0. Para n > 1, la media de la distribuci´on
es cero y para n > 2 su varianza es igual a n/(n − 2). Esta distribuci´on tiene las colas m´as
gruesas que la normal, es decir, su exceso de curtosis es positivo, pero, a medida que aumentan
sus grados de libertad, la distribuci´on t converge a la normal est´andar.
A.2. Repaso de inferencia estad´ıstica
Supongamos que interesa conocer cu´al es el salario medio de los reci´en licenciados. Se trata
de una poblaci´on o conjunto de individuos muy amplio, por lo que se recoge la informaci´on
´ unicamente de una muestra o un subconjunto de reci´en licenciados seleccionados al azar. Con esta
informaci´on, ¿qu´e es posible inferir del salario esperado de un reci´en licenciado? Para responder
a esta pregunta y, en general, saber usar los datos para examinar conjeturas y relaciones sobre
la poblaci´on repasaremos algunos conceptos de inferencia estad´ıstica.
El objetivo de la inferencia estad´ıstica es aprender determinadas caracter´ısticas de una poblaci´on
a partir del an´alisis de una muestra. La poblaci´on es un conjunto bien definido de elementos que
153
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
son el objeto del estudio, por ejemplo, el conjunto de familias de un pa´ıs, el conjunto de viviendas
de una ciudad o los clientes de una empresa de telecomunicaciones. La muestra est´a formada
por un subconjunto representativo de elementos de la poblaci´on.
Una vez definida la poblaci´on, hay que especificar un modelo para los datos que recoja las carac-
ter´ısticas poblacionales que interesan. En Econometr´ıa suponemos que los datos y
1
, y
2
, . . . , y
N
son realizaciones de N variables aleatorias cuya distribuci´on conjunta depende de varios par´ame-
tros desconocidos Θ. Un modelo para los datos especifica las caracter´ısticas generales de la
distribuci´on junto con el vector de par´ametros desconocidos Θ. Por ejemplo, supongamos que
nos interesa conocer el precio medio del metro cuadrado de un piso en una ciudad y la muestra
est´a formada por 50 pisos. Suponemos que los valores recogidos del precio por m
2
de los 50 pisos,
y
1
, . . . , y
50
, son realizaciones de variables normales id´entica e independientemente distribuidas.
Por tanto, el modelo especificado para los datos es:
Y
i
∼ NID(µ, σ
2
)
Los par´ametros que determinan la distribuci´on son la media y la varianza del precio del m
2
,
que son desconocidos, es decir, Θ = (µ, σ
2
). Adem´as, la media es el par´ametro de inter´es en el
estudio y queremos aprender sobre ella a partir de los datos.
En grandes l´ıneas, aplicaremos dos herramientas de la estad´ıstica, la estimaci´on y el contraste de
hip´otesis. En la estimaci´on se trata de calcular posibles valores para par´ametros de inter´es, por
ejemplo, una elasticidad o el precio medio por metro cuadrado de la vivienda. En el contraste de
hip´otesis hay que establecer una hip´otesis o conjetura espec´ıfica sobre la poblaci´on, por ejemplo,
que no hay discriminaci´on salarial por sexo o que el estado de un piso es un factor determinante
de su precio, y analizar los datos para decidir si la hip´otesis es correcta.
A.2.1. Estimaci´on
El objetivo de la estimaci´on es aproximar el valor de un conjunto de par´ametros desconocidos
de una distribuci´on a partir de las observaciones muestrales de la misma. Denotaremos como θ
a un par´ametro desconocido y Θ = (θ
1
, θ
2
, . . . , θ
K
)

a un vector de K par´ametros desconocidos.
Un estad´ıstico es una funci´on de los datos, g(y
1
, . . . , y
N
). Un estimador puntual de θ es un
estad´ıstico que pretende ser un aproximaci´on al par´ametro desconocido y se denota por
ˆ
θ. Por
ejemplo, la media de los datos puede ser un estimador de la media de una variable aleatoria y
la varianza de los datos un estimador de su varianza. Es decir,
ˆ µ = ¯ y =
1
N
N

i=1
y
i
ˆ σ
2
= S
∗2
y
=
1
N −1
N

i=1
(y
i
− ¯ y)
2
Un estimador es una regla que est´a definida antes de que los datos se observen. El valor num´erico
que se obtiene al aplicarlo a los datos se denomina estimaci´on. Por ejemplo, la estimaci´on de la
media del precio por metro cuadrado de un piso con la muestra de la Tabla 1.1 es:
ˆ µ =
3, 82 + 5, 246 +. . . + 3, 434 + 4, 20
50
= 3, 91 miles de euros
Es decir, se estima que el precio de un piso oscila alrededor de 3910 euros/m
2
. Sin embargo,
¿qu´e confianza podemos tener en este resultado? Por ejemplo, ¿valorar´ıamos igual esta cantidad
si se hubiera calculado con una muestra de 5 observaciones? La respuesta obvia es NO, sino que
consideramos m´as fiables los resultados con 50 datos que con 5. Por tanto, un estimador (y sus
estimaciones) deben complementarse con una medida de su fiabilidad o precisi´on.
154
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Un estimador es una variable aleatoria que depende de las variables Y
i
, i = 1, . . . , N. Su distri-
buci´on de probabilidad se denomina distribuci´on muestral o distribuci´on emp´ırica del estimador.
En el ejemplo anterior, si Y
i
∼ NID(µ, σ
2
), entonces el estimador ˆ µ = ¯ y es una combinaci´on
lineal de N variables normales independientes, por lo que su distribuci´on muestral es:
ˆ µ = ¯ y ∼ N(µ, σ
2
/N) (A.19)
La media muestral se distribuye alrededor de la media poblacional y se concentra m´as probabi-
lidad alrededor de µ cuanto mayor es N (es decir, menor es la varianza). Por tanto, hay mayor
probabilidad de obtener una estimaci´on cercana a µ con 50 datos que con N = 5. En este caso,
es sensato utilizar como indicador de la precisi´on la desviaci´on t´ıpica σ/

N: menor desviaci´on
t´ıpica indica mayor precisi´on. Normalmente, σ es desconocido, por lo que sustituimos su valor
poblacional por el correspondiente muestral, S

y
. La estimaci´on de la desviaci´on t´ıpica de la
distribuci´on muestral de ¯ y,
ˆ σ
¯ y
= S
¯ y
= S

y
/

N
se conoce como error t´ıpico de ¯ y. En el ejemplo del precio del m
2
, obtenemos que el error
t´ıpico de estimaci´on es 0, 993341/

50 = 0, 14. Es f´acil comprobar que si obtuvi´eramos los
mismos valores de ¯ y y S
y
con una muestra de 5 observaciones, el error t´ıpico se triplicar´ıa,
S
¯ y
= 0, 993341/

5 = 0, 44 miles de euros.
Ejercicio 5. Estimaci´on de la media y la varianza del precio por m
2
de un
piso.
1. Abre el fichero de datos de Gretl pisos.gdt.
2. Crea la variable precio por metro cuadrado, que denotaremos pr m2:
a) Usa las opci´on definir nueva variable que est´a en el men´ u A˜ nadir o en
Variable.
b) En la nueva ventana escribe nombre de la nueva variable = f´ormula, es
decir,
pr m2 = precio/m2
3. Una vez creados los nuevos datos, las estimaciones de la media, m, y la desvia-
ci´on t´ıpica, S, se obtienen de la tabla de estad´ısticos descriptivos. La estimaci´on
de la varianza es el cuadrado de S. El error t´ıpico de estimaci´on es S/

50.
Ejercicio 6: Estimaci´on de media y varianza. Utilizando la opci´on de estad´ısti-
cos descriptivos o estad´ısticos principales, obt´en las medias y las desviaciones t´ıpicas
de z1, z2, x3 y x4 generados en el ejercicio 1. Completa la siguiente tabla, incluyendo
junto con los momentos poblacionales las estimaciones que has obtenido, es decir,
correspondientes los momentos muestrales.
155
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Modelo 1 µ = σ =
Muestra: z1 Estimaci´on = Estimaci´on =
Modelo 2 µ = σ =
Muestra: z2 Estimaci´on = Estimaci´on =
Modelo 3 µ = σ =
Muestra: x3 Estimaci´on = Estimaci´on =
Modelo 4 µ = σ =
Muestra: x4 Estimaci´on = Estimaci´on =
Criterios para comparar estimadores
Para un problema determinado existen distintos m´etodos de estimaci´on y, obviamente, unos son
mejores que otros. En algunos casos, distintos m´etodos pueden dar lugar a un mismo estimador
de un par´ametro. Es posible elegir entre distintos m´etodos de estimaci´on bas´andonos en ciertas
propiedades de la distribuci´on muestral del estimador. En general, buscamos los estimadores que
m´as se aproximen a los verdaderos valores. As´ı, exigimos que los estimadores cumplan una serie
de propiedades basadas en una medida de la distancia entre θ y
ˆ
θ. En este curso nos fijamos en
tres propiedades: insesgadez, eficiencia y el error cuadr´atico medio m´ınimo.
Insesgadez. Un estimador es insesgado si la media de su distribuci´on emp´ırica es el verdadero
valor del par´ametro, es decir,
E(
ˆ
θ) = θ
Si se pudieran obtener todas las posibles realizaciones muestrales de
ˆ
θ, el promedio de todas
estas estimaciones ser´ıa el valor del par´ametro. Es una propiedad deseable porque indica que si
un estimador es insesgado, el error de estimaci´on,
ˆ
θ − θ, se anula en promedio. Un ejemplo de
estimador insesgado de la media poblacional de una distribuci´on normal es ¯ y, ya que de (A.19)
tenemos que E(¯ y) = µ. Un estimador insesgado de la varianza de una distribuci´on es la varianza
muestral, S
2
.
En caso contrario, se dice que el estimador es sesgado. Se define el sesgo de un estimador como
Sesgo(
ˆ
θ) = E(
ˆ
θ) − θ. La parte izquierda del Gr´afico A.10 representa las distribuciones de 3
estimadores de un mismo par´ametro, θ: el estimador
ˆ
θ
1
es insesgado;
ˆ
θ
2
, tiene sesgo negativo,
es decir, en promedio subestima el valor del par´ametro; finalmente el sesgo de
ˆ
θ
3
es positivo, es
decir, este estimador en promedio sobrevalora el valor del par´ametro.
Eficiencia. Si nos fijamos ´ unicamente en los estimadores insesgados, nos interesa establecer un
criterio para elegir un estimador dentro de esta clase de estimadores. En la parte derecha del
Gr´afico A.10 se representa la distribuci´on de dos estimadores, ambos insesgados. Claramente,
el estimador con menor varianza,
ˆ
θ
1
, tiene una probabilidad menor de obtener realizaciones
alejadas del verdadero valor del par´ametro. Por tanto, se considera que
ˆ
θ
1
supera al estimador
ˆ
θ
2
y se dice que
ˆ
θ
1
es m´as eficiente que
ˆ
θ
2
.
156
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Gr´afico A.10: Sesgo y varianza de estimadores
En general, si un estimador es el que tiene menor varianza dentro de una clase de estimadores
se dice que es el estimador eficiente dentro de esa clase. As´ı, se dice que un estimador
ˆ
θ es
eficiente dentro de la clase de estimadores insesgados si no hay otro estimador insesgado
˜
θ con
una varianza menor:
var(
˜
θ) ≥ var(
ˆ
θ) ∀
˜
θ insesgado
Por ejemplo, la media de los datos es un estimador eficiente dentro de la clase de estimadores
insesgados de la media poblacional µ de una variable normal. Es decir, se demuestra que, si
Y
i
∼ NID(µ, σ
2
), i = 1, . . . , N, entonces para todo estimador insesgado de µ, ˜ µ con E˜ µ = µ:
var(¯ y) =
σ
2
N
≤ var(˜ µ)
Si se trata de estimar un conjunto de K par´ametros Θ, se dice que un estimador insesgado
´
Θ
es m´as eficiente que otro estimador insesgado
˜
Θ si la diferencia [V (
˜
Θ) − V (
´
Θ)] es una matriz
semidefinida positiva. Esto implica que cada elemento de
´
Θ tiene una varianza menor o igual
que el correspondiente elemento de
˜
Θ.
Error cuadr´atico medio Aunque la insesgadez es una propiedad deseable, esto no implica
que un estimador insesgado siempre sea preferible a uno sesgado. El Gr´afico A.11 ilustra una
situaci´on en la que un estimador insesgado
ˆ
θ
1
puede descartarse frente a otro sesgado,
ˆ
θ
2
. El
estimador
ˆ
θ
1
tiene mucha varianza, por lo que tiene una probabilidad mayor de obtener errores
de estimaci´on m´as grandes que el estimador con menor varianza,
ˆ
θ
2
, aunque este sea sesgado.
Gr´afico A.11: Ejemplos de distribuci´on de estimadores
Esto sugiere utilizar como criterio de elecci´on de estimadores una medida del error del estimador.
Se define el error cuadr´atico medio de un estimador:
ECM(
ˆ
θ) = E[(
ˆ
θ −θ)
2
] = var(
ˆ
θ) + [sesgo(
ˆ
θ)]
2
157
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
que se descompone en un t´ermino de varianza y otro de sesgo. As´ı, entre un conjunto de esti-
madores se elige aquel que tiene menor error cuadr´atico medio.
A.2.2. Contraste de hip´otesis
Como ya se mencion´o, uno de los objetivos de la Econometr´ıa es el de contrastar hip´otesis.
Por ejemplo, nos planteamos si los datos del precio del m
2
de la vivienda son compatibles con
una determinada distribuci´on con media 3000 euros/m
2
. En un contraste de hip´otesis se trata
de establecer si la diferencia entre la hipot´etica media poblacional (en el ejemplo, 3000 e) y la
media muestral (3910 e) se debe ´ unicamente a la naturaleza aleatoria de los datos.
Un contraste de hip´otesis tiene tres etapas (Ramanathan, 2002): (1) Formulaci´on de dos hip´ote-
sis opuestas; (2) derivaci´on de un estad´ıstico de contraste y su distribuci´on muestral; y (3)
determinaci´on de un criterio de decisi´on para elegir una de las dos hip´otesis planteadas.
Una hip´ otesis estad´ıstica es una afirmaci´on sobre la distribuci´on de una o varias variables alea-
torias. En un contraste se trata de decidir cu´al, entre dos hip´otesis planteadas, es la que mejor
se adec´ ua a los datos. La hip´otesis de inter´es se denomina hip´otesis nula, H
0
, mientras que
la hip´otesis frente a la que se contrasta se llama hip´otesis alternativa, H
a
. En el ejemplo,
consideramos que el precio del m
2
es una variable aleatoria normal y planteamos la hip´otesis
nula de que la media de Y sea igual a 3 (miles e) frente a la alternativa de que no lo sea, es decir,
H
0
: µ = 3 frente a H
a
: µ ,= 3
Normalmente, la hip´otesis nula es una hip´otesis simple, es decir, s´olo se plantea un valor para µ.
La hip´otesis alternativa suele ser una hip´otesis compuesta, que especifica un intervalo de valores.
En el ejemplo, H
a
es la negaci´on de H
0
y se dice que es un contraste bilateral o a dos colas. Si
la hip´otesis alternativa se especifica H
a
: µ < 3, o bien H
a
: µ > 3, se dice que el contraste es
unilateral o a una cola.
La elecci´on entre las hip´otesis se basa en un estad´ıstico de contraste, que es una funci´on de
los datos que mide la discrepancia entre estos y H
0
. Por ejemplo, en el contraste bilateral sobre
la media, se define la siguiente medida de la discrepancia:
¯ y −3
S
¯ y
Esta discrepancia, que utilizaremos como estad´ıstico de contraste, no depende de las unidades
de medida y tiene en cuenta la diferencia entre los datos (resumidos en ¯ y) y el valor establecido
en H
0
. Adem´as, debe conocerse la distribuci´on de esta variable aleatoria cuando la hip´otesis
nula es correcta. En el ejemplo, se demuestra que si los datos y
1
, y
2
, . . . , y
N
son una muestra
aleatoria de un conjunto de variables Y
i
∼ NID(µ, σ
2
) ∀i, con µ y σ
2
desconocidas, entonces:
¯ y −µ
S
¯ y
∼ t(N −1)
y sustituyendo µ = 3, tenemos la distribuci´on muestral del estad´ıstico bajo H
0
:
t =
¯ y −3
S
¯ y
H
0
∼ t(N −1) (A.20)
Este estad´ıstico se aplica mucho en la pr´actica y se denomina estad´ıstico t de la media.
Finalmente, para determinar el criterio de decisi´on del contraste se divide el conjunto de
posibles resultados del estad´ıstico de contraste en dos zonas, la regi´on cr´ıtica y su comple-
mentaria. Se rechaza H
0
cuando el valor del estad´ıstico obtenido con la muestra t
m
pertenece
158
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
a la regi´on cr´ıtica. El punto de partida para establecer la regi´on cr´ıtica es que se rechaza H
0
si
la discrepancia entre datos y H
0
es grande. En el contraste bilateral, se rechazar´ıa H
0
si ¯ y se
alejara mucho del valor establecido en H
0
, lo que para el estad´ıstico implica que:
[t
m
[ =
¸
¸
¸
¸
¯ y −3
S
¯ y
¸
¸
¸
¸
> c (A.21)
donde c es la discrepancia m´axima que estamos dispuestos a asumir y se denomina valor cr´ıtico.
En caso contrario, si [t
m
[ ≤ c, no se rechaza la hip´otesis nula. El valor de c depende de la
distribuci´on del estad´ıstico de contraste cuando H
0
es cierta y del error que estemos dispuestos
a aceptar. En un contraste siempre existe la posibilidad de cometer los siguientes errores:
• Rechazar la hip´otesis nula cuando ´esta es cierta, que se llama error tipo I. El nivel de
significaci´ on o tama˜ no de un contraste es la probabilidad de incurrir en el error tipo I y
se denota por α.
• No rechazar la hip´otesis nula cuando ´esta es falsa, llamado error tipo II. La potencia de
un contraste es la probabilidad de no cometer un error tipo II.
Deseamos cometer el menor error, pero no es posible eliminar los dos errores simult´aneamente, es
decir, que el tama˜ no sea 0 y la potencia igual a 1. En general, disminuir el error tipo I lleva consigo
un aumento del error tipo II. Por ejemplo, no cometemos error tipo I si decidimos no rechazar
nunca la hip´otesis nula; pero la potencia del contraste ser´ıa 0 porque tampoco rechazaremos H
0
cuando sea falsa. Daremos m´as importancia al error tipo I, por lo que elegiremos el tama˜ no del
contraste; los niveles m´as habituales son 10 %, 5 % y 1 %. Para el tama˜ no elegido, trataremos de
utilizar el contraste con mayor potencia.
Ejemplo: zona cr´ıtica en un contraste bilateral sobre la media de una distribuci´on normal.
Veamos c´omo se determina el valor cr´ıtico c en el ejemplo sobre la media del precio. El tama˜ no
α es la probabilidad de rechazar H
0
cuando ´esta es cierta. Como (A.21) es la condici´on para
rechazar y (A.20) es la distribuci´on del estad´ıstico cuando H
0
es cierta, esto implica que:
α = Prob([t[ > c) cuando el estad´ıstico t ∼ t(N −1)
En este caso, rechazaremos H
0
si el valor del estad´ıstico t obtenido con los datos es un valor
poco probable en la distribuci´on del estad´ıstico bajo H
0
.
Este gr´afico muestra la distribuci´on del estad´ıstico si
H
0
: µ = 3 es cierta. La regi´on cr´ıtica es la zona pun-
teada en las dos colas de la distribuci´on, de modo
que en cada cola se acumula una probabilidad α/2.
As´ı, c es la ordenada de la distribuci´on t(N − 1)
que deja en la cola derecha una probabilidad α/2.
Por ejemplo, para α = 0, 05 y N = 50, entonces,
c = 2, 01 y se rechaza H
0
al nivel de significaci´on del
5 % si [t
m
[ > 2, 01.
Ejemplo 1: Contraste sobre la media del precio por m
2
en Gretl.
Suponiendo que la variable precio por metro cuadrado pr m2 sigue una distribuci´on
normal, contrasta H
0
: µ = 3 frente a H
a
: µ ,= 3. Los pasos son los siguientes:
159
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
1. C´alculo del valor muestral del estad´ıstico t = (¯ y − 3)/S
¯ y
, siendo ¯ y la media
muestral de pr m2:
t
m
=

50(3, 9144 −3)/0, 99341 = 6, 51
Se obtiene con la siguiente opci´on de Gretl:
Herramientas →Calculadora de estad´ısticos de contraste
En la siguiente ventana elige la pesta˜ na media y en ella:
• Marca la opci´on Utilice una variable del conjunto de datos.
• Selecciona la variable pr m2. Aparecer´an los estad´ısticos descriptivos que
intervienen en el c´alculo de t
m
. En este caso:
media muestral : 3,9144
desv. t´ıpica: 0,99341
tama˜ no muestral : 50
• Escribe la hip´otesis nula a contrastar: H0: media = 3.
• Comprueba que la opci´on Suponer que la desv. t´ıpica es un valor poblacional
no est´a activada y pincha en Aplicar.
El resultado es la tabla y el Gr´afico A.12. En el gr´afico se representa la distri-
buci´on del estad´ıstico bajo H
0
, en este caso t(49), junto con el valor muestral
del estad´ıstico (la l´ınea verde).
Hip´otesis nula: media poblacional = 3 Tama~no muestral: n = 50
Media muestral = 3,91439, desv. t´ıpica = 0,993407
Estad´ıstico de contraste: t(49) = (3,91439 - 3)/0,140489 = 6,50864
valor p a dos colas = 3,83e-008 (a una cola = 1,915e-008)
0
0.1
0.2
0.3
0.4
0.5
-6 -4 -2 0 2 4 6
Desviaciones tpicas
Distribucin muestral t(49)
Estadstico de contraste
Gr´afico A.12: Ejemplo 1: Resultado y distribuci´on del estad´ıstico bajo H
0
En este caso tenemos que el valor muestral del estad´ıstico cae en la cola su-
perior, en una intervalo de valores poco probable si H
0
es cierta. Por tanto,
rechazaremos la hip´otesis nula. Pero calcularemos exactamente la regi´on cr´ıti-
ca.
2. Regi´on cr´ıtica o zona de rechazo. El valor cr´ıtico c se obtiene con la opci´on de
Gretl Herramientas →Tablas estad´ısticas.
En la nueva ventana hay que elegir la pesta˜ na de la variable t y en el siguiente
cuadro hay que rellenar:
• gl = grados de libertad n, en este caso 49
• probabilidad en la cola derecha =α/2. Fijamos un nivel de significaci´on
del 5 %, por lo que escribimos 0,025.
Tras pinchar en Aceptar, obtenemos el siguiente resultado:
160
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
t(49) probabilidad en la cola derecha = 0,025
probabilidad complementaria = 0,975
probabilidad a dos colas = 0,05
Valor cr´ıtico = 2,00958
Interpretaci´on: Prob(t > 2, 00958) = 0, 025 o bien Prob(X < 2, 00958) = 0, 975.
Por tanto, el valor cr´ıtico con alpha = 5 % es igual a c = 2, 00958.
3. Aplicaci´on de la regla de decisi´on. Como [6, 51[ > c, al nivel de significaci´on
del 5 %, se rechaza la hip´otesis de que el precio medio sea igual a 3000e fren-
te a la alternativa. Cierra las ventanas de calculadora de estad´ısticos y tablas
estad´ısticas.
Ejemplo: regi´on cr´ıtica en el contraste unilateral sobre la media de una distribuci´on normal.
En los estudios econom´etricos a veces se plantean contrastes a una cola. Por ejemplo, en estudios
sociales interesa analizar si hay discriminaci´on salarial, de modo que las mujeres perciben salarios
m´as bajos que los hombres. Habitualmente, se contrasta la hip´otesis nula de que la media del
salario que perciben las mujeres es igual al salario medio de los hombres frente a la hip´otesis
alternativa de que la media del salario es mayor en el grupo de hombres.
En el estudio del precio del m
2
, supongamos que interesa contrastar si la media es tres o mayor,
por lo que planteamos las hip´otesis:
H
0
: µ = 3 frente a H
a
: µ > 3
Al mantenerse la misma hip´otesis nula, el estad´ıstico de contraste es (A.20), t =

N(¯ y −3)/S
y
,
que bajo H
0
sigue una distribuci´on t(N − 1). La hip´otesis alternativa determina el criterio de
decisi´on. Rechazaremos H
0
cuando la discrepancia tome valores alejados de H
0
y compatibles
con H
a
, es decir, cuando t tome valores positivos grandes. La regi´on cr´ıtica est´a definida por la
condici´on t > c. El valor cr´ıtico c se determina por:
α = Prob(t > c) cuando el estad´ıstico t ∼ t(N −1)
La regi´on cr´ıtica del contraste es la zona pun-
teada en una cola de la distribuci´on, la derecha.
As´ı, c es la ordenada de la distribuci´on t(N −1)
que acumula en la cola derecha una probabilidad
α.
Por ejemplo, si α = 0, 05 y N = 50, entonces
el nivel cr´ıtico es c = 1, 67655 (usar herramienta
de tabla estad´ıstica de Gretl) y no se rechaza H
0
al nivel de significaci´on del 5 % si t
m
< 1, 67655.
En general, se usan las expresiones rechazar o no rechazar H
0
. Esto es as´ı porque en un contraste
mantenemos la H
0
mientras no haya suficiente evidencia en contra. Los datos pueden rechazar
la hip´otesis, pero no pueden probar que H
0
sea correcta, por lo que no se dice que se acepta H
0
.
No rechazar H
0
significa que los datos no son capaces de mostrar su falsedad.
Ejemplo 2: Contraste de igualdad de varianzas. Los datos que estamos anali-
zando sobre precio de la vivienda incluye dos tipos de viviendas:
161
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
• Viviendas a reformar, es decir, es necesario realizar un gasto adicional para
acondicionar la vivienda.
• Viviendas acondicionadas para entrar a vivir.
Es posible que el precio medio de las viviendas a reformar y reformadas sigan patrones
diferentes. Esto implica que la distribuci´on del precio de los dos tipos de vivienda es
distinta. Por tanto, consideramos el siguiente modelo:
• El precio por metro cuadrado de la vivienda que no necesita reforma, Y
1
sigue
una distribuci´on normal de media µ
1
y varianza σ
2
1
.
• El precio por metro cuadrado de la vivienda a reformar, Y
2
sigue una distribu-
ci´on normal de media µ
2
y varianza σ
2
2
.
• Ambas variables Y
1
e Y
2
son independientes.
Vamos a contrastar si la varianza es la misma en ambas distribuciones frente a que
sea menor en el grupo de pisos a reformar. Por tanto, planteamos el contraste de
hip´otesis:
H
0
: σ
2
1
= σ
2
2
frente a H
a
: σ
2
1
> σ
2
2
El procedimiento de contraste consiste en comparar las dos varianzas muestrales,
S
∗2
1
y S
∗2
2
, que son estimadores insesgados de las respectivas varianzas poblacionales.
Valores cercanos de S
∗2
1
y S
∗2
2
, o ratios S
∗2
1
/S
∗2
2
· 1, apoyan H
0
. El estad´ıstico de
contraste y su distribuci´on bajo H
0
son:
F =
S
∗2
1
S
∗2
2
H
0
∼ T(N
1
−1, N
2
−1)
donde N
1
es el n´ umero de pisos que no necesita reforma y N
2
el n´ umero de pisos a
reformar. Dada H
a
, rechazamos H
0
si el ratio S
∗2
1
/S
∗2
2
est´a muy por encima de 1. La
regi´on cr´ıtica, por tanto, est´a definida por S
∗2
1
/S
∗2
2
> c, siendo c el valor cr´ıtico. Los
pasos para realizar el contraste con Gretl son:
1. Seleccionar el subconjunto de pisos que no necesitan reforma. En el fichero de
datos pisos.gdt son las observaciones para las que la variable Reforma = 1. En
Gretl, seleccionamos la submuestra que cumple esta condici´on si:
a) Vamos a Muestra →Definir a partir de v. ficticia.
b) En la nueva ventana aparece como opci´on Reforma y pinchamos en Aceptar
Si el proceso es correcto, en la parte inferior de la pantalla de Gretl aparece
el mensaje Sin fecha: rango completo n=50; muestra actual n=31. Ahora s´olo
trabajamos con los datos de pisos que no necesitan reforma: si consultamos los
datos en Datos →Mostrar valores ahora s´olo aparece la informaci´on de los 31
pisos que pertenecen a esta clase.
2. Crear la serie de datos y1 que incluye ´ unicamente los precios por m
2
de los pisos
reformados: en A˜ nadir →Definir nueva variable... escribimos y1 = pr m2.
3. Seleccionar el subconjunto formado por los pisos que necesitan reforma, es decir,
caracterizados por Reforma = 0:
a) Vamos a Muestra →Restringir, a partir de criterio.
b) En la nueva ventana escribimos el criterio de selecci´on:
Reforma =0
c) Pinchamos en Reemplazar restricci´on actual y luego en
Aceptar.
162
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
Ahora debe aparecer Sin fecha: rango completo n=50; muestra actual n=19.
4. Crear la serie de datos y2 de precios por m
2
de pisos no reformados: en A˜ nadir
→Definir nueva variable... escribimos y2 = pr m2.
5. Recuperar la muestra completa en Muestra →Recuperar rango el completo.
Comprobamos que las series y1 e y2 no tienen errores editando los datos de
estas series. Las celdas de y1 estar´an vac´ıas en pisos no reformados y lo rec´ıpro-
co para y2.
6. Calcular el valor muestral del estad´ıstico F
m
en Herramientas →Calculadora
de estad´ısticos de contraste →2 varianzas. En la siguiente ventana rellenamos
los datos:
- Marcar Utilice una variable del conjunto de datos y seleccionar y1.
Aparecen los estad´ısticos necesarios de y1: S
∗2
1
= 0, 77702 y N
1
= 31
- Marcar Utilice una variable del conjunto de datos y seleccionar y2.
Aparecen los estad´ısticos necesarios de y2: S
∗2
2
= 0, 70340 y N
2
= 19
- Comprobar la marca en Mostrar el gr´afico de la distribuci´on muestral y
Aplicar.
El resultado es una tabla y un gr´afico con la distribuci´on del estad´ıstico bajo
H
0
, T(30, 18) y el valor muestral del estad´ıstico.
Hip´otesis nula: Las varianzas poblacionales son iguales
Muestra 1: n = 31, varianza = 0,777054
Muestra 2: n = 19, varianza = 0,703402
Estad´ıstico de contraste: F(30, 18) = 1,10471
valor p a dos colas = 0,8436 (a una cola = 0,4218)
0
0.2
0.4
0.6
0.8
1
1.2
0 0.5 1 1.5 2 2.5 3 3.5 4 4.5
Distribucin muestral F(30, 18)
Estadstico de contraste
Gr´afico A.13: Ejemplo 2: Resultado y distribuci´on del estad´ıstico bajo H
0
7. El gr´afico anterior sugiere que no rechazaremos H
0
. Calculamos la regi´on cr´ıtica:
se trata de un contraste a una cola, por tanto, buscamos c tal que 0, 05 =
Prob(F > c). Vamos a Herramientas →Tablas estad´ısticas →F.
Los grados de libertad del numerador son gln 30 y los del denominador, gld 18.
Finalmente, la probabilidad en la cola derecha es 0,05. El resultado es:
F(30, 18) probabilidad en la cola derecha = 0.05
probabilidad complementaria = 0.95
Valor cr´ıtico = 2.10714
Por tanto, si α = 5 %, entonces c = 2, 107.
163
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
8. Conclusi´on del contraste: F
m
= 1, 10 < 2, 11, por tanto, al nivel de significaci´on
del 5 % no rechazamos la hip´otesis de igualdad de varianzas entre los dos tipos
de viviendas.
Ejemplo 3: Contraste de igualdad de medias. Vamos a contrastar la hip´otesis
de que el precio medio del piso es mayor en los pisos reformados. Suponiendo que
el precio por m
2
de los dos tipos de pisos son variables independientes, ambas con
distribuci´on normal de igual varianza, σ
2
y medias diferentes, µ
1
y µ
2
.
Para contrastar la hip´otesis anterior, planteamos H
0
: µ
1
= µ
2
frente a H
a
: µ
1
> µ
2
.
El procedimiento de contraste se basa en la comparaci´on de las dos medias muestra-
les, ¯ y
1
y ¯ y
2
. Peque˜ nas diferencias entre ellas apoyan la H
0
. El estad´ıstico de contraste
y su distribuci´on bajo H
0
son:
t =
¯ y
1
− ¯ y
2
S
_
1/N
1
+ 1/N
2
H
0
∼ t(N
1
+N
2
−2)
donde S
2
es el estimador de la varianza com´ un utilizando todos los datos:
S =
1
N
1
+N
2
−2
_
N
1

i=1
(y
1i
− ¯ y
1
)
2
+
N
2

i=1
(y
2i
− ¯ y
2
)
2
_
Dada H
a
, rechazamos H
0
si la diferencia ¯ y
1
− ¯ y
2
es grande. La regi´on cr´ıtica, por
tanto, est´a definida por t > c, siendo c el valor cr´ıtico.
Aplicamos el procedimiento de contraste a los datos en Gretl. Las dos series de datos
y1 e y2 se crean seg´ un lo descrito en el ejemplo 2. A continuaci´on debemos:
1. Calcular el valor muestral del estad´ıstico t
m
en Herramientas →Calculadora
de estad´ısticos de contraste →2 medias. En la siguiente ventana rellenamos los
datos:
- Marcar Utilice una variable del conjunto de datos y seleccionar y1.
Aparecen los estad´ısticos de y1: ¯ y
1
= 4, 3040, S

1
= 0, 88150675 y N
1
= 31
- Marcar Utilice una variable del conjunto de datos y seleccionar y2.
Aparecen los estad´ısticos de y2: ¯ y
2
= 3, 278717, S

2
= 0, 83869 y N
2
= 19
- Marcar Suponer desviaci´on t´ıpica poblacional com´ un.
- Marcar Mostrar el gr´afico de la distribuci´on muestral y pinchar en Aplicar.
El resultado es una tabla y un gr´afico con la distribuci´on t(50 − 2) y el valor
muestral del estad´ıstico.
Hip´otesis nula: Diferencia de medias = 0
Muestra 1: n = 31, media = 4,304, d.t. = 0,881507
desviaci´on t´ıpica de la media = 0,158323
Intervalo de confianza 95% para la media:
3,98066 a 4,62734
Muestra 2: n = 19, media = 3,27872, d.t. = 0,838691
164
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
desviaci´on t´ıpica de la media = 0,192409
Intervalo de confianza 95% para la media:
2,87448 a 3,68295
Estad´ıstico de contraste:
t(48)= (4,304-3,27872)/0,252229 =4,0649
valor p a dos colas = 0,0001774 (a una cola = 8,871e-005)
0
0.1
0.2
0.3
0.4
0.5
-4 -3 -2 -1 0 1 2 3 4
Desviaciones tpicas
Distribucin muestral t(48)
Estadstico de contraste
Gr´afico A.14: Ejemplo 3: Resultado y distribuci´on del estad´ıstico bajo H
0
2. Definir la regi´on cr´ıtica: se trata de un contraste a una cola, por tanto, buscamos
c tal que 0, 05 = Prob(t > c). Vamos a Herramientas →Tablas estad´ısticas →t,
grados de libertad gl 48 y para α = 5 %, obtenemos c = 1, 229.
3. Resultado del contraste: 4, 06496 > 1, 229, por tanto, al nivel de significaci´on
del 5 % rechazamos la hip´otesis nula de igualdad de medias. Es decir, los datos
apoyan la hip´otesis de que el precio del m
2
es mayor en los pisos reformados.
165
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
166
Ap´endice B
B.1. Otros recursos
• Algunos organismos institucionales que publican datos macroecon´omicos son:
• Banco Central Europeo: http://www.ecb.int/
• Banco de Espa˜ na: http://www.bde.es → Estad´ısticas
• Banco Mundial: http://www.worldbank.org
• Bolsa de Madrid: http://www.bolsamadrid.es
• Economic and Social Data Series: Gu´ıa a recursos de datos de libre acceso:
http://www.esds.ac.uk/internacional/access/access.asp
• EUROSTAT: Oficina Estad´ıstica de la Uni´on Europea:
http://europa.eu.int/comm/eurostat
• Fondo Monetario Internacional (FMI): http://www.imf.org
• Instituto Nacional de Estad´ıstica (INE): http://www.ine.es → Inebase o Banco tempus
• Instituto Vasco de Estad´ıstica (EUSTAT): http://www.eustat.es
• Organizaci´on para la Cooperaci´on y Desarrollo Econ´omico (OCDE): http://www.oecd.org
• Software estad´ıstico y/o econom´etrico:
• Eviews, http: //www.eviews.com.
• SHAZAM, http: //shazam.econ.ubc.ca¸
• Gretl, http: //gretl.sourceforge.net
• RATS, http: //www.estima.com
• R, http: //www.r −project.org
167
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
• Links a libros de Econometr´ıa y/o Estad´ıstica.
• Greene, W. (2008), Econometric Analysis, http://prenhall.com/greene
• Gujarati, D. (1997), Econometr´ıa b´asica,
http://www.mhhe.com/economics/mhhe
• Hill, R. C. Griffiths, W.E. y G. G. Judge (2001), Undergraduate Econometrics,
http://eu.he.wiley.com/WileyCDA
• Kennedy, P. (1992), A Guide to Econometrics.,
http://eu.he.wiley.com/WileyCDA
• Ramanathan, R. (2002), Introductory Econometrics with applications,
http://weber.ucsd.edu/∼rramanat/embook5.htm
• Verbeek, M. (2004), A Guide to Modern Econometrics,
http://eu.he.wiley.com/WileyCDA
• Wooldridge, J. M. (2003), Introductory Econometrics. A Modern Approach,
http://wooldridge.swcollege.com/
• Algunos libros de Econometr´ıa y/o Estad´ıstica que incluyen CD con datos para resolver ejer-
cicios:
• Alonso, A., Fern´andez, F. J. e I. Gallastegui (2005), Econometr´ıa, Prentice-Hall, Madrid
• Ramanathan, R. (2002), Introductory Econometrics with Applications, 5
a
edn., South-
Western, Mason, Ohio.
• Stock, J. y M. Watson (2003), Introduction to Econometrics, Addison-Wesley, Boston.
• Verbeek, M. (2004), A Guide to Modern Econometrics, 2
a
edn., John Wiley, England.
• Wooldridge, J. M. (2003), Introductory Econometrics. A Modern Approach, 2
a
edn., South-
Western, Mason, Ohio.
• Datos
• http: //www.nber.org/data index.html
• http: //www.estadief.minhac.es/
• http: //fisher.osu.edu/fin/osudown.htm
• http: //econ.queensu.ca/jae/
• http: //www.psidonline.isr.umich.edu/data/
• http: //www.census.gov/
168
Econometr´ıa B´asica Aplicada con Gretl SARRIKO-ON 8/09
• Revistas de Econom´ıa
• http : //www.revecap.com. Revista de Econom´ıa Aplicada
• http: //www.revistaestudiosregionales.com. Revista de Estudios Regionales
• http: //www.funep.es/invecon/sp/sie.asp. Investigaciones Econ´omicas
• http: //www1.euskadi.net/ekonomiaz. Ekonomiaz
169
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
170
Bibliograf´ıa
Bibliograf´ıa B´asica:
Ramanathan, R. (2002), Introductory Econometrics with Applications, 5th. edn., South-Western,
Mason, Ohio.
Bibliograf´ıa recomendada en los temas del curso:
Alonso, A., Fern´andez, F. J. e I. Gallastegui (2005), Econometr´ıa, Prentice-Hall, Madrid.
Davidson, D. y J. Mackinnon (2004), Econometric Theory and Methods, Oxford University
Press, New York.
Engle, R. F. (1982), “A general approach to Lagrangian Multiplier Modelo Diagnostics”, Jour-
nal of Econometrics, vol. 20, pp. 83-104.
Greene, W. (2008), Econometric Analysis, 6
a
edn., Prentice-Hall, New Jersey.
Gujarati, D. (1997), Econometr´ıa B´asica, 4
a
edn., McGraw-Hill, Mexico.
Heij, C., de Boer, P., Frances, P., Kloek, T. y H. Van Dijk (2004), Econometric Methods
with Applications in Business and Economics, Oxford University Press, Oxford.
Neter, J., Wasserman, W. y M. H. Kutner (1990), Applied Linear Statistical Models, 3
a
edn., M.A: Irwin, Boston.
Pe˜ na, D. y J. Romo (1997), Introducci´on a la Estad´ıstica para las Ciencias Sociales, McGraw-
Hill, Madrid.
Stock, J. y M. Watson (2003), Introduction to Econometrics, Addison-Wesley, Boston.
Verbeek, M. (2004), A Guide to Modern Econometrics, 2
a
edn., John Wiley, England.
Wooldridge, J. M. (2003), Introductory Econometrics. A Modern Approach, 2
a
edn., South-
Western, Mason, Ohio.
Bibliograf´ıa Complementaria:
Fern´andez, A., Gonz´alez, P., Reg´ ulez, M., Moral, P. y M. V. Esteban (2005), Ejercicios
de Econometr´ıa, 2
a
edn., MacGraw-Hill, serie Schaum, Madrid.
171
SARRIKO-ON 8/09 Econometr´ıa B´asica Aplicada con Gretl
Hill, R. C. Griffiths, W.E. y G. G. Judge (2001), Undergraduate Econometrics, 2
a
edn.,
John Wiley and Sons, Inc., England.
Johnston, J. y J. Dinardo (2001), M´etodos de Econometr´ıa, Vicens Vives, Barcelona.
Kennedy, P. (1992), A Guide to Econometrics., 3
a
edn., Blackwell, Oxford.
Maddala, G. S. (1996), Introducci´on a la Econometr´ıa, 2
a
edn., McGraw-Hill, M´exico.
Novales, A. (1993), Econometr´ıa, 2
a
edn., McGraw-Hill, Madrid.
Pindyck, R.S. y D.L. Rubinfeld (1998), Econometric Models and Economic Forecast, 4
a
edn., McGraw-Hill, New York.
172

Econometr´ B´sica Aplicada con Gretl ıa a

Autores: M. Victoria Esteban M. Paz Moral Susan Orbe Marta Reg´lez u Ainhoa Zarraga Marian Zubia

Departamento de Econom´ Aplicada III. Econometr´ y Estad´ ıa ıa ıstica Facultad de Ciencias Econ´micas y Empresariales o Universidad del Pa´ Vasco/Euskal Herriko Unibertsitatea ıs

2

. . . . . o a 2. . . . . . . . . . . . . . . . Modelo de Regresi´n Lineal Simple o 2.3. . . . . . . . o o 2.4. . . . . Resumen: modelo de regresi´n lineal simple con hip´tesis b´sicas . . .1. . . . . . . . . . e 1. . . . . . . Gretl y la Econometr´ ıa 1. . El criterio de estimaci´n m´ o ınimo-cuadr´tico . . . .2.4. . . . . . . . . . . . . . . . . El software econom´trico . . . . . . . . . . . Fuentes de datos . . . . . 1. . . . . . . . . . . o 2. . . . . . . . . . . Los datos y su manejo . Introducci´n. . . Introducci´n . o 2. . . . . . . . . . . . . .3. . .5. . . .1. . . . . . . . . . . . . . o 1. . . . . . . . . . Estimaci´n por M´ o ınimos Cuadrados Ordinarios . . . .5. . . . . . .4.4. . . . . . . . . 1 1 1 3 5 6 7 8 10 13 18 21 23 23 25 26 30 30 32 33 34 36 38 41 41 2. . . . .4. . . . . . . An´lisis descriptivo de una variable . . . . . . . . . Ejercicio para practicar . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . . . o i . . . . . . . . . . . . . .4. . . .2. . . . . . . . . . Relaciones entre variables . . .5. . .2. . . . . .1. . . . . . . . Elementos del modelo de regresi´n simple . 2. . .1. . . .4. .2. . . . . . . . . . o o a 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1. . . . o 1. . . . . . . . . Contrastes de hip´tesis sobre β . . . . .Contenido 1. . . . . . . . . . . . . . . . ¿Qu´ es la Econometr´ . 2. . . . . . . . . . . . . . . . . . .3. . . . .4. . . . . .5. . . . . . . . . . . . 2. e 1. . La precisi´n de la estimaci´n y la bondad del ajuste . . . . . . . . . . . . . Propiedades de los estimadores MCO . . .2. . . . . . . . . . . . . . . . .5. . . . . . . . . . . . . . .1. . . . . . . . . . . . . . . . . . . . . . .2. . . .1. . . . . a 1. . ¿Para qu´ sirve la Econometr´ e ıa? . Contrastes de hip´tesis e intervalos de confianza o . . . . . . Propiedades de la recta m´ ınimo-cuadr´tica . La estimaci´n MCO en Gretl . . . . . . . . . . . .3. . . . .4. . . . . o 2. . . Un estudio econom´trico . . . . . . . . . . . . . . . . . . . . .5. . . a 2. . . . . . . 1. . . . . . . . . . e ıa? 1. . Un ejemplo . . 1. . .1. . . . . . . .6. a 2. 1. . Introducci´n a Gretl . . . . . . . . . . . . . . . . . . . . Hip´tesis b´sicas . . . . . . . . . . . . . .

. o 2. . . . . . . . . . . . . . . . .5. . .2. 3. . . . . . . . . . . . . . 4. . . . . . . . . Introducci´n . . . .1. . . . . . . . . . . . . . . . . . Ejercicios para practicar . . . . .1. . . . . . . . . . . . . . . . . . Intervalos de confianza . .3. . Estimaci´n de M´ o ınimos Cuadrados Ordinarios utilizando Gretl . .1. . 105 6. . . . . . . . . . Contrastes de restricciones lineales y predicci´n o 4. . . . . . . . . . .7. . . . . . . . .3. . . . . . . . . . . . . 116 7. . . . . . .2.3. . . . . . . . . . . . . . Estimaci´n bajo restricciones lineales . .3. . . Efectos de omisi´n de variables relevantes . . . . . . . . . . . . . . . . . . . . .5. . . Contrastes de restricciones lineales . Modelo de Regresi´n Lineal M´ ltiple o u 3. . . .6. . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . . . . . . . . . . 123 Incorporaci´n de variables cuantitativas . . . . . . . . . . . . . Modelo con una variable cualitativa 7. . . . . . . . . . . . . . . . . . . 111 6. An´lisis de los resultados mostrados . . . . . . . . . . . . Bondad de ajuste y selecci´n de modelos . . . . . . . . . . . . Un ejemplo . . . . . . 128 o ii . . . . . . . . . . . . o 3. . . . . . . . . . . . . Multicolinealidad de grado alto . . . . . . . . . . . . . . . . Estad´ ısticos equivalentes . . . . . . . . . . . 2. . .4. . .6. . . . . . Introducci´n. . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . 3. . . Efectos de inclusi´n de variables irrelevantes .3. Ejercicios para practicar . . . Coeficientes estimados . . . . . . . . Variables Cualitativas 123 7. . . . . . . 4.2. . . .3.3.2. .2. . . . . . . . Errores de especificaci´n en la elecci´n de los regresores o o 5. . . . o 4. . . . . . . . . . . . . . . . 101 o 5. . . . . . . . . . . . . . . . . . . . 123 o 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 3. Desviaciones t´ ıpicas e intervalos de confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 5. . Presentaci´n de los resultados . . . . . . . . . . . . . . . . . 4. . . . . 4. . . . . . . . . . . . . o 5. .2. . . . . . . . . . . . . .5.1. . . .3. . . a 3. . . . . . o 4.4. . . . . . . . . . . . . . . . . . . . . . .1. . Ejercicios para practicar . . . . . . . . . . .1. . . Multicolinealidad perfecta . . . . . 3. . . . . . . . . . . .2. . . . . . . . . . 109 6. . . . . . . . . .SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 44 45 45 49 49 51 52 55 58 61 65 70 73 73 75 82 84 86 89 95 95 96 2. . . . . . . .1. . . . . . Ejercicios para practicar . . . . Ejercicios para practicar . . . . . . . . . . . . . . . . . . . Un ejemplo . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . Contrastes utilizando Gretl . . . . . . . Predicci´n . 3. . . Resumen. . . . . . . . . 3. . Significatividad individual y conjunta . . . . . . . . . . . . Multicolinealidad 109 6. . . Introducci´n. .

Econometr´ B´sica Aplicada con Gretl ıa a

SARRIKO-ON 8/09

7.3. Modelo con dos o m´s variables cualitativas . . . . . . . . . . . . . . . . . . . . . 132 a 7.3.1. Varias categor´ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132 ıas 7.3.2. Varios conjuntos de variables ficticias . . . . . . . . . . . . . . . . . . . . 134

7.4. Contraste de cambio estructural . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136 7.4.1. Cambio estructural utilizando variables ficticias . . . . . . . . . . . . . . . 138 7.5. Ejercicios para practicar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139 Ap´ndice A e 145

A.1. Repaso de probabilidad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 A.1.1. Una variable aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145 A.1.2. Dos o m´s variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . 149 a A.1.3. Algunas distribuciones de probabilidad . . . . . . . . . . . . . . . . . . . . 152 A.2. Repaso de inferencia estad´ ıstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153 A.2.1. Estimaci´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154 o A.2.2. Contraste de hip´tesis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158 o Ap´ndice B e 167

B.1. Otros recursos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167 Bibliograf´ ıa 171

iii

SARRIKO-ON 8/09

Econometr´ B´sica Aplicada con Gretl ıa a

iv

Figuras
1.1. Diagrama de dispersi´n superficie-precio de pisos . . . . . . . . . . . . . . . . . . o 1.2. Pantalla inicial de Gretl . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3. A˜adir datos: hoja de c´lculo de Gretl . . . . . . . . . . . . . . . . . . . . . . . . n a 1.4. Fin de carga de datos con hoja de c´lculo . . . . . . . . . . . . . . . . . . . . . . a 1.5. Fichero con datos de tres variables . . . . . . . . . . . . . . . . . . . . . . . . . . 1.6. Cuadro de descripci´n de variables . . . . . . . . . . . . . . . . . . . . . . . . . . o 1.7. Fichero con descripci´n de variables . . . . . . . . . . . . . . . . . . . . . . . . . o 1.8. Histograma de frecuencias relativas . . . . . . . . . . . . . . . . . . . . . . . . . . 1.9. Iconos de la sesi´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 1.10. Tipos de asimetr´ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . ıa 1.11. Diagrama de dispersi´n superficie-precios (2) . . . . . . . . . . . . . . . . . . . . o 1.12. Diagramas de dispersi´n . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 2.1. Selecci´n de un fichero de muestra . . . . . . . . . . . . . . . . . . . . . . . . . . o 2.2. Diagrama de dispersi´n precio-superficie de viviendas . . . . . . . . . . . . . . . . o 2.3. Precio de los pisos de Bilbao versus superficie habitable . . . . . . . . . . . . . .
2 2.4. Modelo Yi = α + β × 5 + ui , con SX = 0 . . . . . . . . . . . . . . . . . . . . . .

3 10 10 11 12 12 13 14 14 17 19 20 23 24 27 28 29 29 31 32 34 34 35 36 37 42

2.5. Ejemplos de realizaciones de u . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6. Ejemplos de distribuci´n de Y . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 2.7. Modelo de regresi´n simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o 2.8. Funci´n de regresi´n poblacional y funci´n de regresi´n muestral . . . . . . . . . o o o o 2.9. Ventana de especificaci´n del modelo lineal . . . . . . . . . . . . . . . . . . . . . o 2.10. Ventana de resultados de estimaci´n MCO . . . . . . . . . . . . . . . . . . . . . . o 2.11. Ventana de iconos: recuperar resultados estimaci´n . . . . . . . . . . . . . . . . . o 2.12. Gr´ficos de resultados de regresi´n MCO . . . . . . . . . . . . . . . . . . . . . . . a o 2.13. Residuos MCO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.14. Criterio de decisi´n del contraste de significatividad individual . . . . . . . . . . o v

. . . . . . . . . . . . 148 o A. .2) por observaci´n . 146 o A. . . . . . . . . .3. . . . . . . . . . . . . . . . . . . a u o 3. . . . . .1) sobre observaci´n y sobre F2 . . . . 153 o o A. . . Gr´fico de residuos por n´mero de observaci´n .4. . . . . . . . . . . . . . .2. . .13. 163 A.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 53 54 54 55 99 3. . . . . . 157 A. . 157 o A. . . . 152 o o A. . . . Gr´fico de residuos contra la variable F2 . . . . . . .Sesgo y varianza de estimadores . . . . . . . . La funci´n de densidad normal y el histograma .Ejemplo 3: Resultado y distribuci´n del estad´ o ıstico bajo H0 . . . . . . . . . . . . a 5. .Ejemplos de distribuci´n de estimadores . . . . 147 o A. . . . . . . . . . . . . . . .3. . . . .1. . . . . . . . . . . . . . . . . . . . . .11. . . a o 5. . . . .1. . . Gr´ficos de los residuos del Modelo (5. . . . .3. . . . . . . . . . . .14. . . . Distribuci´n normal bivariante . Gr´fico de la variable estimada y observada por n´mero de observaci´n . . . . .2) sobre F2 . . . . . . . . . . . . . . a 3. . . 165 vi . . . . . . . . . . . . . . . . 160 A. . . . . . . . . Cambio en ordenada y en pendiente . . a u o 3. . . . . . . . . . . . . . . . .Ejemplo 1: Resultado y distribuci´n del estad´ o ıstico bajo H0 . . . . . . 149 o A. . . . . . . . Funci´n de densidad de la distribuci´n t-Student . . . . . . . . . .2. . . . . . . . . . . . . . 129 7. . . . Gr´fico de la variable estimada y observada contra F2 . . . . . .1. . . . . . . . .8. . . .7. . . . . . . . .4. . . . . . . . . . Gr´fico de los residuos del Modelo (5. . . .2. . Simulaci´n 1: histograma . . .10. 102 a o 7. . . . . . . . . . . . . . . . . . . 131 A. . . . . 153 o o A. . . . . .6. . 100 a 5. . Funci´n de densidad de la distribuci´n Chi-cuadrado . . Gr´fico de los residuos del Modelo (5. . . . . . Cambio en ordenada . . . . . . . . . . . .12. .5. . . . . . . . . . . . . . . . . Ejemplos de distribuci´n normal . . . Funci´n de densidad de la distribuci´n F-Snedecor . . . .Ejemplo 2: Resultado y distribuci´n del estad´ o ıstico bajo H0 . .9. . . . . .

. o 3. . .1. . . . . . . . . . . . . . o 4. . . . . . . . . . . . Estimaci´n por intervalo . . Modelos (5. 5. . Estad´ ısticos descriptivos de variables de la FRM . o 2. o 5. . . . . . . . . . . . . . . . . . . . Modelo (3. . .2. . . . . . . Datos en t´rminos reales . . . . . . . . o 2. . . . . 2. Matriz de coeficientes de correlaci´n .1): Estimaci´n por intervalo de los coeficientes.3. . . 120 0 . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . .1 House prices and sqft . . . Modelos estimados para el Consumo de Gasolina en Estados Unidos . .3. . . . . . . . . . . . . . . . Datos de caracter´ ısticas de viviendas . . . . . . .6. . . . . .1. . . . . Resultados de estimaci´n obtenidos para los distintos modelos. . Residuos de la regresi´n MCO. . . . . . . . . .3. 103 5. . . . . . . . . . . . . . Datos sobre precio de vivienda ocupada . .1. . . . .2. .Tablas 1. . . .1). . . . . . . . . . . . . . . . . . . o 3. . . . . . . Modelos estimados para el precio de la vivienda. . . . . . . .1. . . . .5. . . . . . . . . . Conjunto de datos incluidos en data3. . . . . . . . . . . . . . . . . . . . . . 106 6. . . .2. . . .4. . . . .2. o ˆ ˆ 2. . . . . . . . . . . . . . . 2. . . . . . . . . . . . . . . . . . Estimaci´n de varianzas y covarianza de α y β. . . e 4. 1. Estad´ ısticos descriptivos del conjunto de datos . . Modelo (3. . . . . . . Datos para el estudio de la Funci´n de Inversi´n . . . . . . Modelos estimados para el Consumo de Gasolina en Estados Unidos . .4. . . . . . . . . . . . . . . . . . . . . Estad´ ısticos descriptivos del precio de 50 pisos . . . . .5. . . . . . . . . . . . . . . . . . . . Matriz de correlaciones . . .1. . 2. . ˆ 3. . .3. . . . . . o o 4.1. . . Modelo (3.2) estimados para el precio de la vivienda . . . . . . . . . . . . .1) y (5.1). . . . . . . . Distribuci´n de frecuencias del precio de 50 pisos . 1. . . . . .3. . . . Estimaci´n de la matriz de covarianzas de β . o 1. 2 15 15 18 21 24 36 37 38 40 44 52 59 60 79 79 90 98 1. . . . . .

en el que se incluye el esquema de una primera sesi´n pr´ctica de uso de Gretl. sus caracter´ o ısticas. su tama˜o o si es una vivienda usada n que necesita reforma. o e cu´les son los elementos que integran un modelo econom´trico. del curso se dedica a estudiar casos pr´cticos. en el que los ejemplos pr´ctia a cos sirven para introducir los conceptos estad´ ıstico-econom´tricos.Tema 1 Gretl y la Econometr´ ıa 1. ¿Qu´ es la Econometr´ e ıa? En la toma de decisiones de car´cter econ´mico suele ser muy util disponer de informaci´n a o ´ o en forma de datos cuantitativos. Por ejemplo. f´cil de manejar y que tiene acceso e a a las bases de datos que se estudian en muchos libros de introducci´n al an´lisis econom´trico.2. por ejemplo. La herramienta b´sica es un modelo econom´trico que o a e conjuga los esquemas te´ricos sobre el funcionamiento de la Econom´ con las t´cnicas estad´ o ıa e ısticas de an´lisis de datos. la Econometr´ La secci´n 3 describe un ejemplo de estudio econom´trico. el modelo de regresi´n a o lineal general. este curso tiene un car´cter totalmente aplicado. destacando ıa. As´ una parte importante e ı.1. nos interesa conocer la situaci´n del mercado o inmobiliario. o a 1. Si se trata de la compra-venta de un piso. se trata de software de libre uso. y que da nombre a la asignatura. Un modelo puede tener una estructura muy compleja. las principales fuentes de obtenci´n de datos y los programas o inform´ticos que sirven para almacenar y procesar los datos. pero tambi´n por factores como las e expectativas de salario en la rama elegida o la facilidad con la que esperamos conseguir un empleo. Introducci´n o Estas notas se dirigen a aquellas personas interesadas en aprender a interpretar informaci´n o estad´ ıstica sobre la realidad econ´mica. Supongamos que en la secci´n de anuncios de un peri´dico local aparecen o o 1 . a la hora de elegir unos estudios universitarios podemos guiarnos por nuestras preferencias personales. Este modelo explica el comportamiento de una unica variable econ´mica o de ´ o otra ´ ındole m´s general. o a e Este primer tema se organiza de la siguiente forma: la secci´n 2 presenta la disciplina que nos o ocupa. El paquete ecoe nom´trico a utilizar es Gretl. Para ello podemos recopilar datos de precios y de algunas caracter´ ısticas de los pisos que puedan influir en el precio como. pero nos cena tramos en el modelo m´s sencillo. El software Gretl se introduce en a el apartado 5. en los que el estudiante aprender´ a manejar un a a software econom´trico y a interpretar adecuadamente los resultados obtenidos. La secci´n 4 se ocupa de los datos a e o econ´micos. a Por otro lado.

769 500.000 645.SARRIKO-ON 8/09 Indicador 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 Tama˜o n 55 59 60 60 60 65 65 70 70 70 75 77 80 80 80 83 85 91 92 100 100 100 100 100 100 Precio 210. que representa conjuntamente ıa a el precio y el tama˜o de cada piso.600 456.000 522.600 272.650 273.520 366. Un econ´metra de 50 m o podr´ ayudar a dar respuesta a estas cuestiones. en metros cuadrados h´biles.000 A reformar no no no no no no si no si no si no si no si no no si no no no no si si no Tabla 1.000 150.658 216.314 A reformar no no no si no si si no no si si no si si no no si no si no si no no no si Econometr´ B´sica Aplicada con Gretl ıa a Indicador 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 Tama˜o n 110 110 115 125 135 135 140 150 150 150 150 160 180 180 180 190 195 200 200 230 230 240 240 245 250 Precio 476.364 402.384 246.000 228.1. Esta relaci´n se puede trasladar a un modelo util para responder a las preguntas que o ´ planteamos.000 961.000 751.1: Datos sobre precio de vivienda ocupada los siguientes datos sobre 50 pisos en venta en el centro de una ciudad: • Precio del piso.643 619.304 369. 6 + 360.530 240.000 312.204 570.931 691. e e 2 .415 255.660 504.300 360. Las t´cnicas econom´tricas nos permiten cuantificar.265 583.400 691. ¿qu´ podemos decir si se tratara de un piso de 90 m2 a reformar? ¿O de un piso e 2 reformado? No tenemos datos para replicar el procedimiento anterior.400 278.1.607 570. se ve un patr´n o relaci´n estable entre tama˜o de un piso y n o o n su precio. En el Gr´fico 1. dir´ m ıamos que el piso parece caro ya que su precio supera el promedio de precios de los pisos de estas caracter´ ısticas incluidos en la muestra: 402. en miles de euros.000 738. • Tama˜o del piso.000 841.253 625. a Estos datos aparecen en la Tabla 1.354 309. 504 miles de euros 4 Sin embargo.400 1051. 607 + 570 + 480.800 366.850 715.460 155.253 352.800 390.000 480. En base a esta informaci´n.000 1110.992 841.809 186.200 811.569 390.417 588. n a • Estado del piso: si necesita reforma o est´ para entrar a vivir.617 299.620 661. si nos ofrecen un piso de 100 o 2 reformado a un precio de 525000e.000 298. 809 = 453. a partir del modelo y los datos.000 552.

El instruo o e mento b´sico es el modelo. que ayuda a entender las relaciones entre variables econ´micas y a o sirve para evaluar los efectos de distintas medidas o pol´ ıticas econ´micas. (2) conıa o frontar la teor´ econ´mica con los datos y contrastar hip´tesis relativas al comporıa o o tamiento econ´mico. la matem´tica. instrumentos matem´ticos y metodolog´ estad´ o a ıa ıstica. y (3) predecir el comportamiento de variables econ´micas.2. la econometr´ se distingue por la unificaci´n de teor´ ıa o ıa econ´mica. la econometr´ se ocupa de (1) estimar relaciones econ´micas. por ejemplo: La estimaci´n del precio medio de un piso a reformar de 90 m2 es de 297350 o euros. la estimaci´n del precio medio se incrementa a o en m´s de 100000 euros. la econometr´ se ocupa de la aplicaci´n de m´todos ese ıa o e tad´ ısticos a la econom´ A diferencia de la estad´ ıa. la estad´ ıa o a ıstica y los m´todos computacionales. si se trata de un piso reformado. como e o o resultado. En t´rminos m´s e a generales. Algunos ejemplos en o los que la Econometr´ puede ser de utilidad son los siguientes: ıa • Un analista del mercado de activos puede estar interesado en analizar y cuantificar la relaci´n entre el precio de un activo y distintas caracter´ o ısticas de la empresa que ofrece ese activo as´ como del estado general de la econom´ ı ıa. poder realizar predicciones de la evoluci´n futura del fen´meno de inter´s. Es una materia interdisciplinar que utiliza o la teor´ econ´mica. 3 .Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 la influencia que tiene el tama˜o del piso o su estado en el precio del mismo. Adem´s. En palabras e de Ramanathan (2002): En t´rminos sencillos. aunque el precio puede oscilar entre 152711 y 441989 euros a un nivel de confianza del 90 %. siendo factibles precios entre 210521 y 556639 euros. que es princio palmente datos estad´ ısticos. • Los directivos de una empresa el´ctrica pueden estar interesados en analizar los factores e que afectan a la demanda de electricidad.1. ¿Para qu´ sirve la Econometr´ e ıa? El objetivo de un estudio econom´trico es comprender mejor un fen´meno econ´mico y. a 1200 1100 1000 900 precio (miles euros) 800 700 600 500 400 300 200 100 50 100 150 Superficie (m2) 200 250 Gr´fico 1. La respuesta podr´ n ıa ser. ıstica econ´mica. o o 1.1: Diagrama de dispersi´n superficie-precio de pisos a o La Econometr´ es una rama de la Econom´ que utiliza la estad´ ıa ıa ıstica para medir o cuantificar las relaciones existentes entre variables econ´micas.

SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a • El grupo de grandes superficies comerciales puede estar interesado en cuantificar el efecto de distintos niveles de publicidad sobre sus ventas y sus beneficios. Adem´s. para: • Analizar si el endurecimiento de las penas. regionales o europeas. analizar las posibles medidas a tomar. legalizar los matrimonios u entre personas del mismo sexo. le interesa conocer cu´l va a ser la evoluci´n e a o de los tipos de inter´s. a o u • Analizar cu´l puede ser el efecto sobre los votantes en las pr´ximas elecciones de una detera o minada medida. estudiando cu´les pueden ser los efectos de dichas medidas. en segundo lugar. Los comienzos de la Econometr´ pueden situarse en la d´cada de los treinta del siglo pasado. o e • Si un organismo quiere implementar pol´ ıticas para corregir. etc. ıa e Su coincidencia en el tiempo con la Gran Depresi´n no es casual: como consecuencia de ´sta. a • Un gobierno regional puede necesitar previsiones sobre la evoluci´n de la poblaci´n para o o planificar la necesidad de servicios sociales y las necesidades de financiaci´n que conllevan. a la mayor disponibilidad y calidad de los datos y al desarrollo de los m´todos de computaci´n. en la reducci´n del n´mero de muertes en accidentes de tr´fico. • Analizar si las medidas restrictivas sobre la publicidad de tabaco y alcohol reducen el consumo de estos productos. o • Analizar la efectividad de las medidas de seguridad vial. como la introducci´n de la pena de muerte. la discriminaci´n o salarial por sexo. • Estudiar si hay diferencias en el voto dependiendo de si se trata de elecciones locales. por ejemplo. Entre ellos destaca Keynes. que defend´ la intervenci´n del gobierno en la actividad ıa o econ´mica para mitigar estas crisis. o a problemas macroecon´micos con objeto de asesorar a los gobiernos en la implantaci´n de o o pol´ ıticas econ´micas. o u a • Predecir los resultados de una competici´n deportiva como. los tipos de inter´s. o e los economistas de la ´poca estaban interesados en poder predecir los ciclos econ´micos que e o observaban. las exportaciones e importaciones. por ejemplo. o • Si una persona quiere contratar un pr´stamo. o Tambi´n debe tener informaci´n precisa sobre su capacidad de financiaci´n. entre otras razones. etc. el n´mero de o u goles que marcar´ la selecci´n de Inglaterra en un mundial de f´tbol. como el carnet por puntos. e En los ultimos a˜os hemos asistido a una mayor difusi´n y utilizaci´n de los m´todos econom´tri´ n o o e e cos gracias. prohibir fumar en lugares p´blicos. Por ejemplo. • El servicio de estudios del Ministerio de Econom´ y del Banco de Espa˜a o del Banco ıa n Central Europeo quiere analizar el impacto de las pol´ ıticas monetarias y fiscales sobre el desempleo. por ejemplo. la inflaci´n. en primer lugar debe conocer cu´les son los principales factores determia nantes del problema y. o 4 . As´ los primeros econ´metras se ocuparon de dar respuesta o ı. o tiene como consecuencia la disminuci´n de la tasa de criminalidad. la aplicaci´n de la Econometr´ no se restringe al e o a o ıa a ´mbito estrictamente econ´mico. sino que proporciona procedimientos de estudio de datos que o pueden aplicarse al campo de las Ciencias Sociales. por lo que le e o o interesa disponer de predicciones relativas a la recaudaci´n impositiva.

Se trata de proporcionar al alumno las e herramientas necesarias para que sea capaz de llevar a cabo un proyecto aplicado. Hoy d´ una persona que disponga de un o ıa. al final del curso. si se trata de conocer la situaci´n del mercado inmobiliario en una ciudad. Podemos encontrar problemas como la ausencia de alg´n dato. Y . de Boer. Franses. el precio de los pisos dado un tama˜o. en media. El siguiente paso es la estimaci´n de los par´metros desconocidos de la distribuci´n y que o a o son de inter´s para el an´lisis. estos m´todos no pod´ reproducirse mim´ticamente e ıan e en el ´mbito econ´mico. no siempre es sencillo obtener los datos relevantes para el an´lisis. Un estudio econom´trico e Uno de nuestros objetivos espec´ ıficos es que. a u cambios en la definici´n de una variable. o • Formulaci´n y estimaci´n del modelo. tener una cantidad o e insuficiente de datos o no disponer de informaci´n relativa a una variable. fallos en el m´todo de recogida. econom´trico consta de las siguientes etapas. se aplicaron a los datos econ´micos m´todos estad´ o e ısticos que ya hab´ sido utiıan lizados en ciencias naturales. En e e a estas notas ponemos mayor ´nfasis en la parte aplicada. Sin embargo. ordenador en su casa puede llevar a cabo un peque˜o proyecto econom´trico. Al formular el modelo hemos u elegido la forma funcional de la relaci´n entre las variables y la naturaleza estoc´stica de o a la variable de inter´s o end´gena. σ 2 ) Es decir. depende de su tama˜o. a o • Recolecci´n de datos estad´ o ısticos relevantes para el an´lisis. interesan los par´metros e a a 5 . En el ejemplo anterior. se distribuye alrededor n de su media α + β100 seg´n una normal de varianza σ 2 . ıa han desarrollado dos grandes ´reas: la econometr´ te´rica. Kloer y Dijk (2004): e • Formulaci´n del problema. su tama˜o y otras caracter´ n ısticas que pueden influir en su precio (ver Tabla 1. Por ejemplo. As´ en la econometr´ se o ı. a determinar qu´ variables est´n ıa o e a involucradas y cu´l puede ser la relaci´n entre ellas. podemos plantearnos la siguiente o pregunta: ¿cu´l es el precio de los pisos en esa ciudad y qu´ factores lo determinan? La a e teor´ econ´mica puede ayudarnos a enfocar el problema. As´ un estudio n e ı.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 En un comienzo. es f´cil a a recolectar datos sobre el precio de pisos. es indispensable dedicar tiempo al conocimiento de los m´todos e instrumentos b´sicos del an´lisis e a a econom´trico. Para ello. que se a ıa ocupa de utilizar estos m´todos para responder a los problemas de inter´s en la pr´ctica. Se trata de determinar la cuesti´n de inter´s. e o a 1. ya que son el requisito previo para una buena aplicaci´n pr´ctica. X. De la uni´n de las teor´ y cuestiones planteadas o o o ıas en la primera etapa con los datos se llega a un modelo econom´trico. Debemos plantear o o e de forma precisa las preguntas que nos interesa responder. El objetivo es obtener un modelo relevante y util e o ´ para dar respuesta a nuestros objetivos. el estudiante debe ser capaz de estructurar y desarrollar un trabajo de investigaci´n.1). Los resultados del an´lisis van a depender en gran a medida de la calidad de los datos. cuyo objetivo es desarrollar m´todos a ıa o e de estudio y an´lisis de datos y determinar sus propiedades.3. y la econometr´ aplicada. sino que hab´ que adaptarlos o desarrollar nuevos m´todos de acuerdo a o ıa e a las caracter´ ısticas propias que poseen las variables socioecon´micas. Y . Un n posible modelo econom´trico que recoge esta teor´ es: e ıa Y |X ∼ N (α + βX. por ejemplo 100 m2 . e podemos plantear que. En el ejemplo del precio de los pisos. el precio de un piso. Heij . Sin embargo. Por ejemplo.

Una vez obtenido un modelo correcto.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a de su media. manteniendo las mismas condiciones o alterando ala gunas como las dosis o el grado de humedad.4. e Dado que para la realizaci´n de un proyecto econom´trico es necesario conocer d´nde obtener o e o los datos y manejar un software espec´ ıfico de an´lisis econom´trico. al igual que otros investigadores del campo de las Ciencias Sociales. Un curso introductorio de Econometr´ e ıa. Consiste en o una serie de contrastes diagn´sticos que valoran si el modelo est´ correctamente especifio a cado. se utiliza para responder a o las cuestiones de inter´s. una mala selecci´n del modelo e o tambi´n influye en la validez de las estimaciones. se suele centrar en el estudio del modelo de regresi´n lineal y su estimaci´n o o mediante m´ ınimos cuadrados ordinarios. α y β. Los datos obtenidos de experimentos controlados son t´ ıpicos de las Ciencias Naturales y se conocen como datos experimentales. 1. para analizar el efecto de un fertilizante. como los realizados en o laboratorios. a • An´lisis del modelo. La elecci´n entre uno u otro depende de las proe o o piedades del modelo econom´trico seleccionado. En la interpretaci´n de a o los resultados de estimaci´n es importante tener en cuenta que no conocemos el valor de o los par´metros. si los supuestos realizados son v´lidos. y que no es controlable por una o varias personas. • Aplicaci´n del modelo. no esperamos que el resultado. controlando tambi´n el grado de humedad o la luz que recibe cada planta. por ejemplo. etc. se conocen como datos no experimentales. e Adem´s. vamos a extendernos un a e poco en estos dos puntos. La estimaci´n consiste en utilizar los datos y toda la informaci´n o o relevante para aprender algo sobre los par´metros desconocidos. En un experimento controlado. Los datos que son resultado de un proceso que tiene lugar en la sociedad. Es decir. Por ejemplo. si la relaci´n lineal entre ambas variables es correcta. como este. Se trata de estudiar si el modelo elegido es adecuado para recoger el a comportamiento de los datos. sea id´ntico entre experimentos porque las semillas utilizadas son distintas o porque hay e peque˜os errores de medida. Estas diferencias naturales en los resultados de los experimentos se n conocen como variaciones muestrales. podemos aplicar distintas dosis de fertilizante sobre un conjunto de sembrados. se modifica el modelo a en base a los resultados obtenidos en los contrastes. el crecimiento de las plantas. por lo que unicamente vamos a hacer afirmaciones del tipo “con un 95 % de a ´ confianza. el investigador tiene control sobre las condiciones del estudio. Si es necesario. Los datos y su manejo ¿C´mo se obtienen datos econ´micos? No proceden de experimentos controlados sino que los o o economistas. Esta caracter´ ıstica ha sido un factor importante en el desarrollo de las t´cnicas e econom´tricas y debemos tenerlo en cuenta en la interpretaci´n de los resultados. aunque las cantidades elegidas sean exactamente las mismas. el aumento del impuesto sobre carburantes no afecta al consumo de gasolina”. e o 6 . es decir. se puede repetir el experimento. si es correcto asumir que el tama˜o del piso n influye en su precio. que son instrumentos sencillos y muy utiles en la ´ pr´ctica. obtienen los datos de la observaci´n de la realidad. Por ejemplo. Obviamente. Existen muchos m´todos de estimaci´n.

Tambi´n es posible tener una combinaci´n de datos de secci´n cruzada y e o o series temporales. o Por ejemplo. el n´mero mensual de afiliaciou nes a la Seguridad Social o el valor diario del IBEX35. Algunos organismos que publican datos macroecon´micos son: o • Instituto Vasco de Estad´ ıstica (EUSTAT): http://www. por ejemplo. a Una tercera clasificaci´n se establece en funci´n del nivel de agregaci´n. y datos cualitativos.es. Una segunda clasificaci´n distingue entre datos de series temporales y datos de secci´n cruzada. familias o empresas. Ejemplos de datos temporales son el Producto n Interior Bruto (PIB) de la Contabilidad Nacional trimestral. En este curso ıses nos centraremos en el an´lisis de datos de secci´n cruzada. 1. los resultados de la encuesta de poblaci´n activa. Los segundos se refieren a valores que toman diferentes agentes en un momento del tiempo. la Contabilidad Nacional Trimestral de Espa˜a. como a˜os.ine. Tambi´n publica el Bolet´ ese ın tad´ ıstico mensual y el Bolet´ de coyuntura mensual. las puntuaciones obtenidas por los estudiantes de Econometr´ ıa en los cursos 2004-05. Adem´s. trimestres o meses. que aparecen como categor´ o atributos.es → Estad´ n ısticas.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Clasificaci´n de los datos econ´micos.htm.eustat. Los seis primeros temas de este curso se o centran en el an´lisis de datos cuantitativos. Sin embargo.ine. Cuando se encuesta a los mismos individuos a lo largo del tiempo.es → Inebase o Banco tempus. El tema siete considera situaciones en las que alg´n a u factor explicativo es cualitativo. Los datos macroecon´micos o macrodatos son los datos referidos a ciudades.es/inebmenu/mnu cuentas. el salario medio en cada o sector industrial en el 2006 o el gasto realizado en libros de texto por un conjunto de familias en septiembre pasado. la profesi´n o el estado de un piso.1. 7 . regiones o naciones que son resultantes de la agregaci´n sobre agentes individuales. Una primera clasificaci´n distingue entre datos a o cuantitativos. 2005-06 y 2006-07. Los datos econ´micos pueden ser de diferentes tipos. en enlaces se encuentran a otras p´ginas web de servicios estad´ a ısticos. esta tarea se ha visto favorecida en o los ultimos a˜os por la mejora en la recogida de datos y el hecho de que muchos organismos ´ n permiten acceder a sus bases de datos en la World Wide Web. Fuentes de datos Encontrar y recopilar datos no es siempre sencillo. normalmente regulares. aqu´llos que toman valores num´ricos dentro de un rango de valores. Est´n disponibles. por ejemplo. por ejemplo.htm. elaborada por o o el INE y publicada en http://www. como precio e e o tama˜o de un piso. la Cona o tabilidad Nacional o el bolet´ estad´ ın ıstico mensual. o o Los primeros se refieren a observaciones recogidas en sucesivos momentos de tiempo.es/prodyser/micro epa.bde. como son los resultados de la Contabilidad Nacional. elaborada tambi´n por el INE y n e publicada en http://www. Se conocen como datos o o o microecon´micos o microdatos los referidos al comportamiento de agentes econ´micos como o o individuos. • Banco de Espa˜a: http://www. Las t´cnicas que utilicemos tambi´n a o e e se pueden aplicar en series temporales. la poblaci´n desempleada o en el a˜o 2005 en cada uno de los pa´ n ıses de la Uni´n Europea (UE).ine. como por n ıas ejemplo el sexo. o o o lo que va a determinar el an´lisis que realicemos. se conocen con el nombre de datos de panel o datos longitudinales. Un ejemplo es la Encuesta de Poblaci´n Activa.4. como la tasa de paro y el crecimiento del PIB desde 1990 hasta 2006 para los 25 pa´ de la UE. ın • Instituto Nacional de Estad´ ıstica (INE): http://www. En ocasiones es muy costoso coleccionar los datos adecuados a la situaci´n y manejarlos. aunque en ocasiones su estudio es m´s complejo.

elaborado en la Universidad British of Columbia (Canad´). El papel de Eurostat es consolidar los datos y asegurarse de que son comparables utilizando una metodolog´ ıa homog´nea. boletines estad´ ısticos e informativos. incluye t´cnicas a e para estimar muchos tipos de modelos econom´tricos. las hojas de c´lculo. Tambi´n da acceso a bases de datos a e muy amplias. se encarga de verificar y o analizar los datos nacionales recogidos por los Estados Miembros. M´s informaci´n se puede obtener e a o en http : //shazam. • RATS.4. muy f´cil de utilizar.2.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a • EUROSTAT: Es la Oficina Estad´ ıstica de la Uni´n Europea.estima. acr´nimo de Gnu Regression. Es software libre. acr´nimo de Regression Analysis of Time Series. Existen en la actualidad un amplio conjunto de paquetes para el an´lisis econom´trico que realizan complejas operaciones mediante unas instrucciones muy a e sencillas.ca\.int/comm/eurostat. • Gretl. • Fondo Monetario Internacional (FMI): http://www. tanto de organismos p´blicos. un debugger y la habilidad de correr programas guardados en archivos de o 8 . statistics. Algunos de los m´s populares en los cursos de Econometr´ son: a ıa • EViews. Para obtener datos sobre un amplio conjunto de pa´ ıses tambi´n se puede consultar su publicaci´n Estad´ e o ısticas Financieras Internacionales (mensual y anual). La informaci´n en t´rminos de tablas estad´ e o e ısticas. a la vez que ha facilitado su manejo. • Organizaci´n para la Cooperaci´n y Desarrollo Econ´mico (OCDE): http://www. como el Banco de Espa˜a. contiene una amplia gama de t´cnicas de an´lisis econom´trico. Est´n disponibles algunas series de las publicaciones Main a Economic Indicators (mensual) o Comercio internacional.econ. como EXCEL.oecd. Consiste en un lenguaje. elaborado por Allin Cottrell (Universidad o ıa Wake Forest). software libre para c´mputo estad´ o ıstico y gr´ficos.org. En este curso utilizaremos principalmente los datos incluidos en o Ramanathan (2002). Su p´gina web con la informaci´n del programa es a a o http : //www. • SHAZAM.eu. Si los datos est´n disponibles en papel. Sin embargo. que est´n accesibles como archivos de muestra en Gretl. El software econom´trico e El desarrollo de los ordenadores ha permitido almacenar una gran cantidad de datos. Contiene una amplia gama de o t´cnicas de an´lisis econom´trico con especial dedicaci´n al An´lisis de Series Temporales. Econometric and Time Series (Biblioteca Gnu de o Regresi´n Econometr´ y Series Temporales). Muchos manuales de Econometr´ incluyen una base de datos que se analizan en el texto coıa mo ilustraci´n a la materia.com. como de ejemplos u n recogidos en textos de Econometr´ ıa.eviews.imf. desarrollado por Quantitative Micro Software. e a e o a Su web es: http : //www.com • R. en general es conveniente utilizar programas econom´tricos espec´ e ıficos. un entorno a de ejecuci´n.org. incluso documentos de trabajo papers se puede encontrar en la direcci´n: o http://europa.ubc. o o o Statistical portal. Muchos manuales de Econometr´ contienen un CD e a e ıa con ejemplos pr´cticos en Eviews. donde se puede ejecutar el programa remotamente. son un a a instrumento sencillo para introducir y preparar los datos y realizar operaciones sencillas. a 1.

P´gina n a web: http : //www. En la p´gina a a http : //gretl.sourcef orge. o o El manual.net/gretl− espanol. Por su sencillez y accesibilidad.org Un objetivo de este curso es que el estudiante se familiarice con el uso de programas econom´trie cos. en ingl´s. en este curso introductorio se utiliza el programa Gretl para estudiar casos pr´cticos.html se encuentra toda la informaci´n en castellano relativa a la instalaci´n y manejo del programa. Stock y Watson (2003). Greene (2008).html en la opci´n textbook datasets. Verbeek (2004). Este curso se estructura sobre casos pr´cticos presentados en o a Ramanathan (2002) y en Wooldridge (2003) y ejercicios a resolver con ayuda de Gretl.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 tipo script. Ramanathan (2002). se encuentra en la carpeta en/. Gue jarati (1997). e Junto con el programa se pueden cargar los datos utilizados como ejemplos de aplicaciones econom´tricas en los siguientes libros de texto Davidson y Mackinnon (2004). Wooldridge (2003).r − project.sourcef orge. Al instalar Gretl autom´ticamente se cargan los datos utilizados en Ramanathan (2002) y Greene a (2008). La uni´n o de teor´ y pr´ctica permiten al alumno un autoaprendizaje tanto de los contenidos b´sicos del ıa a a curso de Econometr´ B´sica como de la utilizaci´n del software Gretl. Su dise˜o fue influenciado por dos lenguajes existentes: S y Scheme. ıa a o 9 . El resto se pueden descargar de la p´gina: a http : //gretl.net/gretl− data.

Completamos la informaci´n o o que va solicitando el programa: • • • n´mero de observaciones.2: Pantalla inicial de Gretl a Como todav´ no se ha cargado ning´n fichero. o Si el paso anterior se ha realizado correctamente. introducir los datos de la Tabla 1. En este caso. Introducci´n a Gretl o La primera sesi´n con el programa Gretl consiste en una pr´ctica guiada en la que se aprender´ a o a a crear un fichero. por lo que a a vamos a la opci´n Archivo → Nuevo conjunto de datos Control+N.1 se incluyen 50 pisos. ´ ı En la siguiente ventana escribimos el Nombre de la primera variable. y pinchamos sobre ella con la tecla izquierda del rat´n. por ejemplo la primera. No se pueden utilizar la letra n. acentos ni m´s de 15 caracteres para nombrar a las ˜ a variables. Los datos a analizar no est´n incluidos en la base de Gretl.5. 55. de modo que en la pantalla aparece: a • • Gr´fico 1. tras teclear la cifra. por lo que esta opci´n no permite corregir un error en el n´mero de observaciones. a Preparaci´n del fichero. varias opciones del men´ principal.1 y realizar un an´lisis descriptivo. Al ejecutar Gretl. o u En la ultima ventana marcaremos S´ queremos empezar a introducir los datos.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 1. Tras Aceptar. en la Tabla 1. damos a la tecla o 10 . aparece la siguiente ventana principal: o Gr´fico 1. vamos a la celda correspondiente. Al pinchar en Atr´s se recupera s´lo la ventana de tipo de a o datos. confirmamos la estructura del conjunto de datos pinchando en Aceptar.3: A˜adir datos: hoja de c´lculo de Gretl a n a Para incluir los datos de la variable m2. por ejemplo m2. se abre una hoja de c´lculo. u El tipo de datos que utilizamos. ıa u u no est´n disponibles. Pinchar en Aceptar. marcamos de secci´n cruzada y Adelante. en gris claro.

pisos. o Podemos a˜adir m´s variables con la opci´n Variable →A˜adir del men´ de la hoja de c´lculo.gdt. por ejemplo. En el siguiente cuadro a˜adimos el o u n directorio y el nombre del fichero de datos. Las series creadas deben aparecer as´ en ı la pantalla: ¡OJO! Gr´fico 1. fila 1.xls se encuentran las variables m2 y precio de la Tabla 1. n a o n u a Por ejemplo. m2 y precio. . hay que pinchar en Aceptar. s´lo hay que pinchar dos o o o veces sobre el fichero. Esta variable es cualitativa. Para a˜adir las dos variables. Una vez que se han incluido todos los datos. Para comprobar si no hay errores en los datos vamos a Datos →seleccionar todos y luego activamos la hoja de c´lculo mediante Datos →Editar valores o bien mostramos los datos en a pantalla con Datos →Mostrar valores →Todas las variables. Por defecto. En este caso la variable precio empieza en la celda B1.xls. vamos a Aplicar y Cerrar la hoja de c´lculo. . Con frecuencia. Por ejemplo. en este caso en el primer dato de 60 m2 . o u n • Dar el nombre y ubicaci´n del fichero EXCEL. fila 1. la segunda observaci´n de 59 m2 . a a en el fichero EXCEL pisos. . Si no hab´ a ıamos guardado los ultimos cambios realizados. hay que: • Utilizar la opci´n del men´ principal Archivo →A˜adir datos →EXCEL . los datos est´n almacenados en otra hoja de c´lculo. al cerrar la hoja de c´lculo ´ a aparece un cuadro que nos pide confirmar los cambios. A˜adir n los datos de precio al fichero de Gretl es muy sencillo. por lo que asociamos a la situaci´n a reformar = s´ el valor 0 y a la otra opci´n. Se crea una nueva fila en blanco por encima de la anterior. Para usar estos datos en una sesi´n posterior. creamos una nueva variable que denominamos Reforma. Para guardar las modificaciones en la sesi´n de trabajo hay que pinchar en Aplicar. y vamos a observaci´n o →insertar obs. comenzar´ n ıamos a importar datos en columna 1. nos u o situaremos en la fila posterior. a reformar = o ı o no el valor 1. donde est´ su nombre. pisos.4: Fin de carga de datos con hoja de c´lculo a a Es recomendable guardar los datos ya incorporados en un fichero de datos Gretl mediante la opci´n del men´ principal Archivo →Guardar datos. Debe aparecer la siguiente ventana: 11 .Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Entrar. como EXCEL. o • Dar la celda a partir de la cual hay que empezar a importar los datos. grabar´ los datos a con la extensi´n gdt. Una vez abierto el fichero pisos. e importaremos los datos a desde columna 2. Si por error no tecleamos alg´n dato. por ejemplo.1. Finalmente.

6). valor 1 si est´ reformado a a Marcamos con el rat´n la variable y vamos a Variable→editar atributos. El cuadro siguiente en o el apartado descripci´n escribimos el texto y pinchamos en Aceptar (ver Gr´fico 1. uno general y otro n o espec´ ıfico de cada variable. nos interesa incluir notas explicativas del trabajo ya realizado.6: Cuadro de descripci´n de variables a o Las etiquetas descriptivas son utiles para saber la fuente de datos o las unidades de medida. o a Gr´fico 1. en la pantalla de Gretl aparece el nombre del fichero sin el asterisco *. los almacenamos en el mismo fichero pisos. Una vez guardadas las modificaciones.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a ¡OJO! * = LOS CAMBIOS NO SE HAN GUARDADO Gr´fico 1. Por ´ ejemplo. a˜adiremos n la nota informativa sobre la interpretaci´n de la variable Reforma: o Valor 0 si el piso est´ para reformar.5: Fichero con datos de tres variables a Una vez que los datos se han cargado correctamente. En Gretl es posible a˜adir esta informaci´n en dos apartados. Al crear un fichero.gdt pinchando en Archivo →Guardar datos. para la variable precio y m2 a˜adiremos las siguientes etiquetas descriptivas: n 12 . Notas explicativas. Es posible a˜adir una breve descripci´n de cada variable y que n o aparezca como etiqueta descriptiva junto con el nombre de la variable. Por ejemplo.

n 1 13 . El an´lisis descriptivo de una unica variable que proporciona Gretl se encuentra en descriptivos a ´ la opci´n variable del men´ principal. Datos utilizados en el tema 1 de An´lisis de regresi´n con Gretl a o Finalmente. pinchamos con la tecla derecha del rat´n sobre la variable precios y vamos a Gr´fico de frecuencias. la opci´n Datos →Ver descripci´n permite visualizar la informaci´n de la estructura o o o del conjunto de datos junto con las notas explicativas a˜adidas. En primer lugar. Si todo el proceso se ha realizado n correctamente. obtendremos una primera idea de las relaciones existentes entre las variables. por ejemplo. Para ello se utilizan gr´ficos y n´meros-resumen conocidos como estad´ a u ısticos 1 . El objetivo del o an´lisis descriptivo es resumir un conjunto de datos. Si. Se trata o u a de un diagrama de barras que en el eje horizontal o abscisa representa los valores de la variable divididos en intervalos. sintetizaremos la informaci´n de cada una de a o las variables y en una segunda etapa. aparece el cuadro de opciones o a del histograma en la que fijamos: Este apartado es un resumen de los conceptos m´ ınimos relevantes. cuya superficie refleja el n´mero u de observaciones que pertenecen a dicho intervalo. Explicaciones m´s detalladas se encuentran a en manuales como Pe˜ a y Romo (1997). por ejemplo.7: Fichero con descripci´n de variables a o 1. extrayendo las caracter´ a ısticas e informaci´n o m´s relevante para el estudio. que aparece con la opci´n del men´ auxiliar Gr´fico de frecuencias. vamos a obtener una visi´n general de los mismos. Sobre cada intervalo se dibuja una barra. un resumen de este an´lisis se obtiene en el men´ auxiliar o u a u que aparece al pinchar con la tecla derecha del rat´n sobre la variable. en pantalla debe aparecer el siguiente cuadro: LOS ÚLTIMOS CAMBIOS SE HAN GUARDADO Gr´fico 1. An´lisis descriptivo de una variable a Una vez incorporados los datos.Econometr´ B´sica Aplicada con Gretl ıa a Variable precio m2 Etiqueta descriptiva Precio de pisos en miles de euros Tama˜o de pisos en metros cuadrados n SARRIKO-ON 8/09 Nombre a mostrar en gr´ficos a Precio (miles euros) Superficie (m2) La opci´n Datos →Editar informaci´n da lugar a un cuadro que permite a˜adir texto informao o n tivo.5.1. o El gr´fico m´s utilizado para resumir datos de secci´n cruzada de una unica variable econ´mica a a o ´ o es el histograma.

postcript.05 0 0 200 400 600 precio 800 1000 1200 Gr´fico 1.15 0. los valores m´ ´ ınimo y m´ximo a que toma la variable en el conjunto de datos. hay que o marcar la variable correspondiente e ir a la opci´n Variable →Distribuci´n de frecuencias.1 0. etc). una vez cerrada la ventana del gr´fico. respectivamente. a a a se despliega un men´ auxiliar que permite hacer cambios en el gr´fico (editar ) o guardarlo en u a diversos formatos (portapapeles. a continuaci´n.8. La opci´n guardar a sesi´n como icono guarda o o el gr´fico a lo largo de la sesi´n de Gretl. Si pinchamos sobre el gr´fico. Por o o ejemplo. siendo N el n´mero de observaciones. se eligen de manera que el punto central o marca de clase de los intervalos primero y ultimo sean. en este caso 50. u Valor m´ ınimo intervalo izquierdo y grosor del intervalo: todos los intervalos deben tener la misma amplitud. que es un n´mero entero pr´xiu √ u o mo a N .9: Iconos de la sesi´n a o Para ver la tabla con la distribuci´n de frecuencias representada en el histograma. Por defecto. la tabla de distribuci´n de frecuencias de la variable precio es: o 14 .25 Frecuencia relativa 0. pinchando dos veces o o en el icono gr´fico 1. Es decir. se a o a recupera pinchando en el cuarto s´ ımbolo de la barra de herramientas situada en parte inferior derecha de la ventana principal (vista iconos de sesi´n) y. 0.2 0.SARRIKO-ON 8/09 • • Econometr´ B´sica Aplicada con Gretl ıa a N´mero de intervalos: Por defecto aparecen 7 intervalos. a BARRA DE HERRAMIENTAS Gr´fico 1.8: Histograma de frecuencias relativas a Usando las opciones est´ndar de Gretl obtenemos el Gr´fico 1.3 0.

en el conjunto de pisos que estudiamos.15 .04 >= 1030. Si a la frecuencia relativa de un intervalo se le suman las frecuencias relativas de los anteriores se obtiene la frecuencia relativa acumulada hasta cada intervalo.00% 60. mientras que la asimetr´ y exceso de curtosis son medidas de forma o ıa de la distribuci´n.2: Distribuci´n de frecuencias del precio de 50 pisos o En la primera columna aparecen los intervalos en que se han dividido los valores que toma la variable precio y la segunda incluye el punto medio o marca de clase del intervalo.0 1110.3: Estad´ ısticos descriptivos del precio de 50 pisos Esta ventana tiene un nuevo men´. Con estas frecuencias o se ha construido el histograma anterior.858.V.68052 -0.06 . que aparece en la columna acum.0 frecuencia rel 6 12. los 15 pisos con precio en el intervalo [230.=237. 12. es decir.68 150. desv. 390.t´p. Variable →Estad´ u ısticos principales.25 1110. La o media y la mediana son medidas de posici´n.00% 2 4. Asimetr´a ı Exc.190) constituyen el 30 % del total de los 50 pisos.0 Desviaci´n t´pica o ı C.23 . El resultado para la variable precio es la Tabla 1. de curtosis 237. la altura de la segunda barra del histograma es la frecuencia relativa asociada en tanto por uno.19 310.00% acum.3: Estad´sticos principales.15 470.48466 0. Por ejemplo. como todos los intervalos son de igual amplitud.00% 9 18. La columna.23 150.86 466.550. usando las observaciones 1 . media = 489.17 550.390.13 710.19251 Tabla 1.00% 11 22. Y. Latex o simplemente.08 870. Estos estad´ ısticos descriptivos reflejan algunas caracter´ ısticas de la distribuci´n recogidas en el histograma. contiene la frecuencia relativa de cada intervalo. o 15 .Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Distribuci´n de frecuencias para precio. el n´mero u de pisos con precio en ese intervalo. como aparece en pantalla (Texto plano).00% 82.50 ı para la variable ’precio’ (50 observaciones v´lidas) a Media Mediana M´nimo ı M´ximo a 489. la desviaci´n t´ o o ıpica y el coeficiente de variaci´n o son medidas de dispersi´n.11 630.00% 94.232. rel.00% 100.710.870. 0.00% 42.1 hay 15 pisos cuyo precio se encuentra entre 230232e y 390190e. en la Tabla 1. observaciones 1-50 n´mero o u de cajas = 7. la fracci´n de observaciones que hay en cada tramo. es decir.00% 6 12. Por ejemplo.11 .00% 15 30.21 390.3.00% 96.00% **** ********** ****** ******* **** * Tabla 1.25 230.06 790. un 42 % de ellos tiene un precio inferior a 390190e. es decir. La descripci´n num´rica de una variable se encuentra en la opci´n del mismo men´ auxiliar o e o u Estad´ ısticos descriptivos o en el men´ principal. La columna frecuencia es lo que se conoce como frecuencia absoluta de un intervalo.19 .0 950. La opci´n Copiar permite importar la tabla a un fichero u o MS Word.00% 1 2.42 0. Por ejemplo.416 ı intervalo punto medio < 230.1030.

75 miles de euros. la media. = ∗ Sx |¯| x si x = 0 ¯ 16 . que es la ra´ cuadrada positiva de la varianza. . S ∗2 o Sx . Para valorar la representatividad de este unico valor se utilizan las medidas de dispersi´n. . Por ejemplo. que informan de si las observaciones est´n ´ o a poco concentradas (o muy dispersas) alrededor de su centro. tenemos que el recorrido de los precios es 1110-150.84 miles de euros.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Las medidas de posici´n dan una idea de la situaci´n o centro del conjunto de puntos. lo que se conoce como recorrido. Sin embargo. . . x2 . y se define como: o C. Las medidas de posici´n proporcionan un valor representativo del conjunto de datos que debe o complementarse con una medida del error asociado.V. m´s concentrados estar´n los datos alrededor de la a o e ∗ a ∗ media y ´sta ser´ m´s representativa del conjunto de observaciones. cuanto m´s pr´xima a cero est´ Sx . Si disponemos de N datos de una variable x1 .. Otras medidas se elaboran con todos o los datos. La mediana. no es f´cil comparar su representatividad en dos conjuntos de datos. los extremos. por muy grandes que sean esas variaciones. + (xN − x)2 ¯ ¯ ¯ = N −1 N −1 N (xi − x)2 ¯ i=1 ∗ Por tanto. como: ∗2 Sx = 1 (x1 − x)2 + (x2 − x)2 + . entonces el precio medio aumentar´ en casi 6000 euros. 68 miles de euros. se define como: e x1 + x2 + . . Recorrido = M´ximo . la desviaci´n t´ o ıpica. Gretl calcula la varianza. . o tambi´n momento muestral de primer orden. Una medida sencilla es la diferencia entre los valores m´ximo y m´ a ınimo que toman los datos en la muestra. C.25 = 959. La o o media es el valor promedio.V. que es el valor central de la distribuci´n.M´ a ınimo En el ejemplo. En a general. se calcula seg´n: u ∗ Sx =+ 1 N −1 N (xi − x)2 ¯ i=1 Varianza y desviaci´n t´ o ıpica son medidas de la dispersi´n de los datos alrededor de la media. si el piso n´mero o u 50 tuviera un precio muy alto. La ız varianza de un conjunto de datos se define como un promedio de los cuadrados de las desviaciones ∗2 de los datos a la media. . + xN 1 x= ¯ = N N N xi i=1 La media es un estad´ ıstico poco robusto frente a la presencia de valores extremos: observaciones an´malas van a tener una gran influencia en el valor que tome. posee esta propiedad. As´ la mediana del precio es 466. La ventaja de la desviaci´n t´ o ıpica es que tiene las mismas unidades de medida que la variable original. por ejemplo. al depender Sx e a a de las unidades de medida. . ıa a En general. Esta medida s´lo tiene en cuenta dos valores. xN . Es decir. que es una medida o adimensional de la dispersi´n. o Tiene el valor m´ ınimo cero cuando todos los datos de la variable toman el mismo valor. 1350 miles de euros en lugar de 1051. por ejemplo. interesan estad´ ısticos cuyo valor no var´ mucho ante cambios en los valores de unas ıe pocas observaciones. la desviaci´n t´ o ıpica. o ı. Sx . a Para solucionar este problema se utiliza el coeficiente de variaci´n. situ´ndose en 495.

18 0. 485 < 1.2 0. de curtosis = 1 N N i=1 (xi 4 Sx − x)4 ¯ −3 (1. El proceso es el siguiente: 1. que es el valor de la curtosis de la distribuci´n normal.2 0.1 0.08 0.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 En el ejemplo de precios tenemos que C.25 0. es positivo cuando la cola derecha e (asociada a valores por encima de la media) es m´s larga que la izquierda siendo negativo en a caso contrario.V. Se acompa˜an de las a n medidas de forma. La asimetr´ de una ıa distribuci´n se refiere a si los datos se distribuyen de forma sim´trica alrededor de la media o o e no.14 0.02 0 0 5 10 15 Asimetra positiva 20 25 0 -2 -1 0 1 Asimetra negativa 2 3 Gr´fico 1. Seleccionar las variables de inter´s pinchando simult´neamente la tecla izquierda del rat´n e a o y la tecla Control. Media y desviaci´n t´ o ıpica son los estad´ ısticos-resumen m´s conocidos. El coeficiente de asimetr´ es cero cuando los datos se distribuyen sim´tricamente alrededor de la media. Gretl permite recoger en una unica tabla los estad´ ´ ısticos descriptivos de todas las variables.06 0.10: Tipos de asimetr´ a ıa El coeficiente de curtosis es una medida del apuntamiento de la distribuci´n y se define: o Curtosis = 1 N N i=1 xi − x ¯ Sx 4 = 1 N N i=1 (xi 4 Sx − x)4 ¯ Este coeficiente mide la cantidad de observaciones que se encuentran en las colas en relaci´n con o las situadas alrededor de la media. por lo que consideramos que la media s´ es bastante representativa del o ı conjunto de datos.05 0. observamos que la asimetr´ es positiva. Exc. es decir. ıa lo que se corresponde con una media mayor que la mediana.1) Un exceso de curtosis positivo indica mayor peso de observaciones en la cola y mayor apuntamiento que la distribuci´n normal. En el ejemplo de los precios de los pisos. x > M ediana(X). = 0.12 0. El coeficiente de asimetr´ se define como: ıa Coeficiente de asimetr´ = ıa 1 N N i=1 xi − x ¯ Sx 3 = 1 N N i=1 (xi 3 Sx − x)3 ¯ ∗ con Sx = (N − 1)/N × Sx = ¯2 ıa i (xi − x) /N . que reflejan otras caracter´ ısticas del histograma. mientras que si es negativo indica menor n´mero de observaciones o u en la cola y menor apuntamiento.15 0. ¯ 0. As´ se define el exceso de curtosis como: o ı.16 0. la dispersi´n de los datos es peque˜a o n en relaci´n a su nivel. 17 . Cuando tenemos un conjunto de variables. El nivel de referencia es tres.1 0.04 0.

Por ejemplo.2. usando las observaciones 1 . .00 1. indica desviaci´n t´ o ıpica.42 MEDIANA 105. 59.0000 466. a la que causa el efecto y variable dependiente o o end´gena. .SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 2.34 0. En general. i = 1. que s´lo toma valores 1 ´ 0. dos variables cuantitativas nos interesa estudiar la relaci´n o asociaci´n que existe entre ellas. MIN es m´ ınimo y MAX denota el m´ximo. o As´ con los datos de la Tabla 1. se selecciona la variable de la abscisa. n e Se llama variable independiente o ex´gena.00000 150.48466 MIN 55.CURTOSIS -0.T. para obtener con Gretl el Gr´fico 1. La relaci´n entre estas variables puede estudiarse con gr´ficos o o a o expresarse num´ricamente mediante. al analizar dos (o m´s) o o a variables.19251 Tabla 1.00 1.25 ´ ASIMETRIA 0. Por ejemplo. hay que tener en cuenta que la variable Reforma no es una variable cuantitativa continua.62000 489.77954 -1.0 EXC.68052 MAX 250. podemos seguir uno de a los siguientes pasos: • Ver →Gr´ficos →Gr´fico X-Y (scatter) y en el cuadro Definir el gr´fico marcar: a a a Variable de eje X Elegir −> m2 Variables de eje Y A˜adir −> precio n • O bien seleccionar las variables precio y m2 pinchando simult´neamente la tecla izquierda a del rat´n y la tecla Control e ir al men´ auxiliar. sino una variable cualitativa discreta. podemos establecer una relaci´n de causalidad entre ellas. N en el o a plano: la variable x aparece en el eje de abscisas y la variable y en el eje de ordenadas. ısticos descriptivos: Estad´sticos principales. por ejemplo. yi ). Todos estos e o elementos del an´lisis descriptivo de un conjunto de variables se realiza con el men´ que se a u despliega en la opci´n Ver de Gretl. Al interpretar a estos resultados. a la que lo recibe. 0. Es el gr´fico que representa cada punto (xi .46370 0. Relaciones entre variables Cuando el conjunto de datos contiene. En el o u a siguiente cuadro. x.79083 0. m2.4: Estad´ ısticos descriptivos del conjunto de datos donde D.50 ı Variable m2 Reforma precio Variable m2 Reforma precio MEDIA 127.5.V.000 0.T.7555 -0.49031 237.11. podemos o pensar que el precio de un piso puede ser consecuencia del tama˜o de la vivienda. por ejemplo.86 D.048 0.68 C. precio sobre superficie.0000 1110.67091 -0. El diagrama de dispersi´n o scatterplot da una primera idea de la o a relaci´n entre dos variables. y. el coeficiente de correlaci´n. o o Representaci´n gr´fica.1 se obtiene la siguiente tabla de estad´ ı. Gr´fico de dos variables XY. o o 1. Ir a Ver →Estad´ ısticos principales o utilizar Estad´ ısticos descriptivos en el men´ auxiliar u que aparece al pinchar la tecla derecha del rat´n sobre las variables seleccionadas. pero no al rev´s.49445 0. 18 . .

En el ejemplo. .Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Al pinchar en Aceptar aparece el Gr´fico 1. el color de las l´ a n ıneas/puntos. lineal o no. la situaci´n de texto explicativo de las variables representadas (posici´n de la o o clave) o la eliminaci´n de la recta-resumen. y el texto explicativo de las variables. En la pesta˜a Principal se controla el t´ n ıtulo del gr´fico. que existe entre las a o o variables. incluye una a a recta-s´ ıntesis de la relaci´n.49X 1100 1000 900 Precio (miles euros) 800 700 600 500 400 300 200 100 50 100 150 Superficie (m2) 200 250 Gr´fico 1. . se observa una clara relaci´n lineal o positiva entre precio y tama˜o del piso.12). La escala y la explicaci´n de los ejes se modifica o o en Eje X y Eje Y. Diremos que hay a una relaci´n lineal negativa entre ambas variables cuando observamos que al aumentar x.9 + 3. la recta de regresi´n m´ o o ınimo cuadr´tica que veremos m´s adelante. a a Precio con respecto a Superficie (con ajuste mco) 1200 Y = 44. • Copiar/exportar el gr´fico a otros ficheros con Copiar al portapapeles.11: Diagrama de dispersi´n superficie-precios (2) a o Al pinchar sobre el gr´fico aparece un men´ auxiliar que sirve para: a u • Exportar el gr´fico a ficheros en diferentes formatos en Guardar como Windows metafile a (EMF). . . . . o disminuye en promedio el valor de y (figura c). a • Guardar el fichero en la sesi´n de Gretl en Guardar la sesi´n como icono. . tipo de l´ o ınea o punto. el tama˜o y tipo de letra. PDF. o o • Realizar cambios en el fichero con Editar. a El gr´fico de dispersi´n permite distinguir la posible relaci´n. n 19 . adem´s de la nube de puntos. . Etiquetas permite a˜adir texto en el gr´fico n a y salida a fichero incluye varios formatos para guardar el gr´fico. el dibujo del marco completo. . Se dice que hay una relaci´n lineal positiva entre ambas variables cuando al o aumentar x. . PNG. aumenta en promedio el valor de y (figura b en el Gr´fico 1. En l´ ıneas se controla la representaci´n de los datos. . .11 que. postscript (EPS).

A diferencia de la covarianza. que se define: rxy = corr(x.2 1. y1 ) . Si se tienen N pares de datos de dos variables.2 1. La covarianza es una medida del grado de asociaci´n lineal entre o o dos variables.8 -0. Sxy = Syx y rxy = ryx . 20 .6 X3 Y4 (c) Relación lineal negativa Y2 4 3 2 1 0 -1 -2 -3 Econometr´ B´sica Aplicada con Gretl ıa a (a) Sin relación lineal (b) Relacion lineal positiva -4 -1. y) = 1 N N (xi − x)(yi − y ) ¯ ¯ i=1 siendo x e y las medias aritm´ticas de las variables.2 -0.6 X1 3 2 1 Y3 0 -1 -2 -3 -1.8 1.6 X2 6 5 4 3 2 1 0 -1 -2 -1.0 0.6 -1.6 X4 (d) Relación no lineal Gr´fico 1.4 0. Adem´s. . el coeficiente de correlaci´n es una medida adimensional de la relaci´n que toma valores entre o o -1 y 1.8 1. si existe. es no lineal (figura d).4 0.4 0.4 0.2 -0.2 1. lo que no permite comparar la relaci´n entre distintos pares de variables o medidas en unidades diferentes. yN ).8 -0.8 -0.8 1.0 0.2 1. la covarianza se denota por Sxy y se define: Sxy = cov(x. su valor no depende del orden en o a que se consideren las variables.SARRIKO-ON 8/09 3 2 1 Y1 0 -1 -2 -3 -1.6 -1. (x1 .4 0.0 0. −1 ≤ rxy ≤ 1: un coeficiente de correlaci´n igual a uno en valor absoluto indica que las o variables est´n relacionadas linealmente de forma exacta y los datos se sit´an sobre una l´ a u ınea.12). es decir.4 0.12: Diagramas de dispersi´n a o Covarianza y correlaci´n. En estos casos se utiliza el coeficiente de correlaci´n lineal o entre x e y. y) = Sxy = Sx Sy N i=1 (xi N i=1 (xi − x)(yi − y ) ¯ ¯ N i=1 (yi − x)2 ¯ − y )2 ¯ El coeficiente de correlaci´n lineal y la covarianza tienen el mismo signo: son positivos si existe o relaci´n lineal directa o positiva (figura b en el Gr´fico 1.2 -0.0 0. . La covarianza depende de las unidades de ¯ ¯ e medida de las variables. (xN .8 -0.6 -1. son negativos si existe relaci´n o a o lineal inversa o negativa (figura c) y toma valor cero si x e y son independientes (figura a) o cuando la relaci´n.6 -1.2 -0.4 0.4 0.8 1.

Haz el gr´fico de frecuencias de la variable income.50 o valor cr´tico al 5% (a dos colas) = 0.0000 0.2787 para n = 50 ı m2 Reforma precio 1.178). a e 4.998 .m2 = 0. Es decir. Fichero data3-2. Hay que tener en cuenta que o este coeficiente se define para variables cuantitativas. o El resultado para los datos de precios.gdt. Interpr´talo. recogida en Ramanathan. si se marcan las variables que interesan y se va a Ver →Matriz de correlaci´n se obtiene o una tabla (matriz) con los coeficientes de correlaci´n para cada par de variables consideradas. columna tercera.94. Ed.8690 m2 1. Escribe la tabla de estad´ ısticos descriptivos de las variables exphlth e income. Interpr´talo.S.0440 0. 5th. rprecio. lo que indica que hay una fuerte relaci´n lineal positiva entre estas variables. o (Rango 0. en billones de d´lares.0000 0. (1995). 5. Las variables n que se consideran son: exphlth Gasto personal en sanidad. South-Western. 2.. tama˜o y reforma de los pisos es: n Coeficientes de correlaci´n. por lo que no lo aplicamos a la variable Reforma. (2002). Busca el coeficiente de correlaci´n entre las variables. Interpr´talo.5: Matriz de coeficientes de correlaci´n o Por ejemplo.64. Interpreta el resula a o tado. Realiza un an´lisis gr´fico de las relaci´n existente entre las variables. correspondientes al a˜o 19932 . Fuente: Statistical Abstract of U.6.0000 precio Tabla 1. Describe los datos. Ejercicio para practicar Se dispone de una base de datos para 51 observaciones en el Estado de Washington sobre el gasto en sanidad.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 En Gretl.3 . income. Interpreta los resultados. en billones de d´lares. 1.2983 Reforma 1. usando las observaciones 1 . income Renta personal disponible. y la renta disponible. 1. (precio-m2).1). exphlth. Introductory econometrics with applications. a e 3. el coeficiente de correlaci´n entre el precio y el tama˜o de los pisos se encuentra o n en la primera fila. 2 21 . 869. o e 6. R. o (Rango 9. Haz el gr´fico de frecuencias de la variable exphlth.

SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 22 .

Vamos a comenzar realizando un an´lisis gr´fico.1: Selecci´n de un fichero de muestra a o 23 . Un ejemplo o Supongamos que nos interesa conocer la relaci´n que hay entre el precio de una vivienda y o su superficie. Este fichero contiene el precio de venta y la superficie de 14 viviendas vendidas en el ´rea de San a Diego. Introducci´n.Tema 2 Modelo de Regresi´n Lineal Simple o 2. a a 1. Accedemos a este conjunto de datos en Archivo → Abrir datos →Archivo de muestra y en la carpeta de datos de Ramanathan seleccionamos data3-1 House prices and sqft: Gr´fico 2. estimar y analizar el modelo de regresi´n lineal simple. Se trata de cuantificar la influencia que tiene el tama˜o de una vivienda en la n determinaci´n de su precio de venta mediante un modelo de regresi´n lineal simple. En este o o cap´ ıtulo vamos a especificar.1. La o teor´ necesaria para este fin ser´ ilustrada mediante el estudio simult´neo del conjunto de datos ıa a a data3-1 disponible en Gretl dentro del conjunto de datos correspondiente a Ramanathan.

0 F2 1870 1935 1948 2254 2600 2800 3000 Tabla 2.0 415.4 + 0.0 285. F2 2500 3000 Gr´fico 2. En ´l obo a e servamos una relaci´n lineal positiva entre P y F 2. const. P 350 300 250 200 150 1500 2000 Superficie. price y sqft. price = Precio de venta en miles de d´lares (Rango 199. P y Superficie. F2 (con ajuste mnimo-cuadrÆtico) 550 Y = 52.0 235.1 muestra los valores disponibles para cada variable.0 239. la descripci´n (Precio de venta en miles de d´lares y Pies cuadrados h´biles) y el o o a nombre a mostrar (Precio.0 425. Guardamos los cambios en un fichero llamado datos-cap3.0 295. F2 ) 4.9 228.1: Conjunto de datos incluidos en data3.139X 500 450 400 Precio. 5.0 293. o Precio.0 290.0 285. Abrimos el diagrama de dispersi´n entre las dos variables (ver el Gr´fico 2. Seguidamente en Variable →Editar atributos cambiamos los nombres a las variables (P y F2 ).2).0 385.gdt con Archivo →Guardar datos. En Datos →Leer informaci´n aparece la siguiente descripci´n del conjunto de datos: o o DATA3-1: Precio de venta y superficie h´bil de viviendas a unifamiliares en la comunidad universitaria de San Diego en 1990.9 .2: Diagrama de dispersi´n precio-superficie de viviendas a o 24 . La Tabla 2.0 F2 1065 1254 1300 1577 1600 1750 1800 i 8 9 10 11 12 13 14 P 365.0 505.1 House prices and sqft 2. P con respecto a Superficie.505) o sqft = Pies cuadrados de ´rea habitable (Rango 1065 .SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Se abre un fichero que contiene tres variables. i 1 2 3 4 5 6 7 Pi 199.3000) a 3.

y efectos no cuantificables derivados de las preferencias y los gustos a de los individuos o entidades econ´micas. la variable o que estamos interesados en explicar. Elementos del modelo de regresi´n simple o El modelo simple relaciona dos variables de forma lineal. . como la orientaci´n de la o casa o su estado de conservaci´n. no reservaremos la letra may´scula para variables aleatorias u X y las min´sculas para realizaciones (x) sino que utilizaremos may´sculas tanto para una variable aleatoria u u como para su realizaci´n. . . Esta n hip´tesis es poco realista porque diferencias en otras caracter´ o ısticas. Si o definimos K como el n´mero de coeficientes desconocidos a estimar. el sub´ o ındice i ser´ empleado cuando la a muestra contenga datos de secci´n cruzada y el sub´ o ındice t cuando tengamos observaciones correspondientes a series temporales. o . Yi = α + βXi + ui donde: . . o • Errores de medida producidos a la hora de obtener datos sobre las variables de inter´s.2. . o . .El sub´ ındice i denota observaci´n. o i = 1. e • Errores de especificaci´n ocasionados por la omisi´n de alguna variable explicativa o bien.Y es la variable a explicar.N es el tama˜ o muestral. e o . es decir. por lo tanto. aunque esto no es de especial relevancia. para los datos. N (2. entre las cuales tenemos: • Efectos impredecibles.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Un modelo sencillo que recoge una relaci´n lineal causa-efecto entre superficie y precio es Pi = o α + βF 2i . a n El error ui se introduce por varias razones. . o ´ o 2. o o por las posibles no linealidades en la relaci´n entre X e Y . dos viviendas de igual tama˜o deben tener exactamente el mismo precio.2) 25 . originados por las caracter´ ısticas de la situaci´n econ´mica o del o o contexto de an´lisis. variable aleatoria o perturbaci´n. . variable dependiente o end´gena. Esto quiere decir que el precio de una vivienda depende unicamente de su superficie ´ y. Cuando tratemos con datos temporales T denotar´ el tama˜o muestral1 .La ordenada α y la pendiente β del modelo son los coeficientes de la regresi´n. es decir.X es la variable explicativa. En general. por simplicidad. . .1) i = 1. o Modelo para la relaci´n precio-tama˜o del piso. n´mero de observaciones disponibles de las variables de estudio n u (Y. N (2. En este caso planteamos el siguiente modelo o n de regresi´n lineal: o Pi = α + β F 2i + ui donde 1 En este cap´ ıtulo y los siguientes.u es el t´rmino de error. en el modelo de u regresi´n simple tenemos K = 2 coeficientes a estimar. X). variable independiente o ex´gena. Este modelo que recoge una o e relaci´n lineal entre unicamente dos variables se denomina modelo de regresi´n lineal simple. tambi´n influyen en su precio.

elegir el mejor estimador en el modelo.Pi es la observaci´n i de la variable dependiente (end´gena o a explicar) precio de venta o o de un piso en miles de d´lares. podemos considerar otras situaciones. o . es decir. relajando algunas de estas hip´tesis. . Yi = α + βXi + ui . y sospechamos que al menos β tiene valor positivo ya que a mayor superficie habitable de la vivienda su precio l´gicamente se esperar´ sea o a mayor. analizando si los procedimientos de estimaci´n y contraste anteriores siguen siendo o o v´lidos.F 2i es la observaci´n i de la variable independiente (ex´gena o explicativa) ´rea habitable o o a del piso en pies cuadrados. En una segunda etapa.. que son los par´metros de la a e a relaci´n entre P y F 2. Por tanto. Para llevar a cabo esta inferencia es o n o necesario determinar la naturaleza aleatoria de las variables que intervienen en el estudio. El modelo es lineal en los coeficientes. . Las condiciones bajo las cuales vamos a trabajar en un principio se denominan hip´tesis o b´sicas. A partir de las propiedades de Y es posible conocer las propiedades de e los distintos m´todos de estimaci´n. orientaci´n de la casa. el objetivo del estudio es inferir. a • Sobre los coeficientes 2. Los modelos a estimar que consideramos son lineales en los coeficientes. la relaci´n precio-tama˜o de una vivienda en la poblaci´n. Vamos a considerar que la influencia de las variables explicativas es estable a lo largo de la muestra. Del total de viviendas del ´rea objeto de estudio. Los coeficientes α y β se mantienen constantes a lo largo de la muestra. tenemos una muestra o a con datos de N= 14 pisos. 2. Las hip´tesis b´sicas se refieren a los distintos elementos de la regresi´n. realizar contrastes. el precio de los pisos e 26 . predecir a o Y . Bajo estas hip´tesis estimaremos y analizaremos el modelo para. Un primer objetivo del an´lisis econom´trico es conocer α y β. sino de forma cuadr´tica. finalmente. etc.1) debe completarse con la especificaci´n de las propiedades estoc´sticas de la o a variable de inter´s Y .En este modelo el t´rmino de error o perturbaci´n ui recoger´ caracter´ e o ıa ısticas espec´ ıficas de los pisos: lugar en el que se sit´a.3.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a .Los dos coeficientes a estimar son α y β. Hip´tesis b´sicas o a El modelo (2. caracter´ u o ısticas que diferencian el precio de los pisos que tienen la misma superficie habitable. podemos permitir no linealidades en las variables explicativas como puede ser la especificaci´n: o Pi = α + β (F 2i )2 + ui en la que la superficie habitable de los pisos no influye de forma lineal sobre el precio. a o a o • Sobre la forma funcional 1. e o etc. a partir de la muestra. vistas. en t´rminos medios. Sin embargo. Supongamos que estamos interesados en analizar.

los pisos del centro tienen mayor precio. por ejemplo. El a caso 2 del Gr´fico 2. La variable explicativa X tiene varianza muestral SX no nula y adem´s N ≥ K = 2. De o e e hecho. o a o a N > 2. . e 5. una situaci´n de estas caracter´ a o ısticas no puede explicar las variaciones de la variable de inter´s Y . As´ en el gr´fico es posible distinguir ı. supongamos que algunos de estos pisos est´n localizados en el centro de a Bilbao (representados en azul) y que otros est´n localizados en la periferia (en rojo).Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 de Bilbao (P ) en funci´n de la superficie habitable en metros cuadrados (F 2). XN o a son valores fijos en muestras repetidas. la pendiente y la ordenada no podr´ ser identificadas. si el n´mero de coeficientes a estimar fuera mayor que el n´mero de obu u servaciones disponibles en la muestra. Lo contrario. suponemos que trabajamos en un contexto de experimento controlado.4. Esta condici´n implica que la variable explicativa X no o 27 . X = 5 × t´rmino constante = 5 × 1 = 5. Esto se debe a que la variable X es ıan una combinaci´n lineal del t´rmino constante. no tenemos suficiente informaci´n para poder llevar o a cabo la estimaci´n. estar´ ıamos dispuestos a creer que existen (y debemos estimar) dos rectas centrales (la azul y la roja) permitiendo que tanto la ordenada como la pendiente cambien a lo largo de la muestra. Esa tas hip´tesis son necesarias para poder identificar los coeficientes (ordenada y pendiente). En este caso o interesar´ estimar la recta central representada en el caso 1 del Gr´fico 2. e o e • Sobre la variable explicativa 2 4. no estoc´stica. La variable end´gena es cuantitativa. ıa a No obstante. si adem´s de estimar los dos par´metros α y β que determinan el valor medio de a a Y . una variable end´gena cualitativa. nos interesa estimar su variabilidad.3: Precio de los pisos de Bilbao versus superficie habitable a • Sobre la variable end´gena o 3. o En primer lugar. tal y como se puede observar en el Gr´fico 2. 2 Por otra parte. cada una asociada a pisos de una determinada zona. Xi = 5 ∀i.3. Caso 1: Sin discriminar por localizaci´n o P6 E(Pi ) = α + βF 2i P 6 Caso 2: Discriminando por localizaci´n o E(Pi /C) = α1 + β1 F 2i E(Pi ) = α + βF 2i ∗ E(Pi /P ) = α2 + β2 F 2i ∗∗ ∗∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗ ∗∗ ∗ ∗ ∗ ∗∗ ∗ - F2 F2 Gr´fico 2. o requiere m´todos de estimaci´n alternativos al m´todo que se analiza en este curso. M´s adelante veremos que esta condici´n debe hacerse m´s estricta. es decir. La variable ex´gena X es fija. si la variable explicativa tomase un valor constante. . para una determinada a e o superficie.3 muestra esta hipot´tica situaci´n: en general. dependiendo de la zona en la que se localice el piso. A lo largo de este curso b´sico vamos a suponer o a que la variable a explicar es cuantitativa. es decir. Si este fuera el caso. a dos nubes de puntos. . si la variable explicativa tuviera varianza muestral nula (SX = 0). Las observaciones del regresor X1 .

El modelo est´ bien especificado.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Yi 6 Xi = 5 - Xi 2 Gr´fico 2. dados unos valores espec´ o a ıficos de la variable explicativa. estar´ ıamos hablando de perturbaciones heteroced´sticas. o 28 . como puede a verse en la distribuci´n de la figura izquierda del Gr´fico 2.4: Modelo Yi = α + β × 5 + ui .6). Podemos hacer conjeturas sobre los valores que puede tomar. En el contexto del modelo de regresi´n simple. As´ consideramos que ui es aleatorio y tiene las siguientes propiedades. El contexto en el que la variable explicativa X tiene car´cter aleatorio se estudia en textos m´s avanzados. Suponemos que la variabilidad del error se mano tiene constante. significar´ por ejemplo. la parte aleatoria del modelo. con SX = 0 a podr´ estar medida con error. ´ e • Sobre la perturbaci´n o El t´rmino de error recoge aquellos elementos que afectan a la variable de inter´s y que no obsere e vamos. 8. cuya disa persi´n puede variar a lo largo de la muestra (ver caso 2 del Gr´fico 2. es decir. De este modo. la holgura crece y podemos encontrar pisos grandes de igual tama˜o a diversos precios. var(ui ) es una funci´n creciente en X. El error impredecible. Sin embargo. En el caso de o a los pisos. que el rango de los precios de los pisos con menor suıa. los pisos peque˜os y con la misma superficie a n tienen los precios bastante parecidos. perficie es m´s peque˜o que el de los pisos con mayor superficie habitable (ver la figura a n derecha en el Gr´fico 2. a medida que aumenta la superficie. esto significa que la variable explicativa X es o la unica variable relevante para explicar y predecir la variable de inter´s Y . En otras palabras. En el caso pr´ctico que estamos considerando. 7. es n decir. pero lo utilizamos como punto de partida.5). En general. por a a ejemplo. o tiene media cero. En el caso contrario. (2005). Esto implica que la parte sistem´tica del modelo (α + βXi ) puede ser a interpretada como el comportamiento medio a analizar. cu´les son m´s probables a a y cu´les menos. En muchos casos es un a supuesto poco realista. a ı. esta hip´tesis requiere que en el modelo no a o se incluyan variables irrelevantes ni que se omitan variables relevantes para explicar Y .6. 6.5). La perturbaci´n tiene media cero. ∀i (ver caso 1 del Gr´fico 2. el rango de posibles valores que puede tomar la variable end´gena tiene la misma amplitud y la probabilidad de observar elementos alejados de la o media no depende del valor que tome la variable explicativa X. Wooldridge (2003) o Alonso et al. E(Yi ) = α + βXi . esto significa a a que los metros cuadrados habitables est´n medidos con exactitud. var(ui ) = σ 2 . La perturbaci´n tiene varianza constante.

Esto implica que las covarianzas entre dos perturbaciones tambi´n es e cero: cov(ui .Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Caso 1: varianza constante ui 6 ui Caso 2: varianza creciente con Xi 6 0 - Xi 0 - Xi ? ? Gr´fico 2. ∀i = j.5: Ejemplos de realizaciones de u a Varianza constante f(u) Varianza no constante Y X1 X2 X Gr´fico 2. como veremos m´s o o ´ a adelante. uj ) = 0. Por el momento vamos a suponer que la correo a laci´n entre dos observaciones distintas cualesquiera de la perturbaci´n es cero.uj = 0. no se necesita para la estimaci´n ni para la obtenci´n de propiedades del eso o timador2 . Sin embargo es necesario para poder realizar contraste de hip´tesis o calcular o intervalos de confianza. Sin embargo. corr(ui .6: Ejemplos de distribuci´n de Y a o 9. 2 Esto es as´ porque el m´todo de estimaci´n que se va a derivar es el de M´ ı e o ınimos Cuadrados Ordinarios. La perturbaci´n sigue una distribuci´n normal. 10. uj ) = o o rui . o 29 . La perturbaci´n no est´ autocorrelacionada. ∀i = j. si se estimase por m´xima verosimilitud el supuesto de normalidad sobre la distribuci´n de Y s´ es a o ı necesario para la obtenci´n del estimador. Este ultimo supuesto.

justificaremos su uso en base a o sus propiedades. β y σ 2 par´metros desconocidos. Esto significa que tenemos N igualdades con una misma estructura: Y1 = α + βX1 + u1 . . Yi = α + βXi + ui . En particular. α = E(Pi |F 2i = 0) es el precio medio de venta en miles de d´lares cuando el piso dispone de o una superficie de cero pies habitables. su a ∆F 2i precio medio aumenta en β miles $. . cuyo valor observamos.1. y un componente residual que no observamos. obtendremos el estimador y. YN = α + βXN + uN 30 . . aunque en este a contexto la ordenada no tiene en principio mucho sentido. β = 2. En primer lugar. que tambi´n puede ser considerado como precio m´ e ınimo de partida. • β= → As´ volviendo a nuestro ejemplo tenemos que: ı.1) nos indica que cada observaci´n Yi es una realizaci´n o o de una variable que tiene dos componentes: uno que depende del valor del regresor Xi . Resumen: modelo de regresi´n lineal simple con hip´tesis b´sicas o o a Abreviadamente. esperar´ ıamos un coeficiente nulo dado que no tiene sentido hablar de un piso sin superficie h´bil o bien un precio de partida positivo. vamos a obtener un estimador adecuado a de los coeficientes del modelo de regresi´n simple: el estimador de m´ o ınimos cuadrados ordinarios.3. cuando un piso aumenta su superficie h´bil en un pie cuadrado. Xi fija y ui ∼ N ID(0. En este caso. No obstante. a ∆E(Pi ) indica que. El modelo simple (2. o ∆E(Yi ) ∂E(Yi ) = : un aumento unitario en la variable explicativa conlleva un aumen∆Xi ∂Xi to medio de β unidades en la variable end´gena.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 2. nos a interesamos por los par´metros de la media y su interpretaci´n en este modelo es: a o • α = E(Yi |Xi = 0): valor medio o esperado de la variable end´gena cuando el valor que o toma la variable ex´gena es cero. Yi ∼ N ID(α + βXi . a continuaci´n. σ 2 ) ∀i Es decir. .4. siendo α. no debemos de eliminarla a la ligera en aras de obtener resultados f´ciles de interpretar. Estimaci´n por M´ o ınimos Cuadrados Ordinarios Una vez descrito el ´mbito en el que nos vamos a mover. el modelo con las hip´tesis b´sicas mencionadas se escribe: o a Yi = α + βXi + ui . La pendiente mide el efecto de un aumento o marginal en la variable explicativa sobre E(Yi ). σ 2 ).

Yi 6 (Y1 .7: Modelo de regresi´n simple a o As´ la recta central ser´ aquella recta que se obtiene cuando el valor de la perturbaci´n es cero. La estimaci´n de un modelo de regresi´n pretende obtener una aproximaci´n a esta e o o o recta central no observable. ı. Los puntos (Yi . La o recta central objeto de estimaci´n se denomina Funci´n de Regresi´n Poblacional (FRP) o o o y depende de los coeficientes poblacionales desconocidos α y β. queremos calcular el comportamiento e e medio de la variable de inter´s. la perturbaci´n es positiva para la primera observaci´n. Gr´ficamente. X1 ). la estimaci´n consiste en calcular la pendiente y a o la ordenada que mejor se ajusta a la nube de puntos. u2 toma un valor negativo. la recta central recoge el comportamiento medio de la variable de a inter´s. Antes de proceder a la estimaci´n del modelo es preciso definir algunos nuevos conceptos. Xi ) se sit´an o a a u distribuyen alrededor de la recta α + βXi . La desviaci´n de cada punto respecto a esta recta o central viene dada por el valor que tome el t´rmino de error no observable ui . es decir. . de modo que Y1 se encuentra a o o por encima de la recta central. X1 ) 6 u1 ? E(Yi ) = α + βXi + E(ui ) =0 α 6u2 ? (Y2 . α + βXi . En t´rminos econom´tricos. el punto (Y2 . ıa o Teniendo en cuenta que suponemos que la perturbaci´n tiene media cero. ˆ e ˆ Yi = E(Yi ) = α + βXi ˆ ˆ 31 . . Por ejemplo. Se obtiene una vez que los coeficientes o o de la regresi´n hayan sido estimados (ˆ β) y tambi´n se conoce como modelo estimado: o α. XN ). Por otro lado. (YN . Se trata de la parte sistem´tica a o predecible del modelo y corresponde al comportamiento medio o esperado de la variable a explicar: E(Yi ) = E(α + βXi + ui ) = α + βXi + E(ui ) = α + βXi =0 La perturbaci´n del modelo recoge todo aquello que no ha sido explicado por la parte siso tem´tica del modelo y se obtiene como la diferencia entre la variable a explicar y la recta de a regresi´n poblacional: o ui = Yi − α − βXi El resultado final obtenido a partir de la informaci´n que ofrece una muestra dada se define o como la Funci´n de Regresi´n Muestral (FRM). en el e Gr´fico 2. a partir de observaciones provenientes de una muestra e (Y1 . que no tiene o efectos sistem´ticos sobre Y . es decir.7.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 El Gr´fico 2. (Y2 . X2 ) se encuentra por debajo de la recta central.7 representa gr´ficamente una posible muestra. . . X2 ).X2 ) - Xi Gr´fico 2.

esto es. Un m´todo muy utilizado por o ˆ ˆ e su sencillez y buenas propiedades es el m´todo de m´ e ınimos cuadrados ordinarios.β i=1 ˆ ˆ ˆ (Yi − Yi )2 = m´ ın α. Podemos ver que el valor Yi se obtiene como la suma del valor que toma la parte sistem´tica α + βXi (situada sobre la FRP) a y del valor que toma la perturbaci´n ui .4. o o o es decir. ˆ ˆ 2. la ordenada (α) y la pendiente (β).β i=1 ˆ ˆ (Yi − α − βXi )2 ˆ ˆ (2. X1 ) 6 u1 ˆ ? 6 ?u1 6 α + βX1 ˆ Yi = α + βXi ˆ ˆ E(Yi ) = α + βXi α α ˆ β ˆ β ? - X1 Xi Gr´fico 2.4) Las expresiones del estimador de α y β se obtienen de las condiciones de primer orden. o Yi 6 Y1 ˆ α + βX1 = Y1 ˆ ˆ (Y1 . Yi = Yi + ui . Yi = α + βXi + ui . Es importante. debemos decidir c´mo obtener la funci´n de regresi´n muestral. o MCO. esto es.β i=1 ˆ ˆ u2 = m´ ˆi ın α.3) Este error proviene de dos fuentes: la primera. β = β). La diferencia entre la FRP y la FRM se debe a los errores que se cometen en la estimaci´n o ˆ de los coeficientes de la regresi´n (ˆ = α. diferenciar y no confundir el residuo con la perturbaci´n. El criterio de estimaci´n m´ o ınimo-cuadr´tico a Dados el modelo y una muestra. para lo 32 .SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a El residuo mide el error cometido al estimar la variable end´gena y se define como la diferencia o entre la variable a explicar y la recta de regresi´n muestral: o ˆ ui = Yi − Yi = Yi − α − βXi = α + βXi + ui − α − βXi ˆ ˆ ˆ ˆ ˆ ˆ = (α − α) + (β − β)Xi + ui ˆ (2. de los par´metros α y β se obtiene de minimizar a la suma de los residuos al cuadrado: N N N m´ ın α. El estimador de M´ ınimos Cuadrados Ordinarios. Bas´ndonos en la FRM podemos obtener el o α a ˆ valor del punto Yi como la suma del valor estimado de la parte sistem´tica Yi = α + βXi (situado a ˆ ˆ ˆ sobre la FRM) y del valor que toma el residuo ui . o La funci´n de regresi´n muestral y los coeficientes estimados (ˆ y β) est´n representados en color o o α ˆ a rojo. por el hecho de no poder obtener los valores de la perturbaci´n (ui ) y la segunda se debe a que la estimaci´n de los coeficientes desconocidos (α. por tanto. β) o o introduce un error adicional. c´mo calcular las estimaciones α y β a partir de los datos.8 la funci´n de regresi´n poblacional est´ trazada en color negro as´ como los a o o a ı coeficientes poblacionales.8: Funci´n de regresi´n poblacional y funci´n de regresi´n muestral a o o o o En el Gr´fico 2.1.

En ambos casos. En segundo lugar. son estimadores insesgados.6) Las expresiones de los estimadores MCO para los coeficientes poblacionales α y β se obtienen de resolver las ecuaciones para α y β: ˆ ˆ ˆ β = N ¯ i=1 (Xi − X)(Yi − N ¯ 2 i=1 (Xi − X) ¯ Y) = SXY 2 SX (2. cuanto mayor sea N o la variabilidad de X.11) Ambas varianzas dependen de la dispersi´n de la perturbaci´n var(ui ) = σ 2 . el Teorema de Gausso Markov prueba que los estimadores MCO tienen m´ ınima varianza dentro del conjunto de los estimadores lineales (en u) e insesgados. . Las varianzas y covarianza para los estimadores son las siguientes: var(ˆ ) = σ 2 α N 2 i=1 Xi N N i=1 (Xi ¯ − X)2 = = σ2 σ2 1 2 N SX ¯ 1 X2 + 2 N N SX (2. menor es la varianza de los estimadores MCO.7) (2. o 2 a Sx . del tama˜o muestral o o n y de la dispersi´n del regresor X. llamadas ecuaciones normales. β) = σ 2 α ˆ − ¯ X N i=1 (Xi ¯ − X)2 = − ¯ σ2 X 2 N SX (2.8) ˆ¯ ¯ α = Y − βX ˆ 2.10) cov(ˆ . . los estimadores MCO son variables aleatorias cuya distribuci´n o est´ centrada alrededor del valor poblacional. es decir.Econometr´ B´sica Aplicada con Gretl ıa a cual igualamos las primeras derivadas a cero: ∂ N ˆ2 i=1 ui SARRIKO-ON 8/09 ∂α ˆ ∂ ˆ ∂β N ˆ2 i=1 ui = −2 N i=1 (Yi − α − βXi ) = 0 ˆ ˆ = −2 N i=1 (Yi − α − βXi )Xi = 0 ˆ ˆ As´ obtenemos un sistema de ecuaciones. esto es a E(ˆ ) = α α ˆ E(β) = β y. Propiedades de los estimadores MCO Necesitamos saber cu´les son las propiedades que justifican el uso de los estimadores MCO en a el modelo de regresi´n simple bajo las hip´tesis b´sicas.9) ˆ var(β) = σ 2 1 N i=1 (Xi ¯ − X)2 (2.2. Y en cuanto a la precisi´n. . que vienen dadas por: ı.4. 33 . . N i=1 N i=1 (Yi − α − βXi ) = 0 ˆ ˆ ui (2. En cuanto a la covarianza ser´ no nula a no ser que la media muestral de la variable explicativa sea cero. uN . pueden expresarse como una combinaci´n lineal de las perturbaciones o o u1 . por tanto.5) (Yi − α − βXi )Xi = 0 ˆ ˆ ui Xi (2. Los estimadores α y β son lineales en o o a la perturbaci´n.

En el ejemplo que nos ocupa tenemos que α = 52.3.10). Una vez iniciada la o sesi´n de Gretl y abierto el fichero datos-cap3. a Vamos a ver c´mo podemos obtener una tabla de resultados detallados.gdt. el tama˜o: en el cuadro izquierdo pinchamos sobre n F 2 y luego A˜adir − >.2.gdt.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 2.9. n o a Tras pinchar en Aceptar aparece la ventana de resultados del modelo (ver el Gr´fico 2.10: Ventana de resultados de estimaci´n MCO a o En esta ventana aparecen los resultados b´sicos para el an´lisis del modelo y que se explican a a 34 . Aparece la ventana donde se especifica la parte sistem´tica del modelo: a Gr´fico 2. La ventana de especificaci´n aparece en el Gr´fico 2. Pi = α + βF 2i + ui . 4 y ˆ ˆ β = 0.4.. 139.. Una forma sencilla de obtener la FRM m´ ınimo-cuadr´tica es realizar el diagrama de dispersi´n en el cual la recta de regresi´n a o o aparece en la parte superior izquierda. el precio de venta: en el cuadro izquierdo pinchamos sobre P y luego Elegir − >. Elegimos la variable independiente. calcularemos las estimaciones MCO del modelo para el precio de la vivienda. como se puede ver en el Gr´fico 2. con la muestra del fichero datos-cap3. La estimaci´n MCO en Gretl o → Como ejemplo.9: Ventana de especificaci´n del modelo lineal a o • • Escogemos la variable dependiente. vamos a o Modelo →M´ ınimos cuadrados ordinarios. a MENÚ DEL MODELO Gr´fico 2.

12) Es decir. . Veamos algunas de estas utilidades. o a Esta ventana de resultados del modelo tiene un men´ con siete opciones. como aparece en la figura derecha del Gr´fico 2. . y en la ventana que aparece. pinchar a dos veces sobre el icono llamado Modelo 1.138750 F 2i (2. La primera columna muestra las variables explicativas que se han incluido en el modelo. Archivo. Gretl lo denominar´ Modelo 2. Si en el men´ de resultados del modelo vamos a Archivo →Guardar a u sesi´n como icono. Editar. no al par´metro poblacional β. Observar que esta interpretaci´n o o corresponde a la estimaci´n del coeficiente. se representan los errores de a a ajuste ui sobre la variable explicativa F 2i . 750 d´lares. a ıa Algunos gr´ficos de inter´s. o • En Gr´ficos → Gr´fico de variable estimada y observada →contra F2 obtenemos el gr´fico a a a de dispersi´n de las observaciones reales Pi frente a la variable explicativa F 2i junto con o la funci´n de regresi´n muestral (2. Guardar. Si posteriormente estim´ramos otro modelo y lo a guard´ramos como icono. que sirven para mostrar otro tipo de resultados de a a estimaci´n o guardarlos.12). cuarto por la o o izquierda de la barra de herramientas (ver el Gr´fico 2. Gr´ficos.12. la estimaci´n de la ordenada es igual a α= 52. u14 ). la constante (const) y la superficie que posee la vivienda (F 2). An´lisis y Latex. En la segunda columna tenemos los coeficientes estimados por MCO correspondientes a cada una de las variables. . u1 ).11). . Conu trastes. o ICONO DEL MODELO ESTIMADO Vista de iconos Gr´fico 2. el precio medio de venta estimado aumenta en β × 1000 = 138. 3509 + 0. cuando la superficie de la vivienda aumenta en un pie cuadrado. La opci´n Gr´ficos de la ventana de resultados del modelo a e o a incluye distintas representaciones gr´ficas tanto de la variable end´gena de inter´s. 138750 miles $ por pie cuadrado. el diagrama de dispersi´n de los pares ˆ o de puntos (F 21 . o o a • Si seleccionamos Gr´ficos →Gr´fico de residuos →contra F2. ˆ ˆ a ¯ = 0) y que la Podemos apreciar que los residuos se distribuyen alrededor del valor cero (u 35 . es decir. Veamos algunos de los m´s utilizados en regresi´n con datos a o de secci´n cruzada.11: Ventana de iconos: recuperar resultados estimaci´n a o Guardar resultados. As´ podemos recupeo ı. como de su a o e ajuste y de los errores de su ajuste. As´ la funci´n o o ı o de regresi´n muestral es: o Pi = 52. basta con pinchar sobre el bot´n iconos de sesi´n. el modelo queda guardado dentro de la carpeta USER. El resultado es la figura izquierda del Gr´fico 2.35 miles de o d´lares y la estimaci´n de la pendiente es β = 0. rarlo siempre que queramos. (F 214 . Como ya vimos.12.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 detalladamente a lo largo del curso.

0 385.0 estimada 311. en la ventanilla correspondiente se nombra a los residuos como uhat1 y la descripci´n es residuos del modelo 1. estimada. o n Este ultimo resultado podr´ indicar que la hip´tesis b´sica de varianza constante quiz´s ´ ıa o a a no sea aceptable. tal como muestra el Gr´fico 2.8 −35.9 −53.7 2. F2 2500 3000 40 350 20 300 0 250 -20 200 -40 150 -60 1500 2000 Superficie. ˆ a El resultado que obtenemos es la tabla 2.4.1 Observaciones 8 9 10 11 12 13 14 P 365.1 residuos −0. F2 2500 3000 Gr´fico 2.9 91.5 −2.0 estimada 200.4. P residuo 1500 2000 Superficie.1 440.2 1. o ˆ Para almacenar Pi hay que elegir Guardar →Valores estimados.9 468.8 322.2 274.1 226.0 290.6 365.0 239. Sale una ventanilla en la que. el valor ajustado o estimado de la variable end´gena se llama yhat1 y en la descripci´n o o aparece valores estimados mediante el modelo 1.1 413.6 residuos 53.2: Residuos de la regresi´n MCO.6 19.023 o ı Observaciones 1 2 3 4 5 6 7 P 199.0 285. Propiedades de la recta m´ ınimo-cuadr´tica a Vamos a realizar un peque˜o an´lisis de las variables que intervienen en la regresi´n m´ n a o ınimocuadr´tica.7 271.2 −25.estimada) 450 60 400 Precio. Para ver los valores que toman los ajustes Yi y los resio duos ui . cambiamos de nombre a la variable y la renombramos como phat1. Dado que nuestra variable dependiente es el precio de venta P .3 13. residuos.0 415. las encontramos en la ventana principal junto a la variable independiente P y la variable explicativa F 2.0 293.0 295.2 −17.12: Gr´ficos de resultados de regresi´n MCO a a o variaci´n con respecto a esta media crece a medida que aumenta el tama˜o de los pisos.0 285.0 235. con objeto de estudiar las similitudes y relaciones que pueden existir entre ellas. debemos seleccionar An´lisis →Mostrar variable observada.3 232. Podemos guardar cualquiera de estos valores seleccionando la opci´n Guardar del men´ del modelo. a 36 .0 505. 2.9 −15. ˆ Variables asociadas a la regresi´n. por defecto. Una vez guardadas o estas dos series.SARRIKO-ON 8/09 Precio.0 425.4 295.8 320. o u a Rango de estimaci´n del modelo: 1--14 o Desviaci´n t´pica de los residuos = 39.2 302. P observada y estimada 550 actual estimada 500 80 100 Econometr´ B´sica Aplicada con Gretl ıa a Residuos de la regresin (= P observada .2. Si repetimos los pasos anteriores pero escogemos Guardar →Residuos.9 228.13.6 Tabla 2.8 −32.

4982 577. usando las observaciones 1 . 602 91.3: Estad´ ısticos descriptivos de variables de la FRM Finalmente. 493 0. P = P . u = 0. A continuaci´n. a Comenzaremos obteniendo los estad´ ısticos descriptivos del regresor F 2. 0. ı 88. 485258 0.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Gr´fico 2.13: Residuos MCO a Estad´sticos principales.V. 302344 0. 1640 37. 00 306. 00 200. generalizaremos estos resultados. 278741 0. 02687 M´ximo a 505. 900 1065. ˆ ii) iii) ¯ ¯ Las medias de la variable dependiente Pi y la estimada (phat1 ) coinciden. 757 80. 120 −53. de curtosis −0. 000000 Desv. 4921 Mediana 291. 000 3000. Mediante o Ver →Matriz de correlaci´n obtenemos la siguiente matriz de correlaciones: o Podemos ver que: 37 . comprobando que estas propiedades se cumplen en cualquier regresi´n lineal m´ o ınimo-cuadr´tica. 1919 C. T´p. 485258 1. 00 468. 93 317.14 ı Variable P F2 phat1 uhat1 Variable precio F2 phat1 uhat1 Media 317. 958 −1. 529833 −0. o ˆ y su residuo u en Ver →Estad´ su ajuste P ˆ ısticos principales de la ventana inicial de Gretl: Analizando esta tabla-resumen de los datos comprobamos que: ¯ i) La media de los residuos (uhat1 ) es cero. 672125 0. 653457 0. 493 1910. 252491 6. vamos a analizar las relaciones lineales existentes entre estas variables. 500 1835. 15597e+15 M´nimo ı 199. 672125 −0. 8983 Exc. 817927 Tabla 2. 601 Asimetr´a ı 0. la variable end´gena P . Los coeficientes de asimetr´ y curtosis de la variable dependiente ajustada Pi coinciden ıa con las de la variable independiente F 2i .

14 o valor cr´tico al 5\% (a dos colas) = 0. ruY = 0. Los residuos ui y la variable explicativa F 2i est´n incorrelacionados.6).5. a rP F 2 = 1. 9058 0.4. o o e Por lo tanto. De esta condici´n y dado que Yi = Yi + ui .5324 para n = 14 ı P F2 uhat1 phat1 1. por lo que u ˆ primera ecuaci´n normal existe s´lo si el modelo tiene t´rmino independiente y no en otro caso. e ˆ Las propiedades iii). Finalmente. ruF 2 = 0. a Justificaci´n de estos resultados: La propiedad i) se deriva de la primera ecuaci´n normal o o ¯ = 0. 0000 uhat1 1. 0000 −0. la siguiente etapa del an´lisis a consiste en el an´lisis y evaluaci´n de los resultados. i Xi ui = 0. Por ejemplo nos interesa.5). usando las observaciones 1 .5). se obtiene la propiedad ii). Notar que la (2. P = α + βF 2. que indica que u = 0. 4236 0. la covarianza muestral entre residuo y variable explicativa es cero: SX u ˆ 1 = N N i=1 1 ¯ ¯ u (Xi − X)(ˆi − u) = ˆ N N i=1 ¯¯ Xi ui − X u = 0 ˆ ˆ y. ˆ ˆ que implica que los residuos son ortogonales a la variable explicativa X. 2 2 2 SY = SY + Su ˆ ˆ 2. De u = 0 y como Y = Y + u. 0000 0. ruP = 0. est´n perfectamente correlacionadas entre a s´ y tienen la misma correlaci´n lineal frente a terceras variables.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Coeficientes de correlaci´n. y (2. se demuestra la propiedad o ˆ ˆ vii). 0000 1. a Los residuos ui y la variable ajustada Pi est´n incorrelacionados. la correlaci´n entre ambas variables es: ruX = SuX /Su SX = 0. ya no queda nada que la ˆ variable ex´gena X pueda explicar o aportar en t´rminos lineales. Como consecuencia. que nos indica que la suma de los residuos ha de ser cero. iv) y v) se deben a que los valores de P se obtienen de un cambio de origen y escala de la variable F 2. se deriva una ultima propiedad: o ˆ ´ viii) La varianza muestral de Y puede descomponerse en dos t´rminos: la varianza explicada e por X y la varianza residual. 0000 −0. 9058 P 1. a o 38 . Esta relaci´n implica que sus distribuciones de ˆ ˆ o frecuencias tienen las mismas las medidas de forma. por tanto. los resultados que se obtienen derivados de ella solo se cumplen en el caso de que ¯ ¯ ¯ ¯ ˆ ˆ el t´rmino independiente exista. rP P = rP F 2 . Esto nos viene a o ˆ ˆ ˆ decir que en la parte del modelo que queda sin explicar.4: Matriz de correlaciones iv) v) vi) vii) Los valores ajustados Pi y el regresor F 2i est´n perfectamente correlacionados. 0000 F2 1. La correlaci´n entre los valores observados Pi con los valores ajustados Pi y la vao riable explicativa F 2i es la misma. ı o ¯ La propiedad vi) se deriva de las ecuaciones normales (2. el residuo u. 0000 phat1 Tabla 2. es decir. bas´ndonos en o e a ˆ que ruX = 0 y que el ajuste Y es una transformaci´n lineal de X. La precisi´n de la estimaci´n y la bondad del ajuste o o Una vez realizada las estimaciones de los coeficientes del modelo.

Podemos o obtener una estimaci´n de la desviaci´n t´ o o ıpica sustituyendo el par´metro poblacional σ por un a estimador insesgado. o o ˆ Yi = α + βXi . β) α ˆ cov(ˆ . o Error t´ ıpico (ˆ ) α ˆ Error t´ ıpico (β) = = des(ˆ ) α ˆ des(β) = = σ ˆ √ N 1+ ¯ X2 2 N SX σ 1 ˆ √ N SX Un estimador insesgado de la varianza σ 2 es: 1 σ = ˆ N −2 2 N u2 ˆi i=1 1 = N −2 N ˆ (Yi − Yi )2 i=1 donde i u2 es la suma de cuadrados residual. es decir. resume bien el comportamiento observado de la variable end´gena. Evaluar si el modelo propuesto es correcto o si hay alg´n error en la especificaci´n del u o modelo. como puede comprobarse en la expresi´n de las o varianzas (2.10). si la funci´n de regresi´n muestral. Evaluar la calidad del ajuste a los datos. Su ra´ cuadrada σ se conoce como error t´ ız ˆ ıpico de los perturbaciones o error t´ ıpico de la regresi´n. se construye el siguiente estimador insesgado de la matriz de las varianzas y la covarianza de los estimadores MCO:  V α β = var(ˆ ) α cov(ˆ . de modo a que el siguiente apartado introduce algunos aspectos de la evaluaci´n del modelo. Por tanto. Sin embargo. o Este apartado desarrolla los puntos 1 y 2. El resultado se conoce como errores t´ ıpicos de los coeficientes de la regresi´n. La respuesta al punto 3 es m´s compleja. ˆ ˆ o 3. que dependen de la varianza de la perturbaci´n var(ui ) = σ 2 . habitualmente la desviaci´n t´ o o ıpica de los estimadores tiene alg´n u elemento desconocido. es decir. o o SARRIKO-ON 8/09 2. Esto sucede en este caso. β) α ˆ ˆ var(β)   = σ2  ˆ  1 + N ¯ X2 ¯ 2 i (Xi − X) ¯ −X ¯ 2 i (Xi − X) 1 ¯ (Xi − X)2 i      → Errores t´ ıpicos de estimaci´n y estimaci´n de las varianzas en Gretl.Econometr´ B´sica Aplicada con Gretl ıa a 1. σ. Obtener una medida de la precisi´n en la estimaci´n de α y β. ˆ De forma similar. en las hip´tesis planteadas. En los resultados o o de estimaci´n del caso pr´ctico aparecen los siguientes valores relacionados con la precisi´n: o a o 39 . (o SCR). y N − 2 son los grados de liberˆi tad que tenemos tras estimar α y β.9) y (2. o La precisi´n de la estimaci´n o o La desviaci´n t´ o ıpica de la distribuci´n muestral de los estimadores es un buen indicador de o la precisi´n. la precisi´n de las estimaciones de o o los coeficientes aumenta con el n´mero de observaciones N y la dispersi´n del regresor SX y u o disminuye cuando crece el error t´ ıpico σ .

8 14 − 2 Tambi´n es posible obtener la estimaci´n de la matriz de varianzas y covarianzas de los coefie o cientes de regresi´n seleccionando en el men´ del modelo An´lisis →Matriz de covarianzas de o u a los coeficientes.138750 ´ DESV.5: Estimaci´n de varianzas y covarianza de α y β. La desviaci´n t´ o ıpica de los residuos es el error t´ ıpico σ y Suma de cuadrados de los residuos es SCR = i u2 . o ˆ des(ˆ ) y des(β).3509 0.670583 const 3. es decir.18565 <0.TIP. ıpicos de estimaci´n. ˆ ˆi En esta tabla no aparece la estimaci´n de la varianza de la perturbaci´n. en la medida de lo posible.50920e-04 sqft Tabla 2.407 VALOR P 0. var(β) = 3. interesa tener una medida que nos indique. as´ ı σ2 = ˆ 18273. o ˆ ˆ ˆ es decir. Por otro lado. o Bondad del ajuste La medida de la bondad del ajuste que vamos a utilizar es el coeficiente de determinaci´n. Este coeficiente tiene la siguiente expresi´n en el modelo de regresi´n lineal R o o o 40 . 5092 × 10−4 y cov(ˆ . Se observa que es m´s precisa la estimaci´n del efecto marginal de la superficie α a o del piso β que la de la ordenada α ya que su varianza estimada es menor. si estamos ante unos buenos resultados de ajuste a los datos de la funci´n o de regresi´n muestral. 670583.00001*** Suma de cuadrados de los residuos = 18273. o 2 ´ R-cuadrado. α α ˆ Los errores t´ ıpicos de estimaci´n y de la regresi´n dependen de las unidades de medida. β) = −0. las podemos reducir o agrandar cuanto queramos con s´lo cambiar de escala las variables o dependiente e independiente. T´ proporciona los errores t´ IP. ˆ • Dividiendo la suma de cuadrados de los residuos entre los grados de libertad N − 2.023 o ı La columna encabezada por DESV. es o o decir.404 7. 02302 = 1522. 21. El resultado para el conjunto de 14 observaciones es: Matriz de covarianzas de los coeficientes de regresi´n o const sqft 1390. pero se puede calcular: o o • De su relaci´n con la desviaci´n t´ o o ıpica de los residuos: σ 2 = 39.0187329 ESTAD T 1.2855 0.6 Desviaci´n t´pica del os residuos = 39. var(ˆ ) = 1390.21 -0. 8. 37. 6 = 1522.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Modelo 1: estimaciones MCO utilizando las 14 observaciones 1-14 Variable dependiente: P VARIABLE const F2 COEFICIENTE 52.

si R2 0 diremos que el ajuste es pobre y. Por tanto. Si esto es cierto. luego β = 0. conviene valorar si o o a o este supuesto es sensato. por ejemplo. o ya que la variabilidad muestral de la superficie de la vivienda (F 2) ha explicado el 82 % de la variabilidad muestral de los precios de venta de dichas viviendas (P ). 2. el modelo propuesto no tiene sentido y debemos reformularlo. a 2 R2 = rY Y . mide la correlaci´n entre el valor observado y el valor predicho o ajustado o ˆ 2 con la regresi´n. Es f´cil comprobar que: 100 × R o a El criterio m´ ınimo-cuadr´tico equivale a maximizar R2 . Para verificar si la variable independiente F 2 es significativa para determinar el precio medio de la vivienda. El planteamiento es el siguiente: o • Si el precio de un piso no se ve afectado por su superficie. y diremos que la variable explicativa no es significativa o relevante para explicar Y . ser´ un buen ajuste cuando este estad´ a ıstico est´ pr´ximo a la unidad.5.1. Para ello vamos a utilizar los contrastes de hip´tesis y los intervalos de o confianza sobre la distribuci´n de los estimadores. → Si analizamos el caso pr´ctico. por el o ˆ contrario. e o Esta propiedad no se cumple en modelos sin t´rmino independiente. Como 0 ≤ rY Y ≤ 1. Yi = e βXi + ui . entonces β = 0 y a decimos que el regresor X es significativo o relevante para explicar (y predecir) Y .820522. entonces su efecto marginal es cero. podemos realizar un contraste.13) Este coeficiente mide la ganancia obtenida al pasar de un modelo sin variable explicativa X: Yi = α + ui a otro en el que se incluye esta variable: Yi = α + βXi + ui Por tanto el R-cuadrado mide la proporci´n de la variabilidad observada de la variable depeno diente Y que se ha podido explicar por incluir de forma lineal en el modelo la variable explicativa X. R-cuadrado = 0. si el precio est´ relacionado con la superficie del piso. 2. Planteamos las siguientes hip´tesis a contrastar: o H0 : β = 0 Ha : β = 0 (X no es significativa o relevante para explicar Y ) (X es significativa o relevante para explicar Y ) 41 . Podemos decir que este ajuste es bueno. Contrastes de hip´tesis sobre β o Contraste de significatividad individual de X.5. vemos que el coeficiente de determinaci´n aparece en la tabla a o de resultados de estimaci´n. Normalmente se interpreta en porcentajes. Contrastes de hip´tesis e intervalos de confianza o Al proponer un modelo para el precio de los pisos hemos asumido que el tama˜o del piso es el n factor m´s relevante en la fijaci´n de su precio. se dice que la regresi´n explica el o 2 por ciento de la variaci´n observada en Y . • Por el contrario.Econometr´ B´sica Aplicada con Gretl ıa a simple: 2 R2 = rXY = 1 − SARRIKO-ON 8/09 ˆ2 i ui i (Yi ¯ − Y )2 = i (Yi ¯ ˆ − Yi )2 ˆ ¯ 2 i (Yi − Y ) (2. Las conclusiones que obtengamos de la estimaa o ci´n y predicci´n depender´n del cumplimiento de esta hip´tesis. es decir.

es decir. en consecuencia. es la cuarta o columna. En el 42 . por lo que tm pertenece a la regi´n cr´ o ıtica y. 0187329 El valor cr´ ıtico del contraste para el nivel de significaci´n del 5 % es c = t(14−2)0. 4068 = columna COEF ICIEN T E 0. como se observa en el siguiente gr´fico de la distribuci´n del estad´ a o ıstico bajo H0 : Gr´fico 2. rechazamos H0 a un nivel de significaci´n del 5 %. Concluimos que la variable X no es relevante o significativa para explicar la variable dependiente Y .05/2 = 2. No rechazamos H0 en otro caso. - → Veamos si la superficie de la vivienda es un factor relevante para determinar su precio: H0 : β = 0 Ha : β = 0 t= β des(β) H0 ∼ t(14−2) El valor muestral del estad´ ıstico tm se incluye en los resultados de estimaci´n. Podemos concluir que la o variable F 2 es significativa o relevante para determinar el precio medio de la vivienda. EST AD T = tm = 7. es decir. 13875 = columna DESV.14) El estad´ ıstico del contraste se obtiene sustituyendo en esta variable el valor recogido en H0 : t= β−0 des(β) H0 ∼ t(N −K) Es un contraste bilateral.14: Criterio de decisi´n del contraste de significatividad individual a o la regla de decisi´n es la siguiente: fijado un nivel de significaci´n α.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Para obtener un estad´ ıstico de contraste partimos de la siguiente variable aleatoria: β−β des(β) ∼ t(N −K) (2. Es decir. 4068 > 2. o Como resultado tenemos que 7. 179. 179. c] con c = t(N −K)α/2 .T IP. 0. o o Rechazamos H0 si el valor muestral del estad´ ıstico tm pertenece a la regi´n cr´ o ıtica. encabezada por ESTAD T. si es menor que −c = −t(N −K)α/2 o bien mayor que c = t(N −K)α/2 y concluimos que la variable explicativa es relevante. si el valor muestral tm se sit´a en el intervalo u [−c.

068 0. 0187329 El valor cr´ ıtico para α = 5 % es c = t(14−2)0. Vamos a generalizar el procedimiento de contraste anterior. obtenemos el estad´ ıstico de contraste: t= β − 0. 179 = c 0. 43 . ¿podr´ el ıa precio medio de venta de la vivienda aumentar en 100 d´lares? Planteamos el contraste: o H0 : β = 0. 179. Como el valor calculado cae fuera de la regi´n cr´ o ıtica. o e que si ∆F 2 = 1. Si observamos los contrastes anteriores. 1 Ha : β = 0. 0187329 con c = t(12)0. Veamos dos ejemplos. 179 < −0. siempre y cuando el valor del estad´ ıstico calculado tm est´ fuera de la regi´n cr´ e o ıtica.05/2 = 2. o Otros contrastes sobre β. 15 = −0. por lo tanto. Por tanto. 179. → Ejemplo 1. 15 des(β) H0 ∼ t(N −K) El estad´ ıstico de contraste en este caso toma el valor tm = 0. es posible un incremento de 100 d´lares en el precio medio de la vivienda ante o un aumento unitario en la superficie. la variable explicativa X es significativa. ¿podr´ el precio medio de ıa venta de la vivienda aumentar en 150 d´lares? Planteamos el contraste y. As´ no rechazamos H0 a un nivel de significaci´n del 5 % y tambi´n es posible ı. 179] no rechazaremos la hip´tesis o nula propuesta. Por tanto.025 . Como hay evidencia estad´ ıstica de que β es distinto de cero y. 068 < 2. Ante un aumento de la superficie de la vivienda de un pie cuadrado. llegamos al estad´ ıstico de contraste: H0 : β = 0. al igual que en el caso o anterior.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 tema siguiente. no rechazamos la H0 a un nivel de significaci´n del o 5 %. 179. 1 Sustituyendo en la variable (2. 15 t= β − 0.14) el valor bajo H0 . veremos c´mo la columna VALOR P de la tabla de resultados de Gretl informa o sobre la conclusi´n del contraste. es decir. 2. en el intervalo [−2. −2. 138750 − 0. entonces el precio medio de la vivienda aumente en 150$. 1 des(β) H0 ∼ t(N −K) Hay que tener en cuenta que la columna ESTAD T de los resultados de estimaci´n de Gretl. que en este caso es: tm = 0. 6005 < 2. 6005 ⇒ −c = −2. nos puede interesar saber qu´ valor puede e tomar. 179 < 2. → Ejemplo 2. o corresponde al valor muestral del estad´ ıstico para H0: β = 0. 1 = 2. Ante el mismo aumento unitario en la superficie. 15 Ha : β = 0. 138750 − 0. tenemos que calcular el valor muestral del estad´ ıstico de contraste.

0979349 . 0.9349 y 179. 3509 y β = 0. 887 . la segunda columna ofrece las estimaciones por punto.5.589) (0. esto es: IC(α)0. En lo que sigue del curso emplearemos la siguiente notaci´n para expresar el intervalo o de confianza: ˆ ˆ IC(β)1−α = β ± t(N −2)α/2 des(β) El correspondiente intervalo de confianza para α se obtiene de forma similar: IC(α)1−α = α ± t(N −2)α/2 des(ˆ ) ˆ α → Continuando con la pr´ctica.2. podemos afirmar con un nivel de confianza del 95 % que.6: Estimaci´n por intervalo o En esta tabla de resultados. La tercera indica los l´ ımites de los intervalos a una confianza del 95 %. el precio medio de venta de dicha vivienda aumentar´ entre 97. 133.14) asociada al estimador. Intervalos de confianza Un intervalo de confianza est´ definido por dos valores entre los cuales se encuentra el valor del a par´metro con un determinado nivel de confianza que se denota (1−α). Para ello. 138750.3509 0. vamos a An´lisis →Intervalos de confianza para los coeficientes. ante un aumento de la superficie de la vivienda de un pie cuadrado.138750 INTERVALO DE CONFIANZA 95% (-28.8872. esto es.179 VARIABLE const F2 COEFICIENTE 52. este intervalo ser´ amo o a plio. 587] IC(β)0. Si estimamos con muy poca precisi´n. 179566] Por tanto. Esto quiere decir que la variabilidad muestral del estimador acota a β en un intervalo m´s a amplio. α = 52. . As´ o ı P rob −t(N −2)α/2 ≤ β−β des(β) ≤ t(N −2)α/2 = 1−α Reordenamos en funci´n del par´metro desconocido β: o a P rob β − t(N −2)α/2 des(β) ≤ β ≤ β + t(N −2)α/2 des(β) = 1−α y obtenemos el intervalo de confianza (1−α) para el par´metro β.566 d´lares. vamos a obtener los intervalos de confianza para los dos coefia cientes de regresi´n. des(β).SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 2.95 = [−28.95 = [0. 133. o a El resultado es: t(12.179566) Tabla 2. 0. a o 44 . definimos el intervalo de valores que tiene una probabilidad (1−α) en la distribuci´n (2. Para obtener el intervalo a de confianza del coeficiente β.025) = 2.0979349. Observamos que est´ centrado a a en la estimaci´n puntual y que se desv´ en una cantidad que est´ dada por t(N −K)α/2 veces su o ıa a error t´ ıpico de estimaci´n.

. (estad. ¿Cu´l es el coste de reparaci´n del cuarto coche? ¿Cu´ntos a˜os tiene? a o a n 4. N 2.. 138750 F 2 (des) (37. . Com´ntalos. 82 σ = 39. Ejercicios para practicar Ejercicio 1: Se quiere analizar los costes acumulados de reparaci´n de los coches Toyota (cost) en funci´n o o de la edad del coche (age). ¿Los datos son de secci´n cruzada o series temporales? ¿Cu´l es el tama˜o muestral? o a n 3... rellena los valores del cuadro siguiente: i costi agei 1 2 3 4 5 . t) P = 52. Para realizar este ejercicio deb´is utilizar los datos contenidos en el e archivo de muestra en Gretl data3-7 de Ramanathan. 3509 + 0.018733) N = 14 R = 0. Con los datos del fichero. ¿Cu´l es la variable end´gena? ¿Y la explicativa? ¿Qu´ elementos de este modelo son a o e aleatorios? 8. Por ejemplo.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 2. 3509 + 0. Obt´n los estad´ e ısticos principales de las variables cost y age.404) 2 (7. o o 45 . 023 ˆ 2. incluyendo o tanto la recta de regresi´n como un conjunto de estad´ o ısticos utiles para evaluar los resultados. ´ Una forma habitual de presentar la estimaci´n es la siguiente: o P = 52.. 9. Otra opci´n es incluir los o o estad´ ısticos tm de significatividad individual o los grados de libertad. o 7. 023 ˆ Bajo cada coeficiente estimado aparece su error t´ ıpico de estimaci´n. Escribe la funci´n objetivo a minimizar para estimar este modelo por M´ o ınimos Cuadrados Ordinarios.. Especifica un modelo para analizar los costes de reparaci´n de los coches. Escribe la Funci´n de Regresi´n Muestral.7. Presentaci´n de los resultados o Los resultados de la estimaci´n de un modelo se suelen presentar de forma resumida. 82 σ = 39..285) 2 (0.407) Grados libertad = 12 R = 0. e 5.6. ¿Cu´l es la edad media muestral de los coches? a 6. Resumen. Toyota station wage repairs: 1. 138750 F 2 (1.

Las variables que se consideran son: n EXPTRAV INCOME POP Gasto agregado en transporte urbano. o (Rango 9. 3.217). Obt´n los siguientes gr´ficos y com´ntalos: e a e a) Los residuos a lo largo de la muestra.U. o Ejercicio 2: Se dispone de una base de datos para 51 estados de E. 5th. o (Rango 0. 18. b) La variable end´gena y la estimada a lo largo de la muestra. Obt´n e interpreta los siguientes gr´ficos: e a Fichero data8-2.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 10.31. (1995). ¿en cu´nto se espera que incremente a su coste acumulado estimado? 14.48). Calcula el intervalo de confianza del 95 % para el coeficiente de la variable age. El coche A tiene un a˜o m´s que el coche B (52 semanas). e Razona si te parecen adecuados los resultados. Interpreta sus coeficientes.S.. Estima la varianza de las perturbaciones. ¿Cu´l es la diferencia estimada n a a en el coste de reparacion de uno y otro? 13. recogida en Ramanathan. en billones de d´lares. Especifica un modelo para analizar si la renta disponible agregada explica el gasto agregado en transporte urbano. 2. South-Western. 3 46 . ¿Tienen los signos esperados? 12.683.5). ¿Cu´l es el coste estimado para el primer coche de la muestra? ¿Y el residuo? a 11. Contrasta la significatividad de la variable age.E.U. (Rango 0. Interpreta los coeficientes estimados. Poblaci´n. Si la edad de un coche aumenta un mes (4 semanas). 16. Comenta los resultados obtenidos en t´rminos de bondad de ajuste. en billones de d´lares. 19. Estima el modelo por M´ ınimos Cuadrados Ordinarios. Estima la matriz de varianzas y convarianzas de los estimadores MCO de los coeficientes del modelo. sobre el gasto agregado en transporte urbano (EXP T RAV ) y la renta disponible agregada (IN COM E) correspondientes al a˜o 19933 . Ed.708 . a o o 15.gdt.42. o Renta disponible agregada.47 . ¿Crees que de una semana a la siguiente el coste medio acumulado de reparaci´n de un o Toyota puede aumentar 10 d´lares? o 20. 1. significatividad y signos de los coeficientes estimados. R. en millones. 17. (2002). ¿Cu´l es la expresi´n del coeficiente de determinaci´n? Interpreta el valor obtenido.3 . Introductory econometrics with applications. Fuente: Statistical Abstract of U.

¿cu´l te parece m´s razonable? a a 47 . a • Gr´fico de residuos MCO sobre la variable P OP . Regresa la variable EXP OP sobre la variable IN CP OP y un t´rmino independiente. b) Contrasta la significatividad de la variable IN CP OP . a SARRIKO-ON 8/09 4.Econometr´ B´sica Aplicada con Gretl ıa a • Gr´fico de la serie de residuos MCO. e a) Interpreta los coeficientes estimados. en media. P OP 6. de un bill´n de d´lares en el gasto en transporte urbano agregado? o o 5. c) Compara los resultados de ambos modelos. Define e indica que miden las siguientes variables: EXP OP = EXP T RAV P OP y IN CP OP = IN COM E . ¿Podr´ un aumento de un mill´n de d´lares en la renta disponible agregada producir un ıa o o aumento.

SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 48 .

 X= . . 2. el n´mero de habitaciones a u (BEDRMS) y el n´mero de ba˜os (BATHS) siendo el modelo de regresi´n lineal m´ltiple1 u n o u Pi = β1 + β2 F 2i + β3 BEDRM Si + β4 BAT HSi + ui i = 1. Introducci´n.1) El modelo de regresi´n lineal general (MRLG). en miles de d´lares. . 2. N (3. . . . . . . . Dado que seguimos con los mismos datos de secci´n cruzada utilizamos el sub´ o ındice i = 1. uN      Por el momento.Tema 3 Modelo de Regresi´n Lineal M´ltiple o u 3. . El precio de una casa. . o u Comenzamos con el ejemplo que se ha seguido en el tema sobre el Modelo de Regresi´n Lineal o Simple. . . . La notaci´n o para datos de series temporales suele ser t = 1. . . (3. . . . . . o a e m´s de una variable explicativa por lo que pasamos del llamado modelo de regresi´n lineal simple a o al modelo de regresi´n lineal m´ltiple. E(ui uj ) = 0 ∀i = j.   . .2) = X β + u (N ×1) (N ×K) (K×1) donde cada uno de los elementos se definen:    Y1 1 X21 · · · XK1  Y2   1 X22 · · · XK2    Y = . . 49 . . YN 1 X2N · · · XKN        β=   β1 β2 . adem´s del t´rmino constante. . n u a Ampliaremos el modelo incluyendo dos variables explicativas m´s.  . a saber: o i) E(ui ) = 0 ∀ i. (P) era la variable dependiente y la variable o explicativa era el tama˜o de la casa o el n´mero de pies cuadrados del ´rea habitable (F2). con K variables explicativas o Yi = β1 + β2 X2i + . . .1. . . βK        u=   u1 u2 . 1 E(u2 ) = σ 2 i ∀ i. N. Un ejemplo o En este tema consideramos introducir en el modelo de regresi´n. seguimos suponiendo las mismas hip´tesis b´sicas sobre el t´rmino de perturo a e baci´n y sobre las variables explicativas o regresores. N . . . + βK XKi + ui se puede escribir en notaci´n matricial: o Y (N ×1) i = 1. . T ..

o • El coeficiente β3 : Considerando dos casas con el mismo n´mero de pies cuadrados de ´rea habitable y n´mero u a u de ba˜os. . . . si Xji cambia en una unidad. j = 2. Esto quiere decir que en muestras a repetidas de N observaciones de Yi . β4 uN            X=   Interpretaci´n de los coeficientes: o • El coeficiente β1 es el valor medio esperado de aquellas viviendas que no tienen ning´n pie u cuadrado de ´rea habitable. . . son fijas. para aquella u n casa que tenga un pie cuadrado m´s de ´rea habitable se espera que cambie en media su a a precio de venta en β2 miles de d´lares. v) Adem´s se supone que se dispone de un n´mero suficiente de observaciones para estimar a u los par´metros βj . Xki . ni habitaciones ni ba˜os. Yi se espera que cambie en media βj unidades. PN   1 1 . esto es K < N . 1 F 21 F 22 . . esto quiere decir que el rango de la matriz de datos de los regresores X es K tal que no tiene columnas repetidas ni unas son combinaciones lineales de otras. . .1) se puede escribir en notaci´n matricial: o Y (N ×1) = X β + u (N ×1) (N ×4) (4×1) donde cada uno de los elementos se definen:    Y =  P1 P2 . . las variables X2i .SARRIKO-ON 8/09 ii) La perturbaci´n sigue una distribuci´n normal. . . implica que los ıan regresores y el t´rmino de perturbaci´n est´n incorrelacionados. . . . . . Siguiendo con el ejemplo. . . . a Interpretaci´n de cada uno de los coeficientes de regresi´n: o o • Los par´metros βj . . para aquella casa que tenga una habitaci´n m´s se espera que cambie en media n o a su precio de venta en β3 miles de d´lares. junto a E(ui ) = 0. . j = 1. BEDRM SN BAT HS1 BAT HS2 . • El par´metro β1 que acompa˜a al t´rmino constante recoge el valor esperado de la variable a n e dependiente cuando el resto de variables explicativas o regresores incluidos toman el valor cero. . X2i . e o a iv) Los regresores son linealmente independientes. . .   . Xki . . . . N tomar´ siempre los mismos valores. o o Econometr´ B´sica Aplicada con Gretl ıa a iii) Las variables X2 a Xk no son estoc´sticas. . BAT HSN    u1 β1   u2  β2      β=  β3  u =  . F 2N BEDRM S1 BEDRM S2 . K: a Manteniendo constante el valor del resto de variables explicativas. . a n • El coeficiente β2 : Considerando dos casas con el mismo n´mero de habitaciones y de ba˜os. el modelo (3. Este supuesto. i = 1. o 50 . . . K.

Si posicionamos el cursor podemos ir eligiendo dentro de ellas. 3. Las dos primeras columnas coinciden con los datos utilizados en el Tema 2. que aparecen en la Tabla 3.75 . Veremos m´s adelante cu´ndo es importante controlar por otras a a variables y qu´ problemas tendremos si las omitimos. . 14 En la parte de arriba de la ventana principal de Gretl tenemos distintas opciones. 51 . o El an´lisis de regresi´n m´ltiple nos permite examinar el efecto marginal de una variable a o u explicativa en particular.505) o Pies cuadrados de ´rea habitable (Rango 1065 . Son datos de secci´n cruzada y las variables que se consideran son: o P: F2: BEDRMS: BATHS: Precio de venta en miles de d´lares (Rango 199. para aquella casa que tenga un ba˜o m´s se espera que cambie en media n a su precio de venta en β4 miles de d´lares. Por eso a veces al resto de regresores se les llama variables de control. . Adem´s tenemos informaci´n sobre dos nuevas variables que vamos o a o a considerar incluir como explicativas en el modelo para el precio de la vivienda.2. Estimaci´n de M´ o ınimos Cuadrados Ordinarios utilizando Gretl Se dispone de una base de datos sobre el precio de venta de una vivienda y distintas caracter´ ısticas de 14 viviendas vendidas en la comunidad universitaria de San Diego en 1990. Modelo → M´ ınimos Cuadrados Ordinarios Se abre una nueva ventana. Leemos los datos que est´n disponibles en Gretl como archivo de muestra: a Archivo → Abrir datos → Archivo de muestra Elegir de Ramanathan el fichero data4-1 proporcionados en el cuarto cap´ ıtulo del libro de Ramanathan (2002). seleccionar de la lista de variables de la izquierda: • La variable dependiente (P) y pulsar elegir.3000) a N´mero de habitaciones (Rango 3 . Podemos ver los datos de todas las variables.1.3) u n Los datos para P y F2 son los mismos que los utilizados en el ejemplo del Tema 2 sobre el modelo de regresi´n lineal simple. una vez hemos controlado por otras caracter´ ısticas recogidas en el resto de variables explicativas que mantenemos constantes.Econometr´ B´sica Aplicada con Gretl ıa a • El coeficiente β4 : SARRIKO-ON 8/09 Considerando dos casas con el mismo n´mero de pies cuadrados de ´rea habitable y n´mero u a u de habitaciones. . Comenzamos una sesi´n en Gretl para estimar este modelo con la muestra de 14 viviendas: o Pi = β1 + β2 F 2i + β3 BEDRM Si + β4 BAT HSi + ui i = 1.9 . 1. . e 3. Utilizando el cursor. 2. Estimaci´n por M´ o ınimos Cuadrados Ordinarios (MCO). Abrir.4) u N´mero de ba˜os (Rango 1.

00 2. u a o 4. La variable Const es el t´rmino constante o variable que toma siempre valor uno. An´lisis de los resultados mostrados a En esta secci´n vamos a ir comentando los resultados que nos muestra el programa cuando o utilizamos la opci´n de estimaci´n por M´ o o ınimos Cuadrados Ordinarios. Guardar el documento y minimizar si se quiere volver a utilizar m´s tarde para pegar y guardar otros resultados.0 290. Iremos comentando los o resultados mostrados.00 2.0 505. Se pegar´n todos los o a resultados de la ventana anterior. e Por defecto ya est´ incluida pero si no se quisiera poner se podr´ excluir.0 365.50 2.50 3.00 3.SARRIKO-ON 8/09 P 199. el programa Gretl muestra en la a e ventana gretl:modelo1 la siguiente informaci´n sobre la estimaci´n MCO del modelo con los o o datos del fichero elegido: 2 Recordar que esta ventana puede ser minimizada para su posible utilizaci´n posterior o el modelo puede o guardarse en la sesi´n como icono.00 2. Datos de caracter´ ısticas de viviendas • Las variables independientes o regresores de esta especificaci´n y pulsar a˜adir cada o n vez. Elegir Edici´n → Pegar.00 3.00 Econometr´ B´sica Aplicada con Gretl ıa a Tabla 3.0 235. pero o nos servir´ tambi´n de repaso.75 2.0 239. Situando el cursor en la parte de arriba de esta ventana podremos ver que hay distintos men´s cuyas funciones estar´n asociadas a esta regresi´n.0 385. Hay varios formatos para guardar los resultados. a 3. Algunos de estos resultados ya han sido comentados en el Tema 2 sobre el modelo de regresi´n lineal simple.1: Modelo (3. Una vez especificado el modelo. Si la cerramos tendr´ o ıamos que volver a hacer lo mismo para obtener de nuevo esta ventana y poder elegir dentro de las opciones asociadas a esta regresi´n.0 285.0 F2 BEDRMS 1065 3 1254 3 1300 3 1577 4 1600 3 1750 4 1800 4 1870 4 1935 4 1948 4 2254 4 2600 3 2800 4 3000 4 BATHS 1.00 2.1).0 425.75 2.50 2. ıa Pinchar en Aceptar. como por ejemplo un formato compatible con Microsoft Word mediante: Editar → Copiar → RTF(Ms Word) Abrir un documento con Microsoft Word.0 285.0 415.0 293. Simplemente a ıa habr´ que seleccionarla con el cursor y dar a Quitar.00 2. o 52 .3.00 2. Aparece una nueva ventana con los resultados de la estimaci´n2 .0 295.9 228.

de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 corregido F (3.835976 0.4430 0.453 146.1 40.1 se observa que los residuos se disponen a Residuos de la regresión (= price observada − estimada) 80 60 40 20 residuo 0 −20 −40 −60 2 4 6 8 10 12 14 Gr´fico 3. Si elegimos ´ 53 .000298587 −69. t´ ıpica 88.493 88. dependiente D.0319404 27. La dispersi´n de estos residuos es o mayor para las ultimas viviendas en la muestra.7987 −0.2819 317.8465 −0.2500 Estad´ ıstico t 1.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Modelo 1: estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: P Variable const F2 BEDRMS BATHS Coeficiente 129.0007 0.3033 0.1746 0.464 146.9889 0.786769 16. 10) valor p para F () Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o Criterio de Hannan–Quinn Algunos Gr´ficos a En la ventana de resultados de estimaci´n.062 0.908 149. Gretl nos ofrece la posibilidad de analizar el gr´fico o a de residuos as´ como el gr´fico de la variable observada y estimada tanto por observaci´n como ı a o sobre las distintas variables que hay en la especificaci´n del modelo.8657 0.4616 4. Por ejemplo elegimos o Gr´ficos → Gr´fico de residuos → Por n´mero de observaci´n a a u o y obtenemos el gr´fico de los residuos del modelo estimado para el precio de la vivienda a lo largo a de las 14 observaciones de la muestra En el gr´fico 3.7838 Media de la var.671 valor p 0.192 Desv.1: Gr´fico de residuos por n´mero de observaci´n a a u o alrededor del valor cero ya que esta es su media muestral.587 −12.154800 −21.T.0293 43.4982 16700.

SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Gr´ficos → Gr´fico de residuos → Contra F2 a a obtenemos el gr´fico de los residuos sobre la variable F2. Si hacemos ´ 54 . aumenta a mayor valor de F2. es el gr´fico de la variable estimada y observada por n´mero de observaci´n. Para obtener a u o este gr´fico elegimos a Gr´ficos → Gr´fico de variable estimada y observada → por n´mero de observaci´n a a u o De esta forma obtenemos el siguiente gr´fico a price observada y estimada 1100 estimada observada 1000 900 800 price 700 600 500 400 300 2 4 6 8 observación 10 12 14 Gr´fico 3. Este gr´fico muestra que la dispersi´n a a o de los residuos alrededor de su media muestral. que es cero.2: Gr´fico de residuos contra la variable F2 a a Otro gr´fico que ilustra la bondad del ajuste de nuestro modelo relativamente a los datos obsera vados. Esto sugiere que la hip´tesis b´sica sobre la varianza de la perturbaci´n constante pueda no ser o a o adecuada. a dados los valores observados de las variables explicativas y el modelo estimado.3: Gr´fico de la variable estimada y observada por n´mero de observaci´n a a u o En este gr´fico se puede observar el valor estimado del precio de las viviendas en la muestra. en relaci´n al o precio observado. El ajuste parece empeorar para las ultimas viviendas en la muestra. Residuos de la regresión (= price observada − estimada) 80 60 40 residuo 20 0 −20 −40 −60 1500 2000 F2 2500 3000 Gr´fico 3.

Econometr´ B´sica Aplicada con Gretl ıa a

SARRIKO-ON 8/09

el gr´fico de la variable estimada y observada contra la variable F2 que recoge el tama˜o de las a n viviendas Gr´ficos → Gr´fico de variable estimada y observada → Contra F2 a a

price con respecto a sqft, observada y estimada 550 estimada observada 500

450

400 price

350

300

250

200

150 1500 2000 F2 2500 3000

Gr´fico 3.4: Gr´fico de la variable estimada y observada contra F2 a a En el gr´fico 3.4 se observa que el modelo se ajusta mejor a las observaciones asociadas a las a viviendas de menor tama˜o, ya que los valores estimados est´n m´s concentrados alrededor n a a de los observados para esas viviendas. El ajuste es peor para viviendas de m´s de 2000 pies a cuadrados.

3.3.1.

Coeficientes estimados

Las estimaciones obtenidas de los coeficientes que se muestran en la segunda columna est´n a asociados a cada una de las variables explicativas que figuran al lado en la primera columna. Dadas las realizaciones muestrales de la variable dependiente Yi ≡ Pi , y explicativas, X2i ≡ F 2i , X3i ≡ BEDRM Si , X4i ≡ BAT HSi , las estimaciones se obtienen de minimizar la suma ˆ ˆ ˆ ˆ de cuadrados de los residuos con respecto a los coeficientes desconocidos β1 , β2 , β3 , β4 . Estos coeficientes estimados se han obtenido de utilizar el siguiente criterio de estimaci´n por el m´todo o e de M´ ınimos Cuadrados Ordinarios
N ˆ ˆ ˆ ˆ β1 ,β2 ,β3 ,β4 i=1

m´ ın

ˆ ˆ ˆ ˆ (Yi − β1 − β2 X2i − β3 X3i − β4 X4i )2

Las condiciones de primer orden de este problema resultan en cuatro ecuaciones con cuatro inc´gnitas. o
Yi Yi X2i Yi X3i Yi X4i = = = = ˆ ˆ N β1 + β2 ˆ β1 ˆ β1 ˆ β1 ˆ X2i + β3 ˆ X3i + β4 X4i X4i X2i X4i X3i
2 X4i

ˆ X2i + β2 ˆ X3i + β2 ˆ X4i + β2

2 ˆ X2i + β3

ˆ X3i X2i + β4
2 ˆ X3i + β4

ˆ X2i X3i + β3 ˆ X2i X4i + β3

ˆ X3i X4i + β4

55

SARRIKO-ON 8/09

Econometr´ B´sica Aplicada con Gretl ıa a

Estas ecuaciones se conocen con el nombre de Ecuaciones Normales. Al igual que en el modelo de regresi´n lineal simple, la primera ecuaci´n o primera condici´n asociada al t´rmino constante o o o e implica que la suma de los residuos debe de ser cero. El resto de ecuaciones implican que los residuos tienen que ser ortogonales a cada una de las variables explicativas. En conjunto, estas condiciones implican que los residuos de la estimaci´n MCO est´n incorrelacionados con los o a regresores. En t´rminos matriciales se pueden escribir como: e ˆ X Y = (X X)β ⇔ ˆ X (Y − X β) = 0 ⇔ Xu=0 ˆ

Si las cuatro ecuaciones son linealmente independientes, el rango de (X X) es igual a K = 4, y por lo tanto existe una unica soluci´n a este sistema de ecuaciones. La soluci´n ser´ el estimador ´ o o a MCO del vector de par´metros β. a ˆ βM CO = (X X)−1 X Y Sustituyendo los valores muestrales del fichero data4-1 para Y y X dar´ lugar a las estimaıan ciones obtenidas de los coeficientes. Para el modelo especificado en la ecuaci´n (3.1), la relaci´n estimada es o o Pi = 129, 062 + 0, 1548 SQFTi − 21, 588 BEDRMSi − 12, 193 BATHSi (3.3)

Aunque hemos utilizado los mismos datos para P y F2 que en el Tema 2, el incluir las dos nuevas variables explicativas en el modelo ha hecho que las estimaciones de los coeficientes asociados al t´rmino constante y a F2 hayan cambiado3 . e Esto ocurre porque las nuevas variables BEDRMS y BATHS est´n correlacionadas con la ya a 4. incluida F2 y su media es distinta de cero Si esto no ocurriera y X3i = quedar´ de la siguiente forma ıan
Yi Yi X2i Yi X3i Yi X4i
3

X4i =
X2i

X2i X3i =

2 X2i

X2i X4i = 0, las ecuaciones normales
ˆ ˆ (Yi − β1 − β2 X2i ) = 0 ˆ ˆ (Yi − β1 − β2 X2i )X2i = 0

ˆ ˆ = N β1 + β2 ˆ = β1 ˆ = β3 ˆ = β3

ˆ X2i + β2
2 ˆ X3i + β4

X4i X3i
2 X4i

ˆ X3i X4i + β4

En el caso de considerar un MRLS solamente con F2 adem´s de la constante se obten´ a ıa P = 52, 3509 + 0, 138750 F2
(37,285) (0,018733)

T = 14

¯ R2 = 0, 8056

F (1, 12) = 54, 861

σ = 39, 023 ˆ

(Desviaciones t´ ıpicas entre par´ntesis) e
4

Usando las observaciones 1 - 14, la matriz de correlaciones entre BEDRMS, BATHS y F 2 es F2 1, 0000 BEDRMS 0, 4647 1, 0000 BATHS 0, 7873 0, 5323 1, 0000 Variable F2 BEDRMS BATHS Media 3, 64286 2, 35714

y las medias muestrales de BEDRMS y BATHS son:

BEDRMS BATHS

56

Econometr´ B´sica Aplicada con Gretl ıa a

SARRIKO-ON 8/09

ˆ ˆ Dadas esas condiciones, las dos ultimas ecuaciones no dependen de β1 ni de β2 y las dos primeras ´ ecuaciones normales coinciden con las que se obten´ en el Tema 2 para el modelo de regresi´n ıan o ˆ1 y β2 que en el ˆ lineal simple. Por lo tanto, en ese caso se obtendr´ la misma soluci´n para β ıa o MRLS inlcuyendo solamente el t´rmino constante y F 2 ≡ X2 y entonces las mismas estimaciones e de esos coeficientes. Por lo tanto, en general no da lo mismo incluir o no otras variables en el modelo a la hora de estimar el efecto de una variable sobre la variable dependiente. Interpretaci´n de los coeficientes estimados. o El coeficiente estimado que acompa˜a a la variable F2, variable que recoge el tama˜o total de la n n vivienda, es positivo y parece ser el signo adecuado. Si consideramos dos viviendas con el mismo n´mero de ba˜os y habitaciones, parece razonable pensar que aquella con mayor ´rea habitable u n a tenga un precio mayor. Esto indica que las habitaciones ser´n m´s grandes. a a Los signos de los coeficientes asociados a BEDRMS y BATHS son negativos. Podemos pensar que si aumenta el n´mero de habitaciones o el n´mero de ba˜os, esto indicar´ una vivenda m´s u u n ıa a lujosa y por lo tanto deber´ de aumentar el valor de la vivienda. Pero hay que tener en cuenta ıa que a la hora de interpretar un coeficiente de regresi´n asociado a uno de los regresores estamos o manteniendo constante el resto de variables explicativas. Si la misma superficie habitable se tiene que dividir para poder incluir una nueva habitaci´n, el o resultado ser´ que cada habitaci´n ser´ m´s peque˜a. El signo del coeficiente estimado indica que a o a a n un comprador medio valora negativamente tener m´s habitaciones a costa de un menor tama˜o a n de ´stas. Lo mismo se puede interpretar en el caso del coeficiente que acompa˜a a BATHS. e n Interpretaci´n de los coeficientes estimados: o ˆ • El coeficiente estimado β1 = 129, 062 indica el precio medio estimado en miles de euros, de aquellas viviendas que no tienen ning´n pie cuadrado de ´rea habitable, ni habitaciones u a ni ba˜os. n ˆ • El coeficiente estimado β2 = 0, 154800: Considerando dos casas con el mismo n´mero de habitaciones y de ba˜os, para aquella u n casa que tenga un pie cuadrado m´s de ´rea habitable se estima que en media su precio a a de venta se incremente en 154.800 d´lares. o ˆ • El coeficiente estimado β3 = −21, 5875: Si aumenta el n´mero de habitaciones, manteniendo constante el tama˜o de la vivienda y u n el n´mero de ba˜os, el precio medio se estima disminuir´ en 21.588 d´lares. u n a o ˆ • El coeficiente β4 = −12, 1928: Manteniendo el tama˜o de la vivienda y el n´mero de habitaciones constante, a˜adir un n u n ba˜o completo m´s significa tener habitaciones m´s peque˜as, por lo que el precio medio n a a n se estima disminuir´ en 12.193 d´lares. a o ¿Se mantendr´ el signo del coeficiente que acompa˜ a a BEDRMS si no incluimos ıa n la variable F2 ni BATHS? Pues seguramente no, porque en ese caso no estamos controlando por esa variable en la regresi´n, y como hemos visto F2 y BEDRMS est´n correlacionados. Por lo tanto m´s habitaciones o a a implicar´ mayor superficie de piso, y por lo tanto m´s precio en media. Lo mismo ocurrir´ si ıa a ıa solamente incluimos BATHS. Ahora bien, ¿qu´ ocurrir´ si excluimos solamente F2 y dejamos e ıa 57

Esto se suele denotar como V (β ˆ βM CO ∼ N (β. solamente aparecen los valores por encima de la diagonal e 58 . σ 2 (X X)−1 ) (3. Pero o tambi´n tenemos que tener en cuenta que estas estimaciones son realizaciones muestrales de e un estimador.2. pueden estar sujetas a variaci´n o muestral ya que distintas muestras puedan dar lugar a distintas realizaciones muestrales. es un par´metro desconocido. o o Bajo las hip´tesis b´sicas que hemos enumerado al principio de este tema. el valor poblacional o a ˆ del vector de par´metros β es la media de la distribuci´n ya que βM CO es un estimador insesgado. o ˆ Dado que es una matriz sim´trica. de la matriz de varianzas y covarianzas de o a ˆM CO es β ˆ ˆ V (βM CO ) = σ 2 (X X)−1 ˆ En la ventana de resultados de la estimaci´n del modelo por MCO. gretl:covarianzas de los coeficientes. Por lo tanto. que es una variable aleatoria. esto es a o Pi = 0.2. ˆ Un estimador insesgado.224 d´lares. Utilizando los resultados (3. El programa. 224 miles de d´lares o 3. donde se muestra la estimaci´n de las varianzas (elementos de la diagonal principal) y covarianzas (elementos fuera o de la diagonal principal) de los coeficientes de regresi´n β.4) La varianza de las perturbaciones. 588 × 2) = 34.3) de la estimaci´n del modelo (3. gretl:modelo1. si manteniendo el n´mero de o u ba˜os tenemos dos habitaciones m´s y aumenta el ´rea habitable en 500 pies cuadrados. 1548 × 500) − (21. u u = 16700. 8657. a o Su distribuci´n es una Normal y la matriz de varianzas y covarianzas viene dada por la expresi´n o o ˆM CO ) = σ 2 (X X)−1 . en la ventana gretl:modelo1 muestra ˆ las realizaciones muestrales de la suma de cuadrados de los residuos (SCR).1).SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a las otras dos variables explicativas? Veremos las implicaciones que tiene omitir o no controlar por variables relevantes en un tema posterior. bajo las hip´tesis b´sicas. Estimaci´n del incremento medio en el precio de la vivienda ante cambios en las o variables explicativas. 1548 F2i − 21. 1 y de ˆˆ √ la desviaci´n t´ o ıpica de los residuos σ 2 = 40. como se muestra en la Tabla 3. Estas estimaciones de un mismo vector de par´metros β estar´n distribuidas con mayor o menor a a variaci´n alrededor de su valor poblacional siguiendo cierta distribuci´n de probabilidad. el n a a cambio en el precio medio estimado de una vivienda ser´ de 34. Un estimador insesgado de a la misma bajo las hip´tesis b´sicas es o a σ2 = ˆ uu ˆˆ N −K ˆ donde u = Y −X βM CO es el vector de residuos. podemos o ˆ ˆ obtener la realizaci´n muestral de este estimador V (βM CO ) = σ 2 (X X)−1 eligiendo: o ˆ An´lisis → Matriz de covarianzas de los coeficientes a Se abre una nueva ventana. Desviaciones t´ ıpicas e intervalos de confianza Por el momento nos hemos centrado en la interpretaci´n de las estimaciones puntuales. σ 2 . 588 BEDRMSi = (0.3.

esto es P (t > c) = α/2. β4 ) = −0. ˆ ˆ ˆ Intervalos de confianza: Seguidamente vamos a ver c´mo podemos obtener intervalos de confianza para cada coeficiente o individual.5) ˆ ˆ donde des(βj ) es la desviaci´n t´ o ıpica estimada del estimador βj y t(N −K) denota la distribuci´n o t de Student de (N − K) grados de libertad. j = 1.6) ˆ ˆ ˆ ˆ P rob βj − c des(βj ) ≤ βj ≤ βj + c des(βj ) = 1 − α Por lo tanto.2: Modelo (3. 56 SARRIKO-ON 8/09 const 7797. La ra´ cuadrada de los elementos de la diagonal principal son los mismos valores que ız los mostrados en la tercera columna de la ventana gretl:modelo1. o a 59 . Por ejemplo.Econometr´ B´sica Aplicada con Gretl ıa a Matriz de covarianzas de los coeficientes F2 BEDRMS BATHS 0. . 670891 −1677. ¿Qu´ nos indican estos intervalos? ¿Cu´l es su utilidad? e a Bajo las hip´tesis b´sicas. Esto implica que: P r −c ≤ ˆ βj − βj ≤c ˆ des(βj ) = (3. K. con o probabilidad (1 − α) se estima que el par´metro βj estar´ dentro de ese rango de valores. 3 0. la covarianza estimada entre los coeficientes β2 asociado a F2 y β4 asociado a BAT HS es igual a cov(β2 . . Denotamos por c = t(N −K)α/2 la ordenada de la distribuci´n t de Student con N − K grados o de libertad. 585 −356. Es importante tener en cuenta que la validez de estos intervalos a de confianza depende de que se satisfagan las hip´tesis b´sicas. Estimaci´n de la matriz de covarianzas de β o principal. 1 −1209. se puede demostrar que la variable aleatoria o a ˆ βj − βj ∼ t(N − K) ˆ des(βj ) (3. Tambi´n podemos obtener estimaciones de las covarianzas entre los coeficientes estimados. 40 1870. 995066. Por e ˆ ˆ ejemplo. Esto es v´lido para cualquiera de los coeficientes a βj . Un intervalo de confianza nos dice que.1). Este a a intervalo puede ser demasiado amplio. 00102019 −0. 47 const F2 BEDRMS BATHS ˆ Tabla 3. la varianza ˆ ˆ estimada del coeficiente β2 asociado a F2 es var(β2 ) = 0. 995066 730. tal que deja a la derecha una probabilidad de α/2. y esto depender´ de la precisi´n con la que estimemos los a o ˆ par´metros recogido en des(βj ). 0754606 −0. un intervalo de confianza del (1 − α) por ciento para un coeficiente cualquiera βj viene dado por ˆ ˆ IC(βj )1−α = βj ± c des(βj ) El c´lculo de los intervalos de confianza para los coeficientes de regresi´n del modelo se conoce a o con el nombre de estimaci´n por intervalo. 0319404. . 00102019 y su ra´ cuadrada es su ız ˆ desviaci´n t´ o ıpica estimada des(β2 ) = 0. .

F de Snedecor. En la ventana principal gretl en Herramientas → Tablas estad´ ısticas. Los valores mostrados corresponden a los valores de α/2 de 0. 3033) (2. Los intervalos de confianza obtenidos son: β1 : β2 : β3 : β4 : 129. t´ ıpica 88.8465 −0.6376 −108.0836321 0.0319404 27. 025). 228 × 27.690 325. 1928 ± (2. 2500) El intervalo de confianza adem´s se puede utilizar para contrastar la hip´tesis de que el par´metro a o a βj tome determinado valor.062 0.025-0.4430 0. Gretl nos permite obtener directamente los intervalos de confianza del 95 por ciento para los coeficientes. no podemos rechazar con una confianza del 95 por o ciento.154800 −21. utilizando los resultados mostrados en la ventana gretl:modelo1 Modelo 1: estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: P Variable const F2 BEDRMS BATHS Coeficiente 129.7987 −0. Normal.1742 Tabla 3. o A su vez. 1548 ± −21. Si el valor del par´metro bajo la hip´tesis nula est´ dentro del a o a intervalo de confianza. no podemos rechazar esa hip´tesis al nivel de significaci´n α.1) para el precio de la vivienda. el valor en las tablas de la distribuci´n t de Student con 10 o grados de libertad es c = t(10)0.56 84.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Siguiendo con el ejemplo del modelo (3. El resultado mostrado en la Tabla 3.10-0. t-Student. 0319404) (2. 0293) (2.192 Desv.001.1): Estimaci´n por intervalo de los coeficientes. 0620 ± 0. En el caso de la t de Student hay que introducir los grados de libertad (gl).587 −12.3033 0.225968 −81. Chi-cuadrado. 228 × 43.05-0.4616 4.3: Modelo (3. ¿Quiere decir a entonces que el valor poblacional de cada uno de esos par´metros es cero? La respuesta es NO.01-0.2819 valor p 0. 5 60 . 228. Dada la o o muestra y nuestra especificaci´n del modelo. Al 95 por ciento de confianza. 228 × 88.2500 Estad´ ıstico t 1.814 0. Recordar que Gretl permite acceder a algunos valores tabulados de distintas distribuciones.1746 0.154800 −21. 228 × 0. excepto para el par´metro asociado a F2.192 Intervalo de confianza 95 % bajo alto −67.062 0. (α/2 = 0.0007∗∗∗ 0. 5875 ± −12.7838 podemos obtener intervalos de confianza para cada uno de los coeficientes.0293 43. que el coeficiente asociado a cada una de estas a variables sea igual a cero ya que este valor est´ dentro del intervalo de confianza. dado un nivel de confianza (1 − α).812 38.3 se obtiene eligiendo en la ventana gretl:modelo1 An´lisis → Intervalos de confianza para los coeficientes a Variable const F2 BEDRMS BATHS Coeficiente 129. por ejemplo del 95 por ciento5 . a ya que por esa misma regla de tres el par´metro βj deber´ de tomar cada uno de los valores en a ıa el intervalo.025 = 2.587 −12.

en la distribuci´n de ´ste bajo la hip´tesis nula. dada la especificaci´n de nuestro modelo. esto es P r(tj > o e o tm |H0 ). pueda ser indistintamente negativo o positivo. El estad´ ıstico de contraste y su distribuci´n bajo la hip´tesis nula es: o o tj = ˆ βj H0 ∼ t(N − K) ˆj ) des(β (3.3. Si el contraste es a dos colas. • Rechazamos la hip´tesis nula a un nivel de significaci´n α. Dado que en la hip´tesis alternativa se contempla la posibilidad de que el coeficiente. el contraste es a dos colas.7) Una vez obtenido el valor muestral del estad´ ıstico. el valor-p ser´ el ´rea a la derecha de la realizaci´n muestral del ıa a o estad´ ıstico en valor absoluto. o o se dice que la variable es significativa o que el coeficiente es significativamente distinto de cero. el valor-p es dos veces el ´rea a la derecha de la realizaci´n muestral del estad´ a o ıstico en valor absoluto. en el lenguaje econom´trico se dice que la variable que o e acompa˜a al coeficiente en cuesti´n no es significativa o que el coeficiente no es significativamente n o distinto de cero al α por ciento de significaci´n. el efecto marginal de la variable Xj sobre el valor medio de la variable dependiente es cero. si en valor absoluto la realizaci´n o o o muestral del estad´ ıstico es mayor que el valor cr´ ıtico |tm | > c. tm . dada la especificaci´n del modelo una vez se ha controlado o o por el resto de factores incluidos como variables explicativas. Si no se rechaza la hip´tesis nula. Podemos considerar o o individualmente cada regresor y contrastar: H0 : βj = 0 Ha : βj = 0 donde la hip´tesis nula implica que. Este valor es una probabilidad e indica cu´l ser´ el menor nivel de significaci´n que se tendr´ que elegir para rechazar la hip´tesis a ıa o ıa o nula. en la distribuci´n de ´ste bajo la hip´tesis nula.3. Si por el contrario se rechaza la hip´tesis nula.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 3. se considera esta alternativa. ¿c´mo decidimos si rechazar o no la o j hip´tesis nula? o • Se elige un nivel de significaci´n α que indicar´ nuestra elecci´n de la probabilidad de o ıa o error de tipo I (rechazar la hip´tesis nula cuando esta fuera cierta) o tama˜o del contraste. mayor ser´ la probabilidad de error de tipo I si elegimos rechazar la ıa j 61 . de ser o distinto de cero. Normalmente en estos contrastes. Significatividad individual y conjunta Contrastes de significatividad individual Uno de los principales objetivos de un primer an´lisis de regresi´n es la de contrastar si son a o o no estad´ ısticamente relevantes los factores que hemos considerado como explicativos de la variable dependiente en cuesti´n. dada la realizaci´n muestral del estad´ o ıstico. No rechazamos la hip´tesis o j nula en caso contrario. o n Obtenemos el valor cr´ ıtico o umbral c = t(N −K)α/2 tal que P r(tj > c) = α/2. Otra forma de llevar a cabo el contraste es utilizar el valor-p. esto es o e o valor-p = 2 Pr(tj > tm |H0 ) j Si el contraste es a una cola. conocidos con el nombre de contrastes de significatividad individual. A mayor valor-p.

812 Excepto en el caso de la variable F2. o ¿Cu´l ser´ la regla de decisi´n del contraste mirando al valor-p? a a o Rechazar la hip´tesis nula si el valor-p es menor que el nivel de significaci´n elegido y no o o rechazarla en caso contrario.7838 Los valores obtenidos en la cuarta columna se obtienen de dividir los correspondientes valores de la segunda y tercera columnas esto es.01 y por lo tanto que 0.1746 0.154800 −21. el valor muestral de los estad´ ısticos tm en valor absoluto j es m´s peque˜o que cualquiera de estos valores cr´ a n ıticos. Luego a mayor valor-p menor evidencia contra la hip´tesis nula y por el contrario o o a menor valor-p mayor evidencia contra la hip´tesis nula.784 por lo que. a La quinta columna es el valor-p asociado a cada coeficiente. si o o el valor muestral es mayor en valor absoluto que el valor cr´ ıtico c.005 = 3. al 5 %. 5 % y 10 % o siendo el 5 % el m´s utilizado. Los coeficientes asociados al ıa o t´rmino constante. o al 1 % respectivamente. Estos valores oscilan entre 0. 1 t(10)0.2500 Estad´ ıstico t 1.587 −12. 228 t(10)0.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a hip´tesis nula.05 y que 0.175 y 0. 169 t(10)0. El valor-p asociado es mayor que 0.0007∗∗∗ 0. 05 α = 0. Habitualmente se eligen como niveles de significaci´n el 1 %.4 por ciento de probabilidad de cometer el error de rechazar esa hip´tesis siendo o cierta. dos o tres asteriscos cuando se rechaza la a hip´tesis nula al 10 %.4616 4. Esto parece o 62 .5 a un 78. t´ ıpica 88. Modelo 1: estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: P Variable const F2 BEDRMS BATHS Coeficiente 129.3033 0. Gretl indica con uno.0319404 27. BEDRMS y BATHS no ser´ significativamente distintos de cero ni siquiera e ıan al 10 %. o En este caso solamente es significativa la variable F2 al 1 % y se indica con tres asteriscos. querr´ decir que dos veces la a probabilidad que deja a la derecha el valor muestral es m´s peque˜o que ese nivel de significaci´n. Elegido un nivel de significaci´n. 01 α = 0. la estimaci´n del coeficiente dividida por su desviaci´n o o t´ ıpica estimada. El valor-p asociado a esta variable es m´s peque˜o que 0.2819 valor p 0. Por lo tanto solamente se rechaza la hip´tesis nula de que el coeficiente asociado a la variable SQFT sea igual a cero. habr´ desde a o ıa un 17. Si miramos a los valores cr´ ıticos en cada uno de estos niveles de significaci´n tenemos que: o α = 0.025 = 2.1. a n o Siguiendo con nuestro ejemplo. vamos a comentar qu´ nos indican la cuarta y quinta columna e que aparec´ en la ventana de resultados de la estimaci´n por MCO del modelo (3.0293 43. Esta ser´ la realizaci´n muestral del estad´ ıa o ıstico tj bajo la hip´tesis nula de que o el valor poblacional del par´metro βj asociado a esa variable es igual a cero. si rechaz´semos la hip´tesis nula de que cada uno de estos coeficientes es cero.192 Desv.05 = 1.062 0. siendo el contraste de significatividad individual a dos colas. a n Para el resto de coeficientes no se rechazar´ la hip´tesis nula.4430 0. Esta es exactamente la misma regla de decisi´n que antes.1) greıan o tl:modelo1.8465 −0.1.7987 −0.

o o Contraste de significaci´n conjunta o Otro estad´ ıstico que se muestra en la ventana de resultados de la estimaci´n es el valor del o estad´ ıstico F (3. sean cero. En nuestro ejemplo en concreto e H0 : β2 = β3 = β4 = 0 Ha : alguna de las igualdades no se cumple Este estad´ ıstico se puede considerar como un contraste general de bondad de ajuste del modelo.R = Yi − β1. al que llamaremos Modelo Restringido es: o Modelo Restringido Pi = β1 + ui i = 1.9) cuya soluci´n es o 1 ˆ β1. Esto significa que es un modelo muy o pobre y que debiera de ser reformulado.R i (Yi − Y )2 = SCT 63 ⇒ SCER = 0 .R = Yi − Y . El estimador MCO del par´metro β1 en el modelo restringido es a aqu´l que e N m´ ın ˆ β1 i=1 ˆ (Yi − β1 )2 En este caso tenemos solamente un par´metro a estimar por lo que s´lo hay una ecuaci´n normal. Lo normal es tener una vivienda con un e n´mero de habitaciones y ba˜os proporcional a su tama˜o. 10) = 16. .Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 indicar que dado que el n´mero de habitaciones y de ba˜os est´ ya recogido en el tama˜o de la u n a n vivienda. N (3. El o a n e modelo bajo la hip´tesis nula.8) Este modelo incluye solamente un t´rmino constante como regresor y le compararemos con el e Modelo No Restringido (3. ¿Qu´ hip´tesis nula se est´ contrastando? e o a ¿C´mo se calcula este estad´ o ıstico? La hip´tesis nula que se est´ contrastando es que conjuntamente todos lo coeficientes. una vez incluimos esta variable el tener m´s o menos habitaciones o ba˜os no tiene un a n efecto marginal significativo en el precio medio de ´sta. u n n Esto mismo concluimos mirando a los intervalos de confianza. 000299.R = N ¯ Yi = Y i El coeficiente estimado que acompa˜a al t´rmino constante nos recoge simplemente la men e dia muestral de la variable dependiente. aunque en ese caso el nivel de significaci´n elegido s´lo fue del 5 por ciento.1). . Esto implica que la suma de o cuadrados explicada o variaci´n explicada con la estimaci´n de este modelo (3. . . El residuo correspondiente al modelo restringido es ˆ ¯ ui.8) es nula o o SCRR = i u2 = ˆi. Estamos excluyendo de la hip´tesis nula el par´metro que acompa˜a al t´rmino constante.9889 con valor-p = 0. por lo que la suma de cuadrados residual coincide con la suma ˆ de cuadrados total o variaci´n total de la variable dependiente. excepto o a el asociado al t´rmino constante. a o o ˆ Yi = N β1 i (3. 2. Si la hip´tesis nula no se rechaza podemos concluir que ninguna de las variables en conjunto o puede explicar la variaci´n en el precio de la vivienda.

de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 corregido Grados de libertad Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o Criterio de Hannan–Quinn Podemos comprobar que la estimaci´n del coeficiente que acompa˜a al t´rmino constante coino n e ¯ = 317.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Por ultimo.493 88.4234 317. y ˆi. i (Yi −Y ) 7 En temas posteriores veremos la utilizaci´n de este estad´ o ıstico para contrastar otro tipo de restricciones lineales. u o Si dividimos numerador y denominador por la suma de cuadrados total SCT y utilizamos los siguientes resultados: ˆ i ui.R ¯ 2 = 1 − 1 = 0. 6 2 64 . t´ ıpica 23.216 166.R tambi´n los grados de libertad de ambas. el coeficiente de determinaci´n R2 es igual a cero. e o dependiente. Dado que en el modelo solameno te incluimos un regresor que no var´ ´ste no puede explicar variaci´n o varianza de la variable ıa.493 Desv.(glR ) y (glN R ) o 7 respectivamente (SCRR − SCRN R )/q H0 F = ∼ F(q.0000 Media de la var. ´ o Un estad´ ıstico general de contraste de restricciones lineales es aqu´l que compara las sumas e de cuadrados de residuos de la estimaci´n del modelo restringido y del modelo no restringio do.4982 101815. ya que la suma de cuadrados residual coincide con la suma de cuadrados total.000000 13 −82.T. 88. e ˆ2 i ui. Por lo tanto.8) obtenemos los siguientes resultados: Modelo 2: estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: P Variable const Coeficiente 317. teniendo en cuenta los grados de libertad en la estimaci´n de cada modelo. y teniendo en cuenta como se define el coeficiente de determinaci´n R2 ´ o R2 = 1 − ˆ2 i ui i (Yi ¯ − Y )2 para este modelo el coeficiente de determinaci´n es igual a cero6 . Si estimamos con Gretl el modelo (3.R 2 ¯ Esto es as´ dado que i u2 = i (Yi − Y )2 ⇒ RR = 1 − ı ˆi. La desviaci´n t´ cide con la media muestral de la variable dependiente (P o ıpica de los residuos coincide con la desviaci´n t´ o ıpica de la variable dependiente. N − K) (3. SCRR = i u2 = i (Yi − Y )2 = 101815.10) SCRN R /(N − K) donde q = (glR − glN R ) es el n´mero de restricciones bajo la hip´tesis nula y N − K = glN R . T − K = T − 1 = 13.4982 0.855 166. dependiente D.000000 0.157 valor p 0.R 13 = i (Yi − Y )2 = 88. 4982 13 Por ultimo. 493).108 166.6521 Estad´ ıstico t 13.

4. obtener un valor m´s o menos alto del coeficiente de determinaci´n puede estar a o influido por el tipo de datos que estemos analizando. 000299). mientras que con datos de secci´n cruzada eso no suele ocurrir ya que normalmente las o variables presentan mayor dispersi´n. es f´cil obtener R2 a altos. pero no debemos darle m´s importancia de la que tiene. SARRIKO-ON 8/09 b) glR − glN R = (N − 1) − (N − K) = K − 1 que es el n´mero de restricciones bajo la hip´tesis u o nula. Este coeficiente se define como la proporci´n de variaci´n explicada por la regresi´n del total de variaci´n a explicar en la muestra o o o o de la variable dependiente. donde las variables pueden presentar tendencias similares en el tiempo. 05 ya que este valor es mayor que el valor-p o obtenido. N − K) (1 − R )/(N − K) (1 − R ) (3. 8 65 . un valor del R podemos tener problemas de no satisfacerse alguna hip´tesis b´sica y nuestra inferencia no ser o a v´lida.11) En nuestro ejemplo sobre el precio de la vivienda. 10) = 16. 3. a Por otro lado.10)0. σ = SCR/N − K) ˆ ya que la suma de cuadrados de los residuos no es invariante a un cambio de escala en las variables. en particular al α = 0. aparte del asociado al t´rmino constante. K − 1 = 3 que es el n´mero de restricciones u bajo la hip´tesis nula y N − K = 14 − 4 = 10. si consideramos el valor-p se rechazar´ la hip´tesis nula a cualquier nivel ıa o de significaci´n razonable. es distinto de cero. estos deben de tener la misma variable dependiente ya que as´ tendr´n igual suma de cuadrados total. Si hay t´rmino constante en el modelo. Obtener a 2 cercano a 1 no indica que nuestros resultados puedan ser fiables.Econometr´ B´sica Aplicada con Gretl ıa a 2 a) 1 − R2 = SCRN R / SCT y en este caso 1 − RR = 1 − 0 = 1. Por ejemplo. si queremos utilizar el R2 para comparar distintos modelos. o Por otro lado. Bondad de ajuste y selecci´n de modelos o En los temas anteriores se ha presentado el coeficiente de determinaci´n como una medida de o bondad de ajuste que es invariante a unidades de medida8 . Si utilizamos el valor cr´ ıtico F(3. Dado el resultado mostrado F (3. e Aunque hemos utilizado en esta secci´n el coeficiente de determinaci´n en relaci´n al estad´ o o o ıstico de significaci´n conjunta. A´n as´ esta ı a u ı. e R2 = ˆ − Y )2 ¯ ¯ 2 =1− i (Yi − Y ) i (Yi ¯ 2 i (Yi − Y ) ˆ2 i ui 0 ≤ R2 ≤ 1 Este indicador tiene que ser considerado como uno m´s a tener en cuenta a la hora de valorar a si un modelo es adecuado. el estad´ ıstico general (3. medida adolece del problema de aumentar su valor al a˜adir una nueva variable explicativa. Esto indica que al menos uno de los coeficientes. Normalmente con datos de series temporales. en la siguiente secci´n vamos a hablar de su utilizaci´n junto con o o o el coeficiente de determinaci´n corregido y otros estad´ o ısticos para la selecci´n entre distintos o modelos.10) nos queda para este contraste en concreto igual a F = R2 /(K − 1) R2 (N − K) H0 = 2 2 (K − 1) ∼ F(K − 1. 71 obtenemos el mismo resultado ya que el valor muestral del estad´ ıstico es mayor que el valor cr´ ıtico.05 = 3. sea n Esto no ocurre con otras medidas como puede ser la desviaci´n t´ o ıpica de los residuos. 9889 o (valor p = 0.

eliminar esta variable del modelo aumentar´ el R2 mientras que si es mayor que a la unidad lo reducir´. reducir´ la suma a a a de cuadrados residual pero aumentar´ el factor de penalizaci´n. Para ello. 5875 BEDRMS − 12. Esta medida tiene en cuenta los grados de libertad tanto de la suma de cuadrados residual. 7868 F (3. utilizamos o distintos indicadores que hemos visto hasta ahora. Podemos considerar que estos indicadores o o nos ayudan a valorar la especificaci´n en t´rminos de la contribuci´n de las variables explicativas o e o 10 .847) (−0. o u a Selecci´n de un modelo para el precio de la vivienda. para seleccionar una especificaci´n entre varias propuestas. aunque suele ser lo m´s habitual. coeficientes de determinaci´n y criterios de informaci´n.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a cual sea su aportaci´n al modelo. Una forma de presentarlos es la siguiente: o (estad. Por ejemplo. a u Para tener en cuenta este problema se suele utilizar el R2 corregido por grados de libertad. significatividad individual. siendo el criterio AIC el que elige un modelo con mayor n´mero de par´metros. 1928 BATHS (1. analizar el gr´fico de residuos o utilizar diversos contrastes de ´ a algunas de las hip´tesis b´sicas son elementos importantes a la hora de evaluar los resultados de la especificaci´n o a o y estimaci´n de un modelo. como de la suma de cuadrados total.282) N = 14 R = 0. incluidas en el modelo Vamos a estimar las siguientes especificaciones o modelos alternativos para explicar el precio de la vivienda: Se puede demostrar que si el valor absoluto del estad´ ıstico t de significatividad individual asociado a una ¯ variable es menor que la unidad. Otros criterios de selecci´n de modelos que muestra Gretl son los criterios de informaci´n de o o Akaike (AIC).799) (−0. t) P = 129. o Vamos a continuar con nuestro ejemplo sobre el precio de la vivienda y comparar distintas especificaciones. 989 Una alternativa a presentar los estad´ ısticos t de significatividad individual. 10) = 16. es mostrar las desviaciones t´ a ıpicas estimadas de los coeficientes o los valores p correspondientes. con m´s variables explicativas. El coeficiente de determinaci´n corregido a o ¯ 2 no tomar´ valores mayores que el R2 pero s´ puede tomar valores negativos. a 10 Estos no son los unicos indicadores. Estos criterios se calculan en funci´n de la suma de cuadrados residual y de alg´n factor que penalice por la p´rdida de o u e grados de libertad. Normalmente no suelen dar ıa la misma elecci´n. Esto ultimo R a ı ´ indicar´ que el modelo no describe adecuadamente el proceso que ha generado los datos. conjunta. Se define como ¯ R2 = 1 − u2 /(N − K) ˆi ¯ (Yi − Y ) /(N − 1) 2 =1− N −1 (1 − R2 ) N −K ¯ − ∞ < R2 ≤ R2 ¯ El R2 puede disminuir si el incluir una nueva variable no compensa la p´rdida de grados de e libertad al tener que estimar un nuevo par´metro9 . 154800 F2 − 21. (N − 1). Adem´s no tiene en cuenta que hay que estimar un nuevo o a par´metro con el mismo n´mero de observaciones. ıa Hasta el momento hemos ido comentado los resultados que normalmente se muestran en la estimaci´n de un modelo. Utilizando estos criterios se a o escoger´ aquel modelo con un menor valor de AIC. 8359 R = 0. (N − K). 062 + 0.462) 2 (4. Un modelo m´s complejo. o 9 ¯2 66 . BIC o HQC. Bayesiano de Schwarz (BIC) y de Hannan-Quinn (HQC).

es decir que alg´n coeficiente o coeficientes son iguales a cero. Los resultados de la estimaci´n del Modelo 3 o con Gretl son los siguientes: Modelo 3: estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: P Variable const F2 BEDRMS BATH Coeficiente 129.8465 −0. 10) valor p para F () Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o Criterio de Hannan–Quinn El Modelo 1 es el m´s reducido y tambi´n est´ incluido en los modelos 2 y 3.Econometr´ B´sica Aplicada con Gretl ıa a Modelo 1 Modelo 2 Modelo 3 Modelo 4 Pi = β1 + β2 F 2i + ui Pi = β1 + β2 F 2i + β3 BEDRM Si + ui SARRIKO-ON 8/09 Pi = β1 + β2 F 2i + β3 BEDRM Si + β4 BAT HSi + ui Pi = β1 + β3 BEDRM Si + β4 BAT HSi + ui Estos cuatro modelos difieren en las variables explicativas incluidas.4982 16700.9889 0.0007 0.8657 0.835976 0.3033 0.2500 Estad´ ıstico t 1.4616 4.1746 0. Esto quiere decir que cada uno de los restantes se obtiene imponiendo una o m´s restricciones sobre los coeficientes de este modelo.000298587 −69.062 0. t´ ıpica 88.T.786769 16.908 149.464 146. dependiente D.453 146. A este o u tipo de modelos se les llama modelos anidados. a e a ı Estos son los resultados de su estimaci´n: o 67 .493 88.7987 −0.1 40.587 −12.671 valor p 0.0319404 27. El Modelo 3 es el m´s a general e incluye al resto de modelos. no as´ en el 4. En este caso son a restricciones de exclusi´n.192 Desv.0293 43.154800 −21.2819 317.4430 0. de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 corregido F (3.7838 Media de la var.

Los resultados de la estimaci´n de este modelo se muestran a o a continuaci´n: o Modelo 2: estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: P Variable const F2 BEDRMS Coeficiente 121.0230 0. dependiente D. 11) valor p para F () Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o Criterio de Hannan–Quinn 68 .050 valor p 0.910 Desv.936 144.1778 0.179 0.447 144. de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 corregido Grados de libertad Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o Criterio de Hannan–Quinn El Modelo 2 est´ anidado en el 3.3527 Media de la var.138750 Desv. dependiente D.0000 Media de la var. t´ ıpica 80.T.7674 5.0187329 Estad´ ıstico t 1.148314 −23.2855 0.1857 0.804613 27.4068 317.493 88.T.841 valor p 0.9933 −0.0000 0.4041 7.168 145.4982 18273.6 39. de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 corregido F (2.0212080 24. t´ ıpica 37.1185 0.9703 317.084 144.834673 0.5114 6.820522 0.3509 0.8 39.02220e-05 −69.509 145.493 88.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Modelo 1: estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: P Variable const F2 Coeficiente 52.805565 12 −70.1589 0.6419 Estad´ ıstico t 1.019 146.4982 16832.

4 71.8588 0. Los resultados de la estimaci´n a o por MCO son: Modelo 4: estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: P Variable const BEDRMS BATHS Coeficiente 27. • El estad´ ıstico F de significaci´n conjunta se˜ala en los tres casos no aceptar la hip´tesis nula o n o de que todos los coeficientes excepto el asociado al t´rmino constante son igual a cero. con nivel de significaci´n del 5 por ciento los valores cr´ o ıticos ser´ para el modelo 1 t(12)0.1822 −0. dependiente D.651 valor p 0. la suma de cuadrados a residual va disminuyendo y el coeficiente de determinaci´n R2 aumenta. u e • En cuanto a la significatividad individual.450706 0. pasando a ser de un o 83. 228.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Finalmente el Modelo 4 solamente est´ anidado en el modelo 3.025 = 2.914 161.8331 0.51285 0. Por ejemplo. t´ ıpica 149. u u n • A medida que se incluyen m´s variables explicativas.829 163. primero BEDRMS y luego BATHS. Al e menos hay un coeficiente que es significativamente distinto de cero. 12 11 69 . Por lo obtenido en los Notar que los estad´ ısticos t asociados a cada coeficiente son menores que uno en valor absoluto.2 y 3.025 = 2. tama˜o de la vivienda. As´ una vez hemos controlado por el a los niveles de significaci´n habituales es F2 o ı. 1 % de la variaci´n en los precios de la vivienda.3037 0. de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ 2 R ¯ R2 corregido F (2.025 = ıan 2.3450 Estad´ ıstico t 0.746 161. 179. 11) valor p para F () Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o Criterio de Hannan–Quinn Comparaci´n de los resultados para los modelos 1. o • Se observa que a medida que se introducen m´s variables explicativas. 201 y para el Modelo 3 t(10)0. para el Modelo 2 t(11)0.137 138.2633 −10. 6 % al incluir el n´mero de habitaciones (BEDRMS) y n´mero de ba˜os (BATHS).795 Desv. las variables BEDRMS y BATHS no afectan significativamente el n precio de la vivienda. Esto indica que la ganancia en un mayor valor del R2 o menor suma de duos aumenta cuadrados residual no se compensa en ning´n caso por la p´rdida de grados de libertad.4982 55926.9811 52.0370619 −77. en los tres modelos la unica variable significativa ´ 12 . o • En t´rminos del coeficiente de determinaci´n R2 .652 46.6515 317. a ¯ el coeficiente de determinaci´n corregido R2 disminuye y la desviaci´n t´ o o ıpica de los resi11 .2158 2.T.350834 4.493 88. en el Modelo 1 el tama˜o de la vivienda e o n (F2) explica el 82.0225 Media de la var.

o una menor suma de cuadrados residual. Podr´ ıamos argumentar que de esta forma se podr´ analizar el ıa efecto de BEDRMS y BATHS. se obtiene a 2 y R2 . Para ello encarga un estudio a dos becarios de la facultad de o Econ´micas de Harvard poniendo a su disposici´n datos de 2005 para dichas variables sobre 51 o o 70 . BIC y HQC. las diferencias en el o estad´ ıstico F no son relevantes. o Dado que el tama˜o de la vivienda depende del n´mero de habitaciones y de ba˜os.E. sabemos que ´ste es el coeficiente que acompa˜a e n a F2. en general. e • Si consideramos los criterios de informaci´n AIC. de los tres modelos el elegido o ¯ es el Modelo 1.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a contrastes de significatividad individual. Esto es l´gico. las diferencias en R2 son demasiado peque˜as para compensar a n la disminuci´n en el ratio (N − K)/(K − 1). que en el an´lisis anterior era la variable que a m´s explica el precio de la vivienda y hemos dejado las variables que no eran significativas una a vez que inclu´ ıamos esta variable. la renta personal disponible agregada tambi´n en billones o e de d´lares (income).U. Otra vez estar´ recogiendo que. ¿Qu´ ocurre con el Modelo 4? e En este modelo no hemos incluido la variable F2. BIC y HQC. mayor suma de cuadrados residual ¯ menor valor de R y mayor desviaci´n t´ o ıpica de los residuos. quiere estudiar la relaci´n entre el gasto sanitario agreo gado en billones de d´lares (exphlth). el valor muestral del estad´ ıstico F disminuye. Lo que es de inter´s es el resultado del contraste. La ganancia en un mejor ajuste. pasando la estimaci´n o n o de signo positivo a negativo y ser significativamente distinto de cero al 5 % de significaci´n. o o 3. ya que F2 parec´ recoger la informaci´n relevante de estas dos ıa o variables. o ¿Qu´ puede estar ocurriendo? ¿Ser´n esta estimaci´n y este contraste fiables si hemos omitido e a o una variable que parece ser relevante? ¿Se ver´n afectadas las propiedades del estimador MCO a por esta omisi´n? Todo esto lo veremos en el tema de error de especificaci´n. Ejercicios para practicar Ejercicio 1: El Departamento de Sanidad de E. ya que este estad´ o ıstico es funci´n del R2 pero tambi´n de los o e grados de libertad.U. a medida que vamos del Modelo 1 al 3. mayor valor de AIC. Si lo comparamos con el Modelo 3. Vemos que el omitir F2 empeora mucho el e ajuste sin compensar por la ganancia en grados de libertad. el porcentaje de poblaci´n que supera los 65 a˜os en el a˜o 2005 (seniors) o o n n y la poblaci´n en millones (pop). peor modelo el 4. Ahora bien. n o en t´rminos de estos criterios. Adem´s cambia sustancialmente la a estimaci´n y la significatividad del coeficiente que acompa˜a a BATHS. no es suficiente para compensar el factor que penaliza en funci´n de grados de libertad. que es en el que est´ anidado el Modelo 4. a medida que aumenta el n´mero de ıa u par´metros a estimar K. reafirmando lo que indica el R2 .5. este n u n resultado parece indicar que una vez se controla por F2 indirectamente esta variable incluye casi todo lo que pueden aportar BEDRMS y BATHS. Todos ellos se˜alan en la misma direcci´n siendo. Si nos fijamos.

Econometr´ B´sica Aplicada con Gretl ıa a estados americanos13 . Escribe la ecuaci´n del modelo que te permita analizar la influencia de las variables explio cativas income.0. Interpreta el coeficiente de determinaci´n del modelo. recogida en Ramanathan. Fuente: Statistical Abstract of U. a c) Gr´fico de residuos MCO sobre la variable income. Interpreta los coeficientes estimados del modelo.26 .gdt. Technical Bulletin No 2765.256 . Contrasta la significatividad individual de las variables explicativas del modelo. cambia las unidades de las variables de forma que est´n en o a e unidades espa˜olas.548) Precio por pinta de helado en d´lares. Michigan State University. Especifica un modelo en el que relaciones el consumo de helado (Q) con el precio (P). la renta (I) y el cuadrado de la temperatura (F 2 ). o 7. 3. Introductory econometrics with applications.96) o Temperatura media en grados Fahrenheit.0. R. Fichero data8-3.S. Fuente: Datos del art´ ıculo de Hildreth. (2002). (1995). Ed. Lu (1960).72) 1. en d´lares (Rango 76 . (Rango 24 . Interpreta los coeficientes del modelo anterior.8 grados Fahrenheit y que el d´lar est´ a 0. (Rango 0. 2. concretamente desde el 18 de marzo hasta el 11 de julio14 . recogida en Ramanathan. Contrasta la significatividad conjunta de las variables explicativas. 6. Introductory econometrics with applications.292) o Renta familiar disponible semanal. seniors y pop sobre la variable exphlth. n 2. a b) Gr´fico de residuos MCO sobre la variable pop.473 litros. (Rango 0. C. y J. o ¿Son sus signos coherentes con la teor´ econ´mica? ıa o 4. (2002).. 14 Fichero data9-1. 13 71 . Escribe los supuestos necesarios sobre la perturbaci´n para que los estad´ o ısticos tengan validez. Las n variables que se consideran son: Q P I F Consumo per capita de helado en pintas. 5.766 euros. “Demand relations with autocorrelated disturbances”. Obt´n los siguientes gr´ficos y comenta la informaci´n que te proporcionan: e a o a) Gr´fico de la serie de residuos MCO.. Interpreta los coeficientes del modelo. Ed.gdt. Dado que no se est´ acostumbrado a las unidades de medida americanas y sabiendo que a una pinta equivale a 0. South-Western. Estima la ecuaci´n propuesta por MCO. SARRIKO-ON 8/09 1. 5th. un grado cent´ ıgrado son 1. Para ello se dispone de una base de datos de 30 observaciones recogidos cada cuatro semanas durante los a˜os 1951 a 1953. R. 5th. 3. South-Western. a Ejercicio 2: Se quiere analizar la demanda de helado de mediados del siglo pasado en un estado de EEUU.

Comenta los resultados obtenidos en cuanto a la significatividad de las variables y la bondad de ajuste. Estima el modelo por M´ ınimos Cuadrados Ordinarios (MCO). ¿en cu´nto estie a mas la variaci´n del consumo per capita de helados correspondiente a ese mismo periodo? o ¿Y si la temperatura en ese periodo hubiera sido de 25 grados cent´ ıgrados? ¿Y si hubiera sido de 40 grados cent´ ıgrados? 6. ¿Son los signos de los coeficientes estimados los esperados? 5. 7.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 4. Si la renta disponible semanal aumentara en un euro manteni´ndose constantes las dem´s e a variables: a) ¿En cu´nto estimas que se incremente la demanda de helados semanal? a b) ¿Es posible que dicho incremento fuera de un mililitro? 72 . Si la temperatura media de las cuatro primeras semanas hubiese aumentado un grado cent´ ıgrado manteni´ndose constantes los valores del resto de las variables.

1.1) 1 Cuidado que esto no es lo mismo que todas las igualdades no se satisfagan. adem´s de ´stas. tambi´n podemos estar interesados en contrastar hip´tesis que a e e o implican otro tipo de restricciones lineales en los coeficientes poblacionales del modelo. podemos denotar la hip´tesis nula y la alternativa como: o H0 : R (q × K) · β (K × 1) = r (q × 1) Ha : Rβ = r siendo q el n´mero de restricciones bajo la hip´tesis nula y K el n´mero de par´metros en el u o u a modelo no restringido. muestra por defecto los valores de los estad´ ısticos correspondientes para contrastar estas restricciones en el mismo output de estimaci´n. no se satisface Por ejemplo en el modelo sobre el precio de la vivienda que hemos visto ya en temas anteriores. Contraste de significaci´n individual de la variable BEDRM S: H0 : β3 = 0 o  β1  β2     β3  = 0 β4  H0 : Rβ = r ⇒ 0 0 1 0 (4. como tambi´n es el caso de a e e Gretl. La hip´tesis alternativa implicar´ que al menos una de las igualdades o ıa 1.Tema 4 Contrastes de restricciones lineales y predicci´n o 4. En general. Estos contrastes son los o m´s habituales y en general cualquier programa econom´trico. o En ocasiones. Pi = β1 + β2 F 2i + β3 BEDRM Si + β4 BAT HSi + ui podemos expresar de esta forma los siguientes contrastes: 1. Contrastes de restricciones lineales En el Tema 3 hemos estudiado la forma m´s com´n de realizar los contrastes de significatividad a u individual y el contraste de significatividad conjunta sobre los coeficientes que acompa˜an a n las variables explicativas en un modelo de regresi´n lineal general. 73 .

 H0 : Rβ = r ⇒ 0 0 1 0 0      β1 β2 β3 β4 β5    =1   2. . . en t´rminos reales. si aumenta el PNB real o en una unidad. Contraste de un subconjunto de coeficientes igual a cero. esto es. e Tasa de Inflaci´n. o (4. o   β1  β2    0 0 0 1 1  β3  = 0 H0 : Rβ = r ⇒    β4  β5 74 . T Producto Nacional Bruto. por ejemplo los que acompa˜an n a las variables BEDRMS y BATHS: H0 : β3 = β4 = 0  β1  β2     β3  = β4  H0 : Rβ = r ⇒ 0 0 1 0 0 0 0 1 0 0 Podemos ilustrar el inter´s de contrastar otro tipo de restricciones lineales en el siguiente modelo e para la inversi´n agregada de un pa´ o ıs. IN V ERRt = β1 + β2 t + β3 P N BRt + β4 IN T ERESt + β5 IN F LACIONt + ut donde las variables implicadas son: INVERR: t: PNBR: INTERES: INFLACION: Inversi´n agregada. 2. H0 : β4 + β5 = 0. la inversi´n aumentar´ en la misma proporci´n. . podr´ a ıamos estar interesados en contrastar las siguientes restricciones lineales: 1.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 2. e Tipo de Inter´s nominal. o e Tiempo t = 1. la inversi´n e o no variar´ si un aumento del tipo de inter´s nominal viene acompa˜ado por un aumento a e n de la misma magnitud de la tasa de inflaci´n. . en t´rminos reales. Contraste de significaci´n conjunta: H0 : β2 = β3 = β4 = 0 o    β1 0 1 0 0  0  β H0 : Rβ = r ⇒  0 0 1 0   2  =  0   β3  0 0 0 1 0 β4    3. Esto es. la propensi´n marginal a invertir es igual a 1..2) Adem´s de realizar los contrastes de significatividad individual y conjunta. los inversores tienen en cuenta el tipo de inter´s real. manteniendo el resto de factores constantes. H0 : β3 = 1. manteniendo el valor del o a o resto de variables constante.

se tiene que bajo la hip´tesis nula: o ˆ Rβ ∼ N ( (q × 1) r (q × 1) . tenemos que el estad´ ˆ a ıstico −K de contraste y su distribuci´n bajo la hip´tesis nula es el siguiente: o o F = ˆ ˆ (Rβ − r) [R(X X)−1 R ]−1 (Rβ − r)/q u u/(T − K) ˆˆ H0 ∼ F(q. se puede utilizar para contrastar una o m´s restricciones lineales en el contexto de un MRLG. a o o  0 1 0 0 0    0 0 1 0 0  H0 : Rβ = r ⇒  0 0 0 1 1    β1 β2 β3 β4 β5     0  = 1    0 El siguiente estad´ ıstico.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 3. T − K) (4. una vez que hemos le´ los datos de las variables ıdo de inter´s la forma de proceder es la siguiente: e • Especificar y estimar por MCO el modelo sin imponer las restricciones o el modelo no restringido en Modelo ⇒ M´ ınimos cuadrados ordinarios • En la ventana donde se muestran los resultados de la estimaci´n del modelo no restringido. F > F(q. o donde a la izquierda del signo igual tiene que ir la combinaci´n lineal de los par´metros y a o a la derecha el valor num´rico correspondiente. Contrastes utilizando Gretl En esta secci´n vamos a utilizar Gretl para contrastar las restricciones vistas en los ejemplos o anteriores utilizando ese estad´ ıstico.3) ˆ ˆ Utilizando este resultado y el estimador σ 2 = Tu u del par´metro σ 2 . β4 + β5 = 0. Esta forma de realizar el contraste a solamente requiere estimar el modelo sin restringir. dado que R es una matriz de del modelo sin restringir es: β constantes de rango q. o gretl: modelo1 elegir Contrastes ⇒ Restricciones lineales • Dentro de la ventana que aparece gretl: restricciones lineales podemos escribir las restricciones a contrastar. Cada restricci´n del conjunto de restricciones tiene que ir en una l´ o ınea como una ecuaci´n. σ 2 R(X X)−1 R ) (q×q) (4. Rechazaremos la H0 con un nivel de significatividad α si el valor muestral del estad´ ıstico es mayor que el valor cr´ ıtico. 4. Los par´metros en la restricci´n se denotan e a o 75 . T − K)α . Contraste conjunto de las dos restricciones anteriores adem´s de la restricci´n de que la inversi´n en media no presenta una tendencia lineal. En general. Como ya hemos visto en el Tema 3. Por lo tanto. bajo las hip´tesis b´sicas la distribuci´n del estimador MCO o a o ˆ ∼ N (β. no rechazando H0 en caso contrario. β3 = 1.2. σ 2 (X X)−1 ). la diferencia (Rβ −r) ser´ grande por lo que el estad´ a ıstico F tomar´ valores a grandes en ese caso. H0 : β2 = 0. conocido como estad´ ıstico F de Wald.4) ˆ Si no es cierta la H0 .

000000 ESTAD T VALOR P 1. I 37. Dentro de la ventana escribimos a b3=0 b4=0 Al seleccionar Aceptar en esta ventana obtenemos los siguientes resultados: Conjunto de restricciones 1: b[BEDRMS] = 0 2: b[BATHS] = 0 Estad´stico de contraste: ı F(2. con valor p = 0.18565 7.637492 Estimaciones restringidas: VARIABLE const F2 BEDRMS BATHS COEFICIENTE 52.3509 0. Si miramos a las tablas de la distribuci´n F con 2 y 10 grados de libertad. 05. coeficiente que normalmente. manteniendo el tama˜o de la vivienda constante. β3 es b3 y as´ sucesivamente con todos los coeficientes del modelo.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a de la forma bJ donde J representa la posici´n en la lista de regresores comenzando por o J= 1. o eligiendo en la ventana principal de Gretl Herramientas → Tablas estad´ ısticas → F con gln 2 y gld 10 obtenemos la siguiente informaci´n. aunque no necesariamente.407 <0. 637492 > 0. nuestro β2 n es b2. acompa˜a a la constante. vamos a contrastar la hip´tesis de que conjuntamente variaciones en el n´mero de habitaciones y o u el n´mero de ba˜os. en la ventana de resultados de la estimaci´n gretl:modelo1 seleccionamos con el cursor o Contrastes ⇒ Restricciones lineales Aparecer´ la ventana gretl: restricciones lineales.000000 DESV. ı En el ejemplo del modelo para el precio de la vivienda.00001 indefinido indefinido Desviaci´n t´pica de los residuos = 39.000000 0.000000 0.0187329 0. que hemos utilizado en el Tema 3.T´P. o 76 .138750 0. 10) = 0. Lo que nosotros hemos denotado en el MRLG como β1 . no influyen en el precio de u n n la vivienda. el modelo mantenemos el mismo orden en el listado de variables explicativas Pi = β1 + β2 F 2i + β3 BEDRM Si + β4 BAT HSi + ui (4.023 o ı No rechazamos la hip´tesis nula al nivel de significaci´n por ejemplo del 5 % ya que el valor o o p = 0.471106. Vamos a denotar los coeficientes como Gretl lo har´ suponiendo que al especificar ıa.2855 0.5) Una vez estimado el modelo con Modelo ⇒ M´ ınimos cuadrados ordinarios.404 0. en Gretl se denomina b1.

18565 <0. 5 y 10 % no se rechaza o la hip´tesis nula. 10) ı 10% en la cola derecha 2. Cuando las restricciones a contrastar son simplemente de exclusi´n de uno o m´s regresores del o a modelo de partida.Econometr´ B´sica Aplicada con Gretl ıa a Valores cr´ticos aproximados de F(2.3509 0.138750 ´ DESV. dependiente = 317. = 88.0842 Criterio de informaci´n de Akaike (AIC) = 144. 37.820522 R-cuadrado corregido = 0. Notar que los coeficientes que acompa˜an a BEDRMS y BATHS son igual a cero n y sus desviaciones t´ ıpicas tambi´n.493 Desviaci´n t´pica de la var.6) Media de la var.00001 *** (4. para los tres niveles de significaci´n del 1. se seleccionan las variables que acompa˜an a los coeficientes que bajo la hip´tesis nula son cero. ser´ elegir las variables BEDRMS y BATHS.6 Desviaci´n t´pica de los residuos = 39. En el ejemplo en n o concreto que estamos viendo.168 o Criterio de informaci´n Bayesiano de Schwarz (BIC) = 145.805565 Grados de libertad = 12 Log-verosimilitud = -70.05 Comparaci´n entre el modelo restringido y no o restringido: 77 . otra forma de llevar a cabo este contraste en Gretl es elegir en el men´ de u la ventana de estimaci´n del modelo de partida. La raz´n es que esos coeficientes no son estimaciones ya que e o toman un valor dado conocido. o Modelo Restringido: estimaciones MCO utilizando las 14 observaciones 1-14 Variable dependiente: P VARIABLE const F2 COEFICIENTE 52.023 o ı R-cuadrado = 0.10 1% 7.92 5% 4.56 SARRIKO-ON 8/09 De igual forma vemos que.4982 o ı Suma de cuadrados de los residuos = 18273. ya que el valor muestral del estad´ o ıstico es menor que el valor cr´ ıtico correspondiente. gretl: contrastes del modelo.447 o Criterio de Hannan-Quinn (HQC) = 144.TIP. dependiente. Adem´s tambi´n se muestran las estimaciones del modelo restringido bajo esas dos a e restricciones.2855 0. Al pulsar Aceptar se ıa muestra una nueva ventana con la estimaci´n del modelo restringido bajo esas dos restricciones o Pi = β1 + β2 F 2i + ui que implican excluir de la regresi´n a BEDRMS y BATHS.0187329 ESTAD T 1.404 7.407 VALOR P 0. o Contrastes ⇒ Omitir variables Seguidamente en la ventana que surge.

1. p.edu/∼wgreene/Text/econometricanalysis. D. INVERR y PNBR. El tipo de inter´s es e el promedio anual de la tasa de descuento del Banco de la Reserva Federal de Nueva York.S.1 y βR.nyu. el valor muestral del e estad´ ıstico F que contrasta esas dos restricciones de exclusi´n. Por lo tanto. 2 78 . se o e han obtenido de dividir las series nominales por el IPC con a˜o base en 1972 y multiplicar por n 10−1 . los datos utilizados para estimar el modelo. y el valor-p.6).stern. a Las series de Inversi´n y Producto Nacional Bruto en t´rminos reales.2 0 0 a ˆ donde βR.1 βR.7) ˆ ˆ ˆ ˆ El estimador restringido ser´ βR = βR. son o finalmente los que aparecen en la Tabla 4.637492 La ventaja de realizar de esta forma el contraste es que.1 publicada en Greene (2008).1082 y disponible en: http://pages. para ilustrar o o otro tipo de restricciones lineales que no sean simplemente de exclusi´n. 1983. La tasa de inflaci´n se ha calculado como el a o o porcentaje de variaci´n del IPC. el resultado que se obtiene es exactamente el mismo que el que se ofrece en la ventana gretl: restricciones lineales. Fuente: Economic Report of the President. Government Printing Office. (4.C. a o En esta ventana tambi´n se muestra el resultado del contraste. 10) = 0. Seguidamente vamos a utilizar el ejemplo del modelo de la Funci´n de Inversi´n.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Hip´tesis nula: los par´metros de regresi´n son cero para las o a o variables BEDRMS BATHS Estad´stico de contraste: ı F(2.. Washington. Como se puede o observar. 3 Corresponden a la Tabla F3.471106. U.2 son los obtenidos de la regresi´n o excluyendo BEDRMS y BATHS.06. con valor p = 0. o Escribimos el modelo no restringido IN V ERRt = β1 + β2 t + β3 P N BRt + β4 IN T ERESt + β5 IN F LACIONt + ut y para el an´lisis usamos los datos3 de la Tabla 4.htm. adem´s de tener la estimaci´n del a o modelo restringido (4. El IPC de 1967 es 79.2. en esta nueva ventana tenemos otra vez todos los men´s que Gretl u ofrece para el an´lisis de esta nueva especificaci´n2 . esto es. tal que est´n medidas en trillones de d´lares.

3 471. 15.16 5.Econometr´ B´sica Aplicada con Gretl ıa a A˜o n 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 PNB nominal 73.77 13.1 2937.31 5.479 1.15 5.23 SARRIKO-ON 8/09 Tipo de Inter´s e 5. con la opci´n de Gretl o Archivo → Nuevo conjunto de datos Seguidamente estimamos por MCO el modelo no restringido arriba especificado.99 INTERES 5.87 5.01 100.163 0.161 0.4 1434.51 207.44 7.088 1.246 1.241 0.50 5.02 Tabla 4.2 1549.16 5.7 3057.88 4.1: Datos para el estudio de la Funci´n de Inversi´n o o A˜o n 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1982 INVERR 0.28 11.204 PNBR 1.83 6.83 7.6 1185.0 402.83 6.42 11.1 257.225 0.95 4. eligiendo en el men´ Modelo → M´ u ınimos Cuadrados ordinarios y obtenemos los siguientes resultados 79 .8 2633.77 13.45 96.82 9.217 0.02 Tabla 4.54 86.40 8.7 1077.254 1.64 195.95 4.00 105.3 2163.231 0. .2 166.16 5.46 10.7 206.34 140.1 386.42 11.195 0.232 1.122 1.2 1718.5 Inversi´n nominal o 133.25 5. .257 0.439 1.87 5.058 1.75 8.173 0.370 1.50 5.44 5.259 0.158 0.44 7.50 6.172 0.0 1918.75 115.46 10.5 421.3 144.8 228.3 149.25 5.6 423.46 7.37 4.79 91.4 944.298 1.199 0.05 150.31 9.42 178.4 195.08 125.64 9.503 1.0 992.9 1326.88 4.99 4.086 1. .475 INFLACION 4.40 5.9 IPC 82.21 5.2: Datos en t´rminos reales e Primeramente creamos el fichero de datos a partir de la tabla anterior incluyendo la variable t = 1.9 2417.50 6.186 1.79 132.195 0.9 324.46 7.42 163.28 11.474 1.0 229. .

0165804 0. es m´s peque˜o a n que 0. no estamos estimando ese coeficiente.000450812 0. 01 se rechaza la hip´tesis nula al 1 % de significaci´n.00197176 0.00232593 −9. de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 corregido F (4. de autocorr.07 valor p 0.62 −100.23377 -0.0341774 0.888 <0.00121887 0.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Variable Modelo 1: estimaciones MCO utilizando las 15 observaciones 1968–1982 Variable dependiente: INVERR Coeficiente Desv. donde se e ha impuesto que el coeficiente que acompa˜a a PNBR es igual a la unidad. dependiente D. t´ ıpica Estad´ ıstico t −0.96364 −0.00247563 0. En la ventana gretl: modelo1 o seleccionamos Contrastes → Restricciones lineales y en la ventana que surge escribimos b3 = 1.90323 Desviaci´n t´pica de los residuos = 0.000000 0.4089 12.509071 −0. a Dado que el valor-p.0000 0.00671425 0.00001 *** indefinido -1.00000 INTERES -0. 10) Estad´ ıstico de Durbin–Watson Coef.837112 t -0. frente a o la hip´tesis alternativa de que es distinto de la unidad.203333 0. de primer orden Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o Contrastes de restricciones lineales: a) Contraste de que la propensi´n marginal a invertir es la unidad.000133289 Estimaciones restringidas: VARIABLE COEFICIENTE const -0. por lo tanto su desviaci´n t´ o ıpica es cero y el estad´ ıstico t no est´ definido. con valor p = 0.260 0. o o 80 . asociado al valor muestral del estad´ ıstico de contraste.00001 *** -19. H0 : β3 = 1.0698 0.322 <0.0549972 0.00311914 INFLACION -0.000342359 ´ DESV. Al aceptar se obtiene el siguiente resultado.0000 0.0981367 −103.TIP. 0.0137184 o ı Se muestran tambi´n las estimaciones de los coeficientes del modelo restringido. Restricci´n: o b[PNBR] = 1 Estad´stico de contraste: ı F(1.00134748 −9.124 0.T.0276707 PNBR 1. 10) = 35.0854 0.40107e-05 0.2344 −8.9458 const t PNBR INTERES INFLACION Media de la var.961406 88.1894 −1.00275183 ESTAD T VALOR P -62.972433 0.9083 −0.92. Como damos n ese valor a β3 .0134320 0.670383 −0.1883 1.0551277 0.0000 0.00139136 0.

0604801 0. realizamos el contraste conjunto de estas dos restricciones lineales.00001 *** <0.00214732 0. o De igual forma coinciden las varianzas estimadas y las desviaciones t´ ıpicas.364 -7. Ha : β3 = 1.657533 INTERES -0. o o c) Por ultimo. la propen´ si´n marginal a invertir es la unidad y la inversi´n real responde al tipo de inter´s real.TIP. 10) = 21.00001 *** 0.119 VALOR P <0. El coeficiente estimado que o acompa˜a a INTERES es el mismo valor pero con signo contrario que el obtenido para el n coeficiente de INFLACION.25354. 1 no se rechaza la hip´tesis nula al 10 % (ni al 5 % o 1 %) de significaci´n. en la ventana gretl: modelo1 seleccionamos Contrastes → Restricciones lineales y escribimos b3=1 b4+b5=0 Al aceptar se obtiene el siguiente resultado: Conjunto de restricciones 1: b[PNBR] = 1 2: b[INTERES] + b[INFLACION] = 0 Estad´stico de contraste: ı F(2.0598599 0.0170255 PNBR 0.00133784 INFLACION 0. β4 + β5 = 0 frente a la alternativa de que al menos una de ellas no se satisface. con valor p = 0.000246226 Estimaciones restringidas: 81 .00133784 ´ DESV. En este caso se estiman todos los coeficientes bajo la restricci´n de que β4 = −β5 . De la misma forma que antes. o o e Esto es H0 : β3 = 1.28683 De nuevo se muestran las estimaciones del modelo restringido. Dado que el valor-p.505855 t -0. es mayor que 0. Al aceptar se obtiene el siguiente resultado Restricci´n: o b[INTERES] + b[INFLACION] = 0 Estad´stico de contraste: ı F(1. en la ventana gretl: modelo1 seleccionamos Contrastes → Restricciones lineales. y \ o β4 + β5 = 0.00119517 ESTAD T -8. con valor p = 0.28683 0.10143 Estimaciones restringidas: VARIABLE COEFICIENTE const -0. Este resultado surge de la restricci´n impuesta (β4 = −β5 ). frente o e a Ha : β4 + β5 = 0.3453.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 b) Contraste de que la inversi´n real responde al tipo de inter´s real.119 1. De nuevo.00001 *** <0.00119517 0. 10) = 3.929 10. En la nueva ventana que aparece escribimos b4+b5= 0. H0 : β4 + β5 = 0.985 -1. 0. asociado al valor muestral del estad´ ıstico de contraste.

Otra posibilidad es la de estimar el modelo imponiendo la o las restricciones. βR .46308 0.851039 -0.T´P.0140693 o ı Se rechaza la hip´tesis nula al 1 % de significaci´n.000000 0.0289471 1. o a Una ventaja de proceder as´ es que se dispone de las mismas opciones que en la ventana de ı estimaci´n de un modelo por m´ o ınimos cuadrados ordinarios.00227790 0. ya que el valor-p es menor que 0. esto es N m´ ın ˆ βR i=1 ˆ ˆ ˆ ˆ (Yi − βR.K XKi )2 sujeto a ˆ RβR = r se puede expresar como: ˆ ˆ βR = β − (X X)−1 R R(X X)−1 R −1 ˆ (Rβ − r) (4. es decir β Hemos visto en la secci´n anterior que el programa Gretl muestra las estimaciones del modelo o restringido cuando se selecciona la opci´n de contrastar restricciones lineales. La soluci´n restringida. Dado a ˆ que el estimador no restringido β se ha obtenido sin imponer que ´ste satisfaga tales restricciones. parece que la evidencia es contra la primera restricci´n. como hemos visto antes en Gretl. β. o 4.01. guardar sus residuos.00001 *** indefinido -0. Cuando las restricciones implican solamente la exclusi´n de variables explicativas del modelo de partida. Viendo los resultados de los contrastes individuales. Bien se realiza la o regresi´n eliminando del listado de regresores esas variables o. o o Por lo tanto. se pueden hacer otro tipo de contrastes en el modelo restringido. Por ejemplo. (4. entonces se pueden sustituir en el modelo de o partida y reorganizarlo en funci´n del conjunto de (K −q) par´metros que quedan sin determinar. Estimaci´n bajo restricciones lineales o El estimador resultante de minimizar la suma de los residuos al cuadrado sujeto a restricciones lineales del tipo Rβ = r.000989688 0. o Si las restricciones no son simplemente de exclusi´n.3.1 − βR.00172664 0.00000 -0. o se puede utilizar la opci´n Contrastes ⇒ Omitir variables a la vez que se contrasta.2 X2i − βR.00799803 0.8) para obtener el estimador de β restringido.406 <0.00227790 Econometr´ B´sica Aplicada con Gretl ıa a ESTAD T VALOR P -106.758 0. Si hemos obtenido ya β podemos utilizar directemente la expresi´n o ˆR . I 0. 82 . ˆ ˆ en general (Rβ o o menos un t´rmino de ajuste que tiene en cuenta en qu´ medida la soluci´n no restringida no e e o ˆ satisface las restricciones. al menos una de las restricciones parece no satisfacerse.8) ˆ donde β = (X X)−1 X Y es el estimador de los par´metros β sin imponer las restricciones.SARRIKO-ON 8/09 VARIABLE const t PNBR INTERES INFLACION COEFICIENTE -0.758 0. etc. no o hay mayor problema en llevar a cabo la estimaci´n del modelo restringido. a la vez que el o valor muestral del estad´ ıstico de contraste.00001 *** -29.3 X3i − · · · − βR.249 <0.46308 Desviaci´n t´pica de los residuos = 0. es igual a la soluci´n no restringida.00172664 DESV. e ˆ − r) = 0.

3223 −19.10) (4.0000 0. podemos hacerlo sustituyendo en el o modelo IN V ERRt = β1 + β2 t + β3 P N BRt + β4 IN T ERESt + β5 IN F LACIONt + ut la restricci´n β3 = 1 y reorganizar tal que nos quedar´ la siguiente regresi´n: o ıa o IN V ERRt − P N BRt = β1 + β2 t + β4 IN T ERESt + β5 IN F LACIONt + ut (4.784 valor p 0.991501 0. El quinto ya est´ determinado por la reso a a tricci´n. INTERES e INFLACION o con Modelo → M´ ınimos cuadrados ordinarios y se obtienen los siguientes resultados: Modelo Restringido (4. dependiente D.00311914 −0. 10) = 35.2338 0. Seguidamente.1244 −1.0137184 0.00275183 Estad´ ıstico t −62.2599 −0.9032 Media de la var.0000 0.0276707 −0.000342359 Desv.754 −79. de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 corregido F (3. de autocorr.3774 −82. o e utilizando la opci´n en Gretl de o Variable → Definir nueva variable y en la ventana que aparece escribimos R = INVERR-PNBR.00207013 0. calculada como Rt = IN V ERRt −P N BRt .0134320 0.131901 0. se realiza la regresi´n de esta variable sobre la constante.989183 427.8875 −1. de primer orden. t´ ıpica 0.837112 −0.9) en funci´n de K − q = 5 − 1 = 4 par´metros a estimar.751 0.0840 0.10): estimaciones MCO utilizando las 15 observaciones 1968–1982 Variable dependiente: R Variable const t INTERES INFLACION Coeficiente −0.441936 45. t. Definimos una nueva variable llam´mosla R. Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o Criterio de Hannan–Quinn Recordamos lo que se obten´ al realizar el contraste de esa restricci´n en la ventana de estimaıa o ci´n por MCO del modelo no restringido mediante Contrastes → Restricciones Lineales: o Restricci´n: b[PNBR] = 1 o Estad´stico de contraste: F(1.92.00139136 0.00247563 0. con valor p = 0. 11) Estad´ ıstico de Durbin–Watson Coef. si queremos obtener el estimador de los par´metros bajo la restricci´n de a o que la propensi´n marginal a invertir sea la unidad.000133289 ı 83 .995558 0.922 −82. De esta forma se a˜ade la variable n R al conjunto de variables disponibles que aparecen en la ventana principal o de inicio.T.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Por ejemplo.

837112 0.90323 Desviaci´n t´pica de los residuos = 0.00247563 -1.322 <0. βR.4 y βR.5 a ˆ donde βR. Para que los R2 sean o e comparables entre el modelo no restringido y el restringido la Suma de Cuadrados Total tiene que ser la misma. I ESTAD T VALOR P const -0.1 βR.23377 INFLACION -0.4 βR. de la siguiente o forma: uu ˆˆ 2 ˆ ˆ SCRN R = u u = (Y − X β) (Y − X β) ˆˆ RN R = 1 − (Yt − Y )2 ˆ ˆ SCRR = uR uR = (Y − X βR ) (Y − X βR ) ˆ ˆ 2 RR = 1 − uR uR ˆ ˆ (Yt − Y )2 Por otra parte.5 . el n´mero de restricciones. El valor o para el coeficiente de PNBR viene dado por la restricci´n y es igual a la unidad. 84 .2 1 βR. y u en el denominador glN R = T − K.T´P.00001 *** PNBR 1. utilizando las sumas de cuadrados de los residuos correspondientes a la estimaci´n o del modelo restringido y no restringido.0276707 0.00275183 -0. T − K) (4. 4. 4 ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ El estimador restringido ser´ βR = βR.11) SCRN R /(T − K) N´tese que los grados de libertad de la distribuci´n del estad´ o o ıstico bajo la hip´tesis nula son o en el numerador glR − glN R = (T − (K − q)) − (T − K) = q. glR y glN R . SCRR y SCRN R respectivamente y sus grados de libertad. obtenidos en este ajuste no son comparables con los resultantes de estimar el modelo no restringido. son los obtenidos de la regresi´n bajo la restricci´n de que el coeficiente que acompa˜a al PNBR en el modelo para la Inversi´n o o n o real es igual a 1. Veremos en la secci´n siguiente los que s´ son comparables y un estad´ o ı ıstico de contraste basado en ellos. a Hay que notar que el R2 . Estad´ ısticos equivalentes Partimos del modelo Y = Xβ + u donde se quiere contrastar las restricciones lineales H0 : Rβ = r.0137184 o ı Los coeficientes estimados corresponden a las realizaciones del estimador de M´ ınimos Cuadrados Restringidos para los cuatro coeficientes que quedaban sin determinar por la restricci´n4 .260 0.00311914 0. La diferencia radica en que calcularlo de esta forma requiere estimar tanto el modelo sin restringir como el restringido.124 0. Podemos obtener la suma de los residuos al cuadrado y el coeficiente de determinaci´n o correspondientes a la estimaci´n del modelo sin restringir y al modelo restringido.1 .2 . es posible realizar el contraste de las restricciones lineales con el siguiente estad´ ıstico: (SCRR − SCRN R )/q H0 F = ∼ F(q.00001 *** t -0.00139136 -19. ya que en este caso la Suma de Cuadrados Total corresponde a la variable R = IN V ERR −P N BR que es el regresando de esta regresi´n y o no a IN V ERR que es realmente la variable end´gena de inter´s a explicar.4.00000 0. Se puede demostrar que este estad´ ıstico es el mismo que el estad´ ıstico anterior (4.888 <0. βR. y por lo tanto el corregido.4).SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Estimaciones restringidas: VARIABLE COEFICIENTE DESV. Su varianza o por lo tanto es igual a cero ya que su valor est´ dado.000342359 0.000000 indefinido INTERES -0.0134320 -62.

En concreto se obtienen las siguientes sumas de cuadrados residuales: SCRR = 0. T − K) 2 (1 − R )/(T − K) (1 − R2 ) (K − 1) 5 2 En ese caso RR = 0 6 Se puede hacer el c´lculo con Gretl utilizando Datos → Definir nueva variable y escribiendo la f´rmula del a o estad´ ıstico en t´rminos de los nombres asignados a las variables sumas de cuadrados residuales. 0341774)2 2 obteniendo el valor SCT = 0. SCT = (IN V ERRt − IN V ERR)2 = = (15 − 1)(D. y por lo tanto obtenemos la misma conclusi´n del contraste. cuanto m´s grande sea esta a diferencia m´s evidencia habr´ de que las restricciones no sean ciertas. Si dividimos numerador y denominador por la suma de cuadrados total SCT = podemos expresar el estad´ ıstico en t´rminos de los coeficientes de determinaci´n5 : e o F = 2 2 (RN R − RR )/q H0 2 )/(T − K) ∼ F(q. 016353325. 00207013/0.T −K) (1 − RN R t (Yt − Y )2 (4. Por lo tanto la realizaci´n de RR es en este caso. 016353325) = 0. e 85 .11) obtenemos el siguiente valor muestral6 : F = (0. es mayor o igual a cero. o o A su vez. En ese tema se vi´ como caso particular el estad´ o ıstico de significaci´n conjunta o F = R2 /(K − 1) (T − K) H0 R2 = ∼ F (K − 1. (SCRR − SCRN R ). Ahora bien. 000450812)/(15 − 4) − (15 − 5) = 35.T. 92 0.10). Se rechazar´ esta hip´tesis nula si el valor muestral del estad´ a o ıstico es suficientemente grande como para caer en una regi´n cr´ o ıtica establecida. 00207013 SCRN R = 0. se rechaza o la hip´tesis nula de que la propensi´n marginal a invertir sea la unidad. Esta vez este valor s´ es o ı comparable con el valor obtenido para el coeficiente de determinaci´n de estimar el modelo no o Este es el estad´ ıstico que se introdujo en el Tema 3. 87341 SCT que no coincide con el que muestra la regresi´n del modelo (4. es decir contra la hip´tea a o sis nula. IN V ERR)2 = 14(0. utilizando el dato que nos da Gretl de la Desviaci´n t´ o ıpica para la variable dependiente IN V ERR.12) El contraste se realizar´ del mismo modo que con los otros estad´ a ısticos equivalentes. utilizamos las sumas de cuadrados residuales de la estimaci´n del modelo o restringido (4. 00207013 − 0. Imponer restricciones en la estimaci´n siempre empeoo a o ra el ajuste tal que la diferencia de las sumas de cuadrados residuales del modelo restringido y no restringido.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Su interpretaci´n puede ser m´s intuitiva. podemos obtener la Suma de Cuadrados Total como. Esto ya lo obtuvimos en la secciones anteriores. En la ventana donde hemos realizado la regresi´n en cada caso podemos guardar las sumas de o cuadrados residuales y a˜adirlo a las variables ya definidas con Guardar → Suma de cuadrados n de lo residuos. 000450812/(15 − 5) siendo este el mismo valor que obtuvimos anteriormente con el estad´ ıstico utilizando Contrastes → Restricciones lineales. o 2 RR = 1 − uR uR ˆ ˆ = 1 − (0.10) y el modelo no restringido (4.9). 000450812 Sustituyendo en el estad´ ıstico (4. Para realizar el contraste de la restricci´n de que la propensi´n marginal a invertir o o es igual a la unidad. Vamos a ilustrar esta forma de realizar el contraste en el ejemplo del modelo para la inversi´n o agregada.

Supongamos que se ha estimado el siguiente modelo7 : Yt = β1 + β2 X2t + . + βK XKt + ut con una muestra de tama˜o T . 2. nos basaremos en la distribuci´n del error de predicci´n. 972433 − 0. como era de esperar.12) para este caso es. se satisfacen las hip´tesis b´sicas tanto en el periodo de estimaci´n como de o a o predicci´n o 86 . T } podemos utilizar el modelo estimado por MCO para predecir el valor que tomar´ la variable a end´gena en el periodo de predicci´n p. disponiendo de nuevas observaciones de las variables explicativas. o ˆ ˆ Yp = Xp βM CO Equivalentemente: ˆ ˆ ˆ ˆ Yp = β1 + β2 X2p + . 972433. en general. Una vez estimado un modelo que ıa se considera que recoge bien el comportamiento de una variable en funci´n de otros factores o o variables explicativas. obteniendo la siguiente funci´n de regresi´n muestral (FRM): n o o ˆ ˆ ˆ ˆ Yt = β1 + β2 X2t + . RN R = 0. . como siempre. o 4. . + βK XKp .5. . ˆ ˆ El error de predicci´n se define como ep = Yp − Yp = −Xp (β − β) + up . ya que si up o o o ˆ y β son variables aleatorias normales. . . que el valor obtenido del 2 es menor que el del R2 . A este proceso se le llama predicci´n por punto. 92 (1 − RN R obteniendo de nuevo el mismo valor para el estad´ ıstico y la misma conclusi´n del contraste.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 2 restringido. . XKp p ∈ {1. Se puede apreciar. con un nivel de confianza elegido. supuestos unos valores para esos factores. Xp = 1 X2p . el error de predicci´n tambi´n lo ser´: o e a ep ∼ N (0. Predicci´n o Uno de los objetivos de la econometr´ consiste en predecir. donde el o o o valor estimado para la variable end´gena Y en el periodo de predicci´n se obtiene sustituyendo o o estos valores de las variables ex´genas en la FRM. 972433)/(15 − 5) = 35. . para aceptar la hip´tesis nula como cierta o no. . + βK XKt Entonces. σ 2 ( 1 + Xp X X −1 Xp )) Sin embargo. el ajuste empeora al imponer la restricci´n. La cuesti´n es si esto RR o o NR es aceptable. Para obtener la o predicci´n por intervalo. . . σ 2 es desconocido por lo que utilizaremos su estimador insesgado propuesto en temas anteriores obteniendo el siguiente resultado: ep σ ˆ 7 1 + Xp ( X X )−1 Xp ∼ t(T −K) En lo que sigue. . F = 2 2 (RN R − RR )/q (0. 87341)/1 2 )/(T − K) = F = (1 − 0. o El valor del estad´ ıstico (4. se quiere determinar con cierta confianza el valor o intervalo de valores que puede tomar la variable dependiente. .

en miles de euros. Tal y como explicamos en los temas anteriores. estimaremos el modelo por MCO y en la ventana de los resultados elegimos An´lisis → Predicciones a En la nueva ventana podemos determinar el dominio de predicci´n. Mediante este modelo. y tambi´n cuantas observaciones se quieren o u e representar antes de la prediccion8 . podemos obtener una predicci´n del precio que tendr´ una vivienda con estas caracter´ o ıa ısticas y analizar si el precio solicitado es razonable o no. en este caso o la observaci´n 15. por ella. pincharemos la opci´n o o Datos → A˜adir Observaciones n indicando el n´mero de observaciones que queremos a˜adir. en la opci´n o Muestra → Establecer rango especificaremos del rango de observaciones de la muestra para estimar el modelo. 87 . Uno de los modelos propuestos era Pi = β1 + β2 F 2i + β3 BEDRM Si + β4 BAT HSi + ui Supongamos que tenemos informaci´n de una nueva vivienda.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 A partir de este estad´ ıstico podemos obtener un intervalo con un nivel de confianza del 1 − α alrededor de la predicci´n por punto para la variable end´gena en el momento p. tenemos que especificar el rango muestral. es decir el Inicio y Fin que o en este caso es en ambos la observaci´n n´mero 15. incorporando cada observaci´n en la casilla correspondiente. ˆ2 ˆ ¿C´mo utilizar Gretl para predecir por punto y por intervalo? o Utilizaremos el ejemplo de los precios de las viviendas para analizar los pasos a seguir en el programa Gretl. o o ˆ ˆ IC1−α (Yp ) = Yp − t α (T −K) σep . en nuestro caso de la 1 a la 14 y elegimos Aceptar. BEDRM S = o 5 y BAT HS = 3 y nos piden P = 500. Para ello. gretl nos mostrar´ un aviso a (Atenci´n: hab´ observaciones perdidas). F 2 = 3200. estimaremos el modelo sin considerar esta nueva observaci´n (recordar que o inicialmente ten´ ıamos 14 observaciones en la muestra). Podemos simplemente ignorarlo y darle a aceptar. o ıa Posteriormente. Si no incorpoo o ramos el valor para la variable P que es la que vamos a predecir. En la fila corresponu n diente incluimos los valores de las variables explicativas en el periodo de predicci´n. Los resultados que muestra Gretl son los siguientes: 8 En este caso hemos elegido todas pero esto es opcional. por ejemplo. Yp + t α (T −K) σep ˆ ˆ 2 2 donde σep = σ 2 ( 1 + Xp ( X X )−1 Xp ). incorporamos los nuevos datos (Xp ) a la base de datos mediante Datos → Seleccionar todos A continuaci´n. en este caso 1. Para ello. es decir.

por lo que el precio que nos piden.0 285.6 289.3 439. . Este precio para una vivienda de esas caracter´ a ısticas se aceptar´ como razonable dado nuestro modelo y la informaci´n muestral utilizada para su ıa o estimaci´n. 603. est´ dentro del intervalo.0 285. t(10.3 El gr´fico que se obtiene junto a los resultados muestra la serie de precios (P) observada en a color rojo y estimada con el modelo para las 14 observaciones anteriores a la predicci´n y la o predicci´n en color azul.025) = 2.8 319.0 365. que era de 500 miles de euros por la vivienda.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Para intervalos de confianza 95%. 5.8 234.5 479. o La predicci´n por punto del precio de una vivienda con estas caracter´ o ısticas es de 479.0 425. t´pica ı Interv.9 228. mientras que la predicci´n por intervalo con un nivel de confianza del 95 % es o (356.9 355.0 239.6 470.39 356.0 predicci´n o 207.1 436.2 287.0 505. 905 miles de euros.0 241.9 650 600 550 500 450 400 350 300 250 200 150 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 price predicción Intervalo de confianza 95 por ciento desv.228 Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 price 199. o 88 .0 415. junto con su intervalo de confianza en color verde.0 385.3 287.0 235.0 290. 3) en miles de euros.0 295.2 256.8 311. con un nivel de confianza del 95 %.0 293. de confianza 95% 55.8 307.5 - 603.

5th. Ed. (2002). junto a un incremento de 350 pies cuadrados del ´rea habitable (sqft) a se le a˜aden una habitaci´n (bedrms) y un ba˜o (baths) m´s? n o n a 3. South-Western. ¿Te parecen razonables los signos obtenidos? Razona teniendo en cuenta en cada caso qu´ recogen los e coeficientes. Estima por MCO tres especificaciones del modelo para el precio de la vivienda.gdt. Fichero data4-1.4) u N´mero de ba~os (Rango 1. Utilizando Gretl. Ejercicios para practicar Ejercicio 1: Se dispone de 14 observaciones sobre precios de viviendas y sus caracter´ ısticas para la comunidad de la Ciudad Universitaria de San Diego correspondientes a 19909 . incluyendo en todos los casos adem´s de un t´rmino constante: a e a) la variable bedrms (Modelo 2).3) u n Se define el siguiente modelo para determinar el precio de venta de la vivienda: pricei = β1 + β2 sqf ti + β3 bedrmsi + β4 bathsi + ui 1. o Considera realizar el contraste utilizando todas las posibilidades que dispone Gretl que sean equivalentes. Bas´ndote en el modelo que has estimado. el estad´ o ıstico utilizado y la regla de decisi´n. Estima el modelo por MCO.13) 89 .Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 4. Recogido en Ramanathan. 9 (4.3000) N´mero de habitaciones (Rango 3 . contrasta las siguientes restricciones lineales: a) H0 : β3 = β4 b) H0 : β3 = 2β4 Escribe en cada caso la hip´tesis alternativa. 4.505) Superficie de la vivienda en pies cuadrados (Rango 1065 . c) las variables bedrms y baths (Modelo 4). Introductory econometrics with applications.6. ¿en cu´nto estimas que cambie el precio medio a a de una vivienda si. b) la variable baths (Modelo 3). 2. Las variables que se consideran son: price sqft bedrms baths Precio de venta en cientos de d´lares o (Rango 199.75 .9 .. Completa la tabla que se adjunta con los resultados de estimaci´n obtenidos. Comenta o todos los resultados obtenidos y compara las distintas especificaciones. R.

204 Quarterly Observations Source: Department of Commerce.com. (2008).economagic. los estad´ e ısticos t ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ Ejercicio 2: Para la realizaci´n de este ejercicio utiliza el archivo de muestra greene5-1. 90 . o Variable dependiente: Variables explicativas CONSTANT Modelo 2 ( Modelo 3 ( Modelo 4 ( ······ ) ······ ) ······ ) BEDRMS ( ······ ) ( ······ ) BATHS ( ······ ) Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 F de significaci´n conjunta o Grados de libertad Criterio de Akaike (AIC) Criterio de Schwarz (BIC) Criterio de Hannan-Quinn (HQC) (*) Entre par´ntesis. 6th Ed. Este archivo contiene datos de series temporales a frecuencia trimestral desde 1950:1 a 2000:4 de las siguientes variables para la econom´ americana: ıa realgdp realcons realinvs realgovt realdpi cpi_u M1 tbilrate unemp Producto interior bruto real(en billones de d´lares) o Gastos de consumo real Inversi´n real en el sector privado o Gasto p´blico real u Renta personal disponible real Indice de precios al consumo Stock nominal de dinero Tipo de inter´s (media trimestral) e Tasa de desempleo 10 Fuente: Greene.gdt disponible en o 10 gretl.1: Macroeconomics Data Set. Econometrics Analysis. 1950I to 2000IV.. Prentice-Hall. Quarterly. W.3: Resultados de estimaci´n obtenidos para los distintos modelos.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Tabla 4. BEA website and www. Tabla F5.

5. ¿Qu´ recoge o o e esta restricci´n? ¿Para qu´ sirve la variable realint? o e 6.14) 1. Recuerda que antes de o estimar tienes que a˜adir una nueva variable. o Verifica que el valor coincide con el que se muestra en los resultados de la estimaci´n del o modelo no restringido. tipo de inter´s tbilrate del 10 % e inflaci´n del 4 % para 2001:1. realiza el contraste de significaci´n conjunta.Econometr´ B´sica Aplicada con Gretl ıa a pop infl realint SARRIKO-ON 8/09 Poblaci´n (en miles) o Tasa de inflaci´n (primera observaci´n no disponible) o o Tipo de inter´s real ex-post = Tbilrate . Utilizando las opciones de Contrastes → Restricciones lineales y Contrastes → Omitir variables. Obt´n la estimaci´n de los par´metros del modelo para la inversi´n real bajo la restricci´n e o a o o de que los coeficientes que acompa˜an al tipo de inter´s (tbilrate) y a la inflaci´n (infl ) n e o suman cero. 91 . Comprueba que el valor obtenido en el apartado anterior del estad´ ıstico de contraste. Para ello estima directamente el Modelo Restringido incorporando la restricci´n. n 2. o 3.gdt como muestra para el rango de estimaci´n. obt´n el valor del estad´ o e ıstico basado en comparar las sumas de cuadrados residuales del modelo restringido y no restringido. realiza el contraste de significaci´n individual para la variable realgdp. Calcula tambi´n el e estad´ ıstico en funci´n de los coeficientes de determinaci´n de ambos modelos. 4.Infl e Ten en cuenta que la primera observaci´n para la variable infl no est´ disponible. Ajusta entonces o a el rango muestral para tener observaciones para todas las variables. Ten o e o en cuenta que los valores que tomar´ la variable time en el periodo de predicci´n vienen a o determinados por el n´mero correspondiente de observaci´n posterior al utilizado para u o estimar. De igual forma que en el segundo apartado. Muestra los resultados de la estimaci´n del modelo por MCO. o o 7. es el mismo valor que el obtenido con el estad´ ıstico equivalente utilizando la opci´n Contrastes o → Restricciones lineales 8. Utilizando los datos del fichero greene5-1. Considera la siguiente especificaci´n para la funci´n de Inversi´n: o o o realinvst = β1 + β2 time + β3 realgdpt + β4 tbilratet + β5 inf lt + ut (4. Para la hip´tesis nula de que los coeficientes que acompa˜an al tipo de inter´s (tbilrate) o n e y a la inflaci´n (infl ) suman cero. o predice el valor que tomar´ la inversi´n real en el trimestre 2001:1 por punto y por intervalo a o (al 95 % de confianza). Escribe el modelo restringido y muestra los resultados de su estimaci´n. coincide con el valor del estad´ ıstico t al cuadrado que se muestra en el resultado de la estimaci´n del modelo no o restringido. basando esta predicci´n en las previsiones para el realgdp de 1000 o billones de d´lares. Verifica que el valor del estad´ ıstico F obtenido de esta forma. una tendencia temporal (time).

Realiza el contraste de Engle para analizar si en el modelo (4. ¿Qu´ evidencia se obtiene del contraste? e 6. Econometrics Analysis. 6th Ed. o Fuente: Greene. Comenta el gr´fico obtenido.16) (4. Obt´n e interpreta los siguientes gr´ficos: e a • Gr´fico de los residuos MCO contra el tiempo. estad´ o ıstico de contraste y criterio de decisi´n. ¿Es consistente el resultado obtenido con la evidencia encontrada utilizando el contraste de Engle? c) Compara los resultados de la estimaci´n de los modelos (4. donde R2 es el coeficiente de determinaci´n de la regresi´n de los residuos del modelo o o (4. W. 3. significatividad y signos de los coeficientes estimados. Se considera ampliar la especificaci´n del modelo (4.3: Datos sobre cambio tecnol´gico de Solow (1957). el ´ e a ındice tecnol´gico A. ¿Puedes encontrar alguna relaci´n con lo o a o encontrado en el gr´fico de residuos contra el tiempo? a 5.15) incluyendo el ´ o ındice de cambio tecnol´gico. a 4. Comenta los resultados obtenidos en t´rminos de bondad de ajuste. Tabla F6.. Obt´n el gr´fico de residuos MCO sobre la variable que no ha sido incluida.16). Para ello calcula el estad´ o ıstico NR2. Estima el modelo por M´ ınimos Cuadrados Ordinarios.16): H0 : β2 = 1 H0 : β3 = β2 H0 : β2 = 1. a • Gr´fico de la serie estimada y observada contra el tiempo. Se especifica un primer modelo para la funci´n de producci´n agregada: o o qt = β1 + β2 kt + ut Interpreta sus coeficientes.15) No olvides escribir la hip´tesis alternativa.15) ser´ relevante controlar ıa por el cambio tecnol´gico incluyendo la variable A. b) Contrasta la significatividad de las variables explicativas.SARRIKO-ON 8/09 Ejercicio 3: Econometr´ B´sica Aplicada con Gretl ıa a Para la realizaci´n de este ejercicio utiliza el archivo de muestra en gretl greene8-3. d ) Realiza el contraste de las siguientes restricciones lineales en el modelo (4. p. ¿cu´l te o a parece mejor? Razona tus conclusiones utilizando todos los criterios que consideres oportunos. 314. o qt = β1 + β2 kt + β3 At + ut a) Interpreta los coeficientes estimados.gdt. 2. (2008). e Razona si te parecen adecuados los resultados. Prentice-Hall. 11 Son o datos de series temporales para los a˜os 1966 a 1985 de las siguientes variables: n q k A Producci´n agregada por trabajador-hora o Ratio capital/trabajo agregado ´ndice tecnol´gico I o 1.15) y (4. o 11 92 .15) sobre una constante y la variable A. β3 = 2 (4.

Define las nuevas variables V = K= capital nf irm y L= labor nf irm . 2. ¿Qu´ evidencia se obtiene del contraste? e 7. Realiza el contraste de Engle para analizar si en el modelo (4. o Vi = β1 + β2 Li + β3 Ki + ui a) Interpreta los coeficientes estimados.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 e) Utilizando los datos del fichero greene8-3. Especifica un primer modelo para la funci´n de producci´n por establecimiento: o o Vi = β1 + β2 Li + ui Interpreta sus coeficientes. significatividad y signos de los coeficientes estimados. W. donde R2 es el coeficiente de determinaci´n de la regresi´n de los residuos del modelo (4. e Razona si te parecen adecuados los resultados. a • Gr´fico de la serie estimada y observada. Revankar (1970. 4. 1.17) (4. Se considera ampliar la especificaci´n del modelo (4. Comenta los resultados obtenidos en t´rminos de bondad de ajuste. Comenta el gr´fico obtenido. 249). 12 (4. Econometrics Analysis. b) Contrasta la significatividad de las variables explicativas.gdt.gdt como muestra para el rango de estimaci´n. 3. Para ello calcula el estad´ ıstico NR2. ¿Es consistente el resultado obtenido con la evidencia encontrada utilizando el contraste de Engle? Fuente: Greene. predice el valor que tomar´ la producci´n agregada q por trabajador-hora o ıa o en el a˜o 1987. Fuente: A. Basa esta predicci´n n o en las previsiones para el ratio capital/trabajo k de 3 unidades e ´ ındice tecnol´gico o A de 2 unidades. Prentice-Hall. a 6. 6th Ed. Obt´n e interpreta los siguientes gr´ficos: e a • Gr´fico de los residuos MCO. p.18) 93 . valadd capital labor nfirm Valor a~adido en millones de d´lares de 1957 n o Capital en millones de d´lares de 1957 o Trabajo en millones de d´lares de 1957 o N´mero de empresas del sector en ese estado u valadd nf irm .17) incluyendo el factor capital. a 5. Tabla F14. Ejercicio 4: Para la realizaci´n de este ejercicio utiliza el archivo de muestra en gretl greene9-1. Zellner and N. Las variables consideradas son. Obt´n el gr´fico de residuos MCO sobre la variable que no ha sido incluida.. o 12 El archivo contiene datos de secci´n cruzada para 25 estados americanos sobre manufacturas de o equipamiento del sector transporte. por punto y por intervalo (al 95 % de confianza).1: Statewide Data on Transportation Equipment Manufacturing. (2008).17) ser´ relevante controlar ıa por el factor capital incluyendo la variable K. Estima el modelo por M´ ınimos Cuadrados Ordinarios.17) sobre o o una constante y la variable K. el factor capital e a K.

Se especifica un primer modelo para la demanda de dinero: Mt = β1 + β2 Yt + ut Interpreta sus coeficientes. β3 = β2 Ejercicio 5: Para la realizaci´n de este ejercicio utiliza el archivo de muestra en gretl greene10-3. Comenta los resultados obtenidos en t´rminos de bondad de ajuste. W.20). Para ello calcula el estad´ ıstico NR2.17) y (4. 13 o El archivo contiene datos de serie temporal de frecuencia anual para los a˜os 1966 a 1985. Estima el modelo por M´ ınimos Cuadrados Ordinarios. significatividad y signos de los coeficientes estimados.19) incluyendo el tipo de descuento o Mt = β1 + β2 Yt + β3 rt + ut a) Interpreta los coeficientes estimados.19) (4. Obt´n e interpreta los siguientes gr´ficos: e a • Gr´fico de los residuos MCO contra el tiempo. a • Gr´fico de la serie estimada y observada contra el tiempo. 94 . Las n variables que se consideran son: r M Y Tipo de descuento a final de a~o. 3. el tipo de e a descuento r. Reserva Federal de NY n Oferta Monetaria M2 Producto Nacional Bruto. en d´lares de 1982 o 1.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a c) Compara los resultados de la estimaci´n de los modelos (4. d ) Realiza el contraste de las siguientes restricciones lineales: H0 : β3 = 1 H0 : β2 + β3 = 1 H0 : β1 = 0. Obt´n el gr´fico de residuos MCO sobre la variable que no ha sido incluida.19) y modelo (4. ¿cu´l te o a parece mejor? Razona tus conclusiones utilizando todos los criterios que consideres oportunos.gdt. e Razona si te parecen adecuados los resultados. a 4. Se considera ampliar la especificaci´n del modelo (4.18). 6th Ed. ¿Qu´ evidencia se obtiene del contraste? e 6. ¿Es consistente el resultado obtenido con la evidencia encontrada utilizando el contraste de Engle? c) Compara los resultados del modelo (4.19) ser´ relevante controlar ıa por el tipo de descuento incluyendo la variable r. b) Contrasta la significatividad de las variables explicativas. donde R2 es el coeficiente de determinaci´n de la regresi´n de los residuos del modelo o o (4. ¿cu´l te parece mejor? a Razona tus conclusiones utilizando todos los criterios que consideres oportunos.20) Fuente: Greene.. Comenta el gr´fico obtenido. Realiza el contraste de Engle para analizar si en el modelo (4. Prentice-Hall. (2008).19) sobre una constante y la variable r. 13 (4. Econometrics Analysis. 2. a 5.

a menudo o o previas a la confrontaci´n de ´ste con los datos. Esto puede influir negativamente en o las propiedades del estimador utilizado y en la inferencia. o En este tema nos vamos a centrar en ilustrar las implicaciones que pueden tener decisiones err´neas en t´rminos de la elecci´n de las variables explicativas o regresores. Algunas de estas decisiones son: o e • Elecci´n de la variable dependiente. Introducci´n o La primera especificaci´n de un modelo de regresi´n implica tomar varias decisiones. Analizaremos las implicaciones en el estimao dor MCO y en la validez de los contrastes de significatividad. o • Forma funcional de la relaci´n. Por ello.Tema 5 Errores de especificaci´n en la elecci´n o o de los regresores 5. o • Elecci´n de las variables explicativas. Estabilidad. o o Estos instrumentos pueden ser un an´lisis gr´fico de los residuos o contrastes estad´ a a ısticos donde se traten de detectar problemas de mala especificaci´n. Para ello vamos a o e o proponer que conocemos el modelo correcto y consideramos separadamente dos situaciones: a) Omisi´n de variables explicativas relevantes.1. o • Medici´n de las variables. dadas las caracter´ o ısticas de las variables del modelo y de los datos a utilizar. siendo las decisiones posteriores sobre el modelo err´neas. Algunas de estas hip´tesis pueden no mantenerse si las decisiones adoptadas o a o son err´neas o porque simplemente. o • Especificaci´n de las propiedades del t´rmino de error. Veremos la utilizaci´n del o gr´fico de residuos y alg´n contraste de mala especificaci´n con algunos ejemplos emp´ a u o ıricos. 95 . En muchos casos la evaluaci´n de un modelo puede estar influenciada por o o esta primera especificaci´n. o e En los temas anteriores hemos especificado un modelo de regresi´n donde se satisfacen una serie o de hip´tesis b´sicas. es importante disponer de instrumentos o contrastes que nos o permitan hacer un diagn´stico sobre si son aceptables ciertas decisiones o hip´tesis adoptadas. estas hip´tesis pudieran no ser adecuadas.

Como se puede apreciar. . Luego en el modelo mal especificado no se satisface una de las hip´tesis b´sicas. . El signo a a o del sesgo depender´ del signo del coeficiente β2 y de los signos de estas covarianzas.6) i = 1. .2. .2) depender´ de la covarianza entre la variable a omitida F 2i y cada una de las incluidas BEDRM Si y BAT HSi . Tambi´n discutiremos a e e estas cuestiones utilizando un caso pr´ctico. . s si j = s. N (5. y la varianza muestral de la variable j si j = s.3) ¯ ¯ donde Sjs = i (Xji − Xj )(Xis − Xs ). en la pr´ctica podemos tener combinados estos efectos. . . o a Pi = β1 + β3 BEDRM Si + β4 BAT HSi + vi i = 1.5) ser´ simplemente ıa ˆ E(β3 ) − β3 = β2 S23 S33 (5. Adem´s depende a 1 Si el modelo de partida correcto hubiera sido Pi = β1 + β2 F 2i + β3 BEDRM Si + ui i = 1. . siendo la covarianza muestral entre dos variables j. esto introducir´ un sesgo en los coeficientes estimados que ser´ funci´n de estas covarianzas.5) El sesgo sigue dependiendo de la covarianza entre la variable omitida F 2 y la incluida BEDRM S dada por S23 . Si estas no son cero. . . N (5. .1) donde se satisfacen las hip´tesis b´sicas pero se estima por MCO el siguiente. En este caso nos interesaremos por los efectos de haber o incluido variables que sabemos no tendr´ que estar en el modelo. vamos a considerar que el modelo correcto para explicar el precio n de la vivienda es Pi = β1 + β2 F 2i + β3 BEDRM Si + β4 BAT HSi + ui i = 1. Se puede a demostrar que los sesgos de estimar por MCO β3 y β4 en el modelo (5. En principio. Efectos de omisi´n de variables relevantes o Podemos seguir con nuestro ejemplo sobre el precio de la vivienda en el que quer´ ıamos explicar esta variable.2) son ˆ E(β3 ) − β3 = β2 S23 S44 − S24 S34 2 S33 S44 − S34 ˆ E(β4 ) − β4 = β2 S24 S33 − S23 S34 2 S33 S44 − S34 (5. el sesgo en la estimaci´n de ambos coeficientes depende de las covarianzas entre las variables relevante o excluida F 2 y cada una de las variables incluidas BEDRM S y BAT HS 1 . medida en miles de d´lares. a Aunque te´ricamente analizaremos cada uno de estos efectos por separado y asumiremos que o conocemos la especificaci´n correcta. . esto es vi = β2 F 2i + ui . el n´mero de habitaciones BEDRM S y el n´mero de ıan n u u ba˜os BAT HS. Si esta variable es relevante entonces β2 = 0 por lo que el error vi recoger´ la variable a omitida.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a b) Inclusi´n de variables irrelevantes. . N (5. siendo E(vi ) = β2 F 2i = 0. . o a 5. El 96 .4) pero hubi´ramos considerado para estimar e Pi = β1 + β3 BEDRM Si + vi entonces el sesgo en estimar β3 en (5. N (5. En este caso se puede esperar que el sesgo fuera positivo ya que tanto S23 como β2 se esperan sean positivos. La cuesti´n es c´mo ıan o o detectar y decidir en la pr´ctica qu´ variables son o no relevantes. .2) En el modelo considerado a la hora de estimar se ha omitido la variable F2 o tama˜o de la n vivienda. en funci´n de una serie de variables explicativas como o o pod´ ser el tama˜o de la vivienda F 2. Esto a su vez implica que la covarianza entre las o a variables incluidas y el error del modelo (5. .

Luego vemos que en general las consecuencias de omitir variables relevantes en la especificaci´n o de un modelo son serias. ¿C´mo detectar que esto pueda estar ocurriendo? Una primera cuesti´n es tener en cuenta o o el modelo te´rico de inter´s y pensar qu´ variables pueden faltar en el modelo emp´ o e e ırico.1) se esperaba fuera positivo. el estimador de la matriz de varianzas y covarianzas de esos coeficientes estimados seguir´ siendo sesgada. podemos ver el gr´fico de los residuos por observaci´n y ver si estos presentan a o efecto de omitir F 2 o no controlar por el tama˜o de la vivienda en el modelo (5. ya que a´n dandose las condiciones de incorrelaci´n entre regresores incluidos y variau o bles relevantes excluidas. ¿ser´n fiables los contrastes sobre las pendientes si se a dan las condiciones para que los estimadores de estos par´metros no sean sesgados? La respuesta a es que no.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 del coeficiente β2 que en el modelo correcto (5. pero la direcci´n o del signo de cada sesgo no es clara ya que depende del signo del cociente que acompa˜a a n β2 . aunque no todos. cosa poco probable en este ejemplo. Para que no hubiera sesgo en la estimaci´n de cualquiera de estos dos coeficientes ambas o variables incluidas. especialmente en la inferencia. De este resultado se de la media de la variable omitida X puede argumentar que el coeficiente que acompa˜a al t´rmino constante. Por otro lado. No se estimar´ con sesgo si S23 = 0. Por tanto. Por ejemplo. Por ello. el an´lisis de los residuos nos puede ayudar a ver si hemos dejado fuera factores relevana a tes. cosa que no parece factible ya que el n´mero de habitaciones ıa u estar´ correlacionado con el tama˜ o de la vivienda. podemos ayudarnos de contrastes que puedan se˜alar la existencia de alg´n problema de n u mala-especificaci´n3 . Esto se debe a que el estimador del par´metro σ 2 utilizando a a la suma de cuadrados residual de la estimaci´n del modelo mal especificado estar´ sesgado en o a cualquiera de los casos. Incluso algunos contrastes dise˜ados n para analizar si el t´rmino de error no est´ autocorrelacionado. En cuanto al sesgo en la estimaci´n del coeficiente que acompa˜a al t´rmino constante se puede o n e demostrar que es2 S23 S44 − S24 S34 ¯ S24 S33 − S23 S34 ¯ ˆ ¯ E(β1 ) − β1 = β2 X2 − X3 − X4 2 2 S33 S44 − S34 S33 S44 − S34 (5. que generalmente no va a ser cero. tambi´n ser´n incorrectos los contrastes de significatie a vidad individual. puede capturar tambi´n otro tipo de cuestiones e a e de mala especificaci´n. o Adem´s.5) ser´ sobreestimar el efecto n a marginal de tener una habitaci´n m´s en la vivienda sobre el precio de ´sta. a n 2 Ocurre lo mismo si consideramos que el modelo estimado es (5. que no se ha incluido en ıa e n el modelo.7) Vemos que en este caso a´n siendo S23 = S24 = 0 el sesgo no se anular´ ya que todav´ depende u ıa. Ahora bien. 3 En este tema ilustraremos alguno de estos contrastes. BEDRM S y BAT HS tendr´ que estar incorreladas con el tama˜o ıan n de la vivienda o variable excluida. generalmente va a n e recoger efectos de variables omitidas a´n cuando esto no influya en la estimaci´n del resto u o de par´metros o pendientes por estar estas variables incorreladas con las incluidas.5) y el verdadero modelo es (5. conjunta y otro tipo de contrastes sobre los coeficientes del modelo utilizando estas estimaciones sesgadas. ıa ¯ 2 . a no ser que se tengan fuertes e razones te´ricas para hacerlo. o 97 . a normalmente es conveniente no excluir el t´rmino constante. el n´mero de habitaciones o a e u estar´ tambi´n de alguna forma representando el papel del tama˜o de la vivienda.4). o Si se estiman con sesgo los coeficientes βj .

062 (1.14 o valor cr´ ıtico al 5 % (a dos colas) = 0.836 0.1548 (4.1374 (-0. a Podemos mirar a las correlaciones entre la variable excluida F 2 y las incluidas BEDRM S y BAT HS. 98 .8657 0.2) para o explicar el precio de la vivienda4 Variable CONSTANT F2 BEDRMS BATHS Modelo (5.847) -21.450706 0.350834 4. u a o Por ejemplo.51285 11 161.1: Modelos (5. el efecto indirecto de la omisi´n de esta variable puede estar siendo n o capturando m´s por el coeficiente de BAT HS que por el de BEDRM S.588 (-0.1 40.746 Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 F de significaci´n conjunta o Grados de libertad Criterio de Akaike (AIC) Criterio de Schwarz (BIC) Tabla 5. y en Ver → matriz o o u de correlaci´n obtenemos o Coeficientes de correlaci´n.5324 para n = 14 F2 1.2) 27.216) 138.462) 0.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a alg´n comportamiento sistem´tico que pueda apuntar en esa direcci´n.193 (-0. 5323 1. En la ventana principal de Gretl donde tenemos estas variables. Parece que. mientras mantenemos la tecla de may´sculas ⇑. dado que ambas variables representan tambi´n e tama˜o de la vivienda.4 71.182) -10.464 Modelo (5.799) -12. 0000 F2 BEDRMS BATHS 4 Los valores entre par´ntesis son los correspondientes estad´ e ısticos t de significatividad individual.1) y (5.3037 0. 0000 BEDRMS 0. 4647 1.829 163. consideremos los resultados de la estimaci´n de los modelos (5. 7873 0.652) 55926. la omisi´n de la variable F 2 empeora bastante o 2 como del R2 .787 16.2633 (0. las seleccionamos con el bot´n izquierdo del rat´n. usando las observaciones 1 .908 149.795 (2.989 10 146.2) estimados para el precio de la vivienda Como ya comentamos en el cap´ ıtulo anterior. 0000 BATHS 0.1) Supuestamente Correcto 129. El coeficiente estimado que m´s ¯ el ajuste tanto en t´rminos del R e a ha cambiado es el que acompa˜a a la variable BAT HS pasando a tener signo positivo y ser n significativamente distinto de cero. AIC y BIC.282) 16700.1) y (5.

200 150 100 residuo 50 0 -50 -100 2 4 6 8 observacion 10 12 14 Gr´fico 5.2) por observaci´n a a o En el gr´fico se puede apreciar que hay demasiados residuos negativos juntos al comienzo de la a muestra y a medida que vamos hacia las ultimas observaciones o viviendas. Para ello. o ´ Seguidamente vamos a analizar diversos gr´ficos de los residuos del ajuste del modelo (5. De la estimaci´n de este modelo en la ventana de o estimaci´n gretl:modelo2 elegimos o Gr´ficos → Grafico de residuos → Por n´mero de observaci´n a u o que nos muestra el gr´fico de residuos por observaci´n seg´n est´n las 14 observaciones ordenadas a o u a en la muestra. tama˜o de la vivienda F 2.1: Gr´fico de los residuos del Modelo (5. Si observamos la disposici´n de las viviendas en la muestra. De hecho a o el gr´fico nos mostrar´ la recta de regresi´n de los residuos sobre esta variable si es que existe a a o una relaci´n significativa. Esto sugiere un comportamiento sistem´tico en la disposici´n de los residuos n a o alrededor de su media muestral que es cero. en la ventana de estimaci´n gretl:modelo2 elegimos o o Guardar → Residuos 99 . veremos a o que est´n ordenadas en funci´n creciente del tama˜o de la vivienda. aparece un men´ con distintas opciones y formatos o o u para guardarlo. Para obtener el gr´fico primero tenemos que guardar los residuos de o a la estimaci´n del modelo (5. o n es la variable BAT HS la que presenta una mayor correlaci´n con esta ultima. aunque tanto el n´mero de habitaciones BEDRM S como el n´mero de ba˜os u u n BAT HS presenta una correlaci´n positiva con la variable excluida. El gr´fico de los residuos sobre la variable F 2 puede ayudar a ver si hay alguna relaci´n.2) donde a hemos omitido F 2 que parece ser relevante. estos se concentran ´ m´s en la parte positiva. Lo podemos guardar posicionando el cursor dentro de la ventanta del gr´fico y a pinchando con el bot´n derecho del rat´n. Luego los residuos negativos a o n estar´ asociados en general con viviendas de menor tama˜o y los positivos con viviendas de ıan n mayor tama˜o.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Vemos que.2).

5 100 . no es conocida pero se puede aproximar por la distribuci´n χ2 con un grado de libertad5 . bajo la hip´tesis nula de que la variable F 2 no o es una variable relevante a incluir en el modelo. .2). De hecho. en este caso los residuos de la estimaci´n del Modelo (5. La distribuci´n exacta del estad´ o ıstico. . en este caso F 2.0584X 150 Residuo modelo (5. En este gr´fico podemos apreciar que hay una relaci´n positiva o a o significativa entre los residuos de la estimaci´n del modelo (5. y en el eje de abcisas o eje Y. Este contraste utiliza el R2 de la regresi´n auxiliar de los residuos del modelo o que se est´ analizando sobre la variable o variables que sospechamos puedan ser candidatas a a ser incluidas en ´l por ser relevantes. En nuestro caso ser´ realizar la regresi´n e ıa o ui = δ1 + δ2 F 2i + ξi ˆ i = 1. N (5.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a y le damos un nombre a la serie de residuos. . los grados de libertad ser´n el n´mero de regresores de la regresi´n auxiliar sin contar el t´rmino a u o e constante. Esta serie aparecer´ en la ventana principal gretl a y la podremos utilizar posteriormente.8) El estad´ ıstico de contraste es N R2 donde el R2 es el coeficiente de determinaci´n de esta regresi´n o o auxiliar. Esto indica que cierto componente residual puede ser explicado por la variable que no hemos incluido. .2) 100 50 0 -50 -100 1500 2000 F2 2500 3000 Gr´fico 5. n En el ejemplo que nos ocupa esta regresi´n auxiliar la podemos obtener con Gretl eligiendo o En general.2) sobre F2 a a En la ventana que aparecer´ posteriormente. En esta misma ventana elegimos Ver → Gr´ficos → Grafico X-Y (scatter) a 200 Y = -112. especificamos que variable se representa en el eje a de ordenadas eje X. Esta aproximaci´n ser´ mejor cuanto mayor sea el o o a tama˜o muestral.2: Gr´fico de los residuos del Modelo (5. la l´ ınea que aparece en el gr´fico representa la recta de regresi´n de los a o residuos sobre esa variable. Lo detectado en estos gr´ficos puede ser contrastado utilizando el siguiente contraste que se debe a a Engle (1982). + 0.2) y la variable F 2 omitida en o ese modelo.

995) (2. Aparece una ventana con la siguiente informaci´n: Chio cuadrado(1): ´rea a la derecha de 3.1) que o ıan a incluye a la variable F2? Estos corresponden a los gr´ficos de la Figura (5.8) para el ejemplo que nos ocupa son o ui = −111.3.3). 70417 se muestra en la ventana principal con el resto de variables. El modelo que ajustamos es Pi = β1 + β2 F 2i + β3 BEDRM Si + ui 101 i = 1. . aunque poco.945723). Los a resultados de esta regresi´n auxiliar (5. y en la ventana que aparece seleccionar la chi-cuadrado especificando en la primera casilla 1 grado de libertad y el valor muestral del estad´ ıstico en la segunda casilla.10) . 05.2) si consideramos los residuos del modelo (5. pero s´ al 10 % al ser el valor-p en ese caso menor que ese nivel de significaci´n. es algo mayor que 0.9) donde se satisfacen las hip´tesis b´sicas. como el valor-p obtenido es 0.1) y (5.078) N = 14 R = 0. BEDRM S. En este caso la a disposici´n de los residuos positivos y negativos es m´s aleatoria alrededor de su media muestral. . . . . Este valor habr´ que compararlo en este caso con el valor cr´ a ıtico χ2 (1)α utilizando en el contraste un nivel de significaci´n α concreto. pero incluimos en la regresi´n una variable m´s que no o a o a es relevante. 0542767 que. 264584 Si queremos guardar el valor muestral N R2 podemos hacerlo en esa misma ventana eligiendo Guardar → T ∗ R-cuadrado El valor muestral del estad´ ıstico N R2 = 3. Vemos ı o que la hip´tesis nula se rechazar´ al 10 % de significaci´n ya que el valor muestral en ese caso o ıa o N R2 = 3.Econometr´ B´sica Aplicada con Gretl ıa a Modelo → Minimos Cuadrados Ordinarios SARRIKO-ON 8/09 y en la ventana que emerge elegir como variable dependiente la serie de residuos de la estimaci´n o del modelo (5. 706. . . n ¿C´mo cambiar´ los gr´ficos (5.1 = 2. Aparece una ventana con los valores cr´ ıticos de la distribuci´n Chi-cuadrado para distintos niveles de significaci´n. o a Por otro lado. o Para buscar el valor cr´ ıtico en las tablas de la Chi-cuadrado con 1 grado de libertad podemos elegir en la ventana principal de Gretl.70417 = 0. 0583946 F2i (−1. .2) que ten´ ıamos guardada y como regresores a F 2 adem´s de la constante.1) sobre la variable F 2 ya no muestra esa a relaci´n positiva entre ambas variables. En la ventana principal de nuevo en Herramientas → Buscador de valores-p. aunque no se rechazar´ al 5 %. el gr´fico de los residuos del modelo (5. N (5. o 2 5. Luego existe cierta evidencia de que F 2 sea una variable relevante a a˜adir en el modelo. 588 + 0. 70417 ser´ mayor que el valor cr´ ıa ıtico χ2 ıa (1)0.0542767 (a la izquierda: 0. Efectos de inclusi´n de variables irrelevantes o Supongamos ahora que el modelo correcto para el precio de la vivienda es Pi = β1 + β2 F 2i + ui i = 1. Herramientas → Tablas Estad´ ısticas y en la ventana que aparece seleccionar la chi-cuadrado especificando 1 grado de libertad. o o Tambi´n podemos obtener el valor-p dado el valor muestral del estad´ e ıstico. a Por lo tanto. no se rechazar´ la hip´tesis nula de que F 2 sea una variable importante a a˜adir al modelo ıa o n al 5 %. N (5.

los estimadores de todos los coeficientes son insesgados. se puede a demostrar que esta p´rdida de eficiencia depende de la correlaci´n entre F 2 y BEDRM S e o siendo mayor cuanto mayor sea esta correlaci´n. E(β • La matriz de varianzas y covarianzas se estimar´ correctamente con el estimador habitual. 4. por lo que E(βj ) = ˆ3 ) = 0.1) sobre observaci´n y sobre F2 a a o En este modelo se siguen satisfaciendo las hip´tesis b´sicas. para β2 el ratio de la varianza del estimador de este coeficiente en el modelo incorrecto (5. Si se o e o comparan las varianzas de los coeficientes estimados en el modelo incorrecto relativamente al correctamente especificado.3: Gr´ficos de los residuos del Modelo (5. por n lo que el t´rmino de error no cambia. La inclusi´n de la variable supuestamente o irrelevante BEDRM S hace que estimemos con menor precisi´n el coeficiente β2 .9) es ˆ var(β2 )(10) 1 ≥1 = ˆ2 )(9) 1 − ρ2 var(β 23 (5. Lo mismo o ocurre con el coeficiente β1 .11) siendo 0 ≤ ρ2 ≤ 1 el coeficiente de correlaci´n al cuadrado entre F 2 y BEDRM S. luego hay cierta p´rdida de eficiencia en la estimaci´n de e o β2 en el modelo (5. 102 .1) Residuos del Modelo (5. Pero en la regresi´n se estimar´n todos los coeficientes. o 23 En el caso de los datos que estamos utilizando data4-1 sobre 14 viviendas este ratio es 1/ 1 − (0. e o a tambi´n los de las variables irrelevantes y la estimaci´n puntual de β3 no ser´ en general cero. ya que el valor poblacional del o a coeficiente que acompa˜a a la variable BEDRM S es cero al no ser una variable relevante.SARRIKO-ON 8/09 80 80 Econometr´ B´sica Aplicada con Gretl ıa a 60 60 40 Residuos del Modelo (5. estas ser´n mayores en el primero. En particular.10) sobre la varianza del estimador en el modelo correcto (5.10) relativamente a (5. a Por lo que tanto los intervalos de confianza como los procedimientos habituales de contraste sobre los coeficientes βj siguen siendo v´lidos. a • El coste de este error de especificaci´n es la p´rdida de eficiencia en la estimaci´n. βj ∀j. e o a ¿Qu´ consecuencias tendr´ este error de especificaci´n? e a o ˆ • En este caso.9).1) 2 4 6 8 Observación 10 12 14 40 20 20 0 0 −20 -20 −40 -40 −60 -60 1500 2000 F2 2500 3000 Gr´fico 5. o En particular. Por ejemplo. 5323)2 = 1.

menores AIC y BIC. Eliminar esta variable n e ¯ del modelo tambi´n mejora el resto de indicadores de ajuste. Considerando que nuestro modelo de partida es el modelo m´s general.10) como en el (5.179 (1.9).767 11 145. tanto en el modelo (5. e Se puede observar tambi´n que las desviaciones t´ e ıpicas estimadas se reducen bastante. La aproximaci´n de ir de un modelo m´s general a uno m´s restringido suele ser m´s conveniente o a a a que la aproximaci´n contraria.835 0. no siendo capaces de identificar el efecto de esas variables ya que la potencia de los contrastes de significaci´n puede ser muy poca7 . Estos indicadores nos pueden ayudar en la toma de esta o decisi´n.0187] Modelo (5.806 54. e El problema en la aproximaci´n contraria es que. la variable F 2 es significativa indicando su relevancia en explicar la variaci´n en el precio de la vivienda.970) [24.019 146. o Variable CONSTANT Modelo (5. a a 103 .404) [37. o se corre el peligro de lo que se conoce con el nombre ingl´s de data mining o torturar a los datos.Econometr´ B´sica Aplicada con Gretl ıa a ¿C´mo podemos detectar la presencia de variables innecesarias? o SARRIKO-ON 8/09 Una posibilidad es comenzar por un modelo relativamente general y utilizar los contrastes de ¯ significatividad individual.0212] -23.6 39.13875 (7. Por esa falta de precisi´n en la estimaci´n podemos tener coeficientes no signifio o cativamente distintos de cero.10) 121.936 F2 BEDRMS Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 F de significaci´n conjunta o Grados de libertad Criterio de Akaike (AIC) Criterio de Schwarz (BIC) 18273.2: Modelos estimados para el precio de la vivienda. decidiendo mantenerlas o no en funci´n de si son o no significativas. Este problema ser´ tratado m´s en detalle en el tema de Multicolinealidad.10).023 0. En el caso de comenzar por un modelo m´s reducido e ir a˜adiendo o a n variables secuencialmente.805 27.10) se muestran en o o 6 .9) supuestamente correcto 52.447 Tabla 5.1185 0.351 (1. mayor R2 . la precisi´n con la que estimemos los par´metros a o a puede ser poca. podr´ ıamos considerar que esta variable no es relevante en explicar la variaci´n o en el precio de la vivienda una vez hemos incluido el tama˜o de ´sta.8 39.1778] 0. Los resultados obtenidos de la estimaci´n de los modelos (5.821 0. Modelo la tabla (5.168 145.642] 16832. No rechazar en ese caso la o 6 7 Entre par´ntesis estad´ e ısticos t y entre corchetes las desviaciones t´ ıpicas estimadas. as´ como las medidas de bondad de ajuste R2 o los criterios de ı informaci´n AIC o BIC por ejemplo.9) y (5. Por otro lado.407) [0. si el modelo de partida es demasiado general o y los regresores est´n muy correlacionados.911 (-0.14831 (6.2) a (5.993) [0.861 12 144.511) [80. y utilizando el contraste de significatividad individual para el coeficiente que acompa˜a n a BEDRM S.28] 0.

104 .SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a hip´tesis nula no es evidencia de que esas variables no sean relevantes sino de que el contraste o tiene poca potencia.

4. University of North Carolina. 105 . Se obtiene de dividir el gasto en gasolina entre el ´ndice de precios al ı consumo ´ndice de precios para la gasolina I Renta disponible per capita ´ndice de precios para coches nuevos I ´ndice de precios para coches usados I ´ndice de precios para transporte p´blico I u ´ndice de precios agregado para bienes de consumo duradero I ´ndice de precios agregado para bienes de consumo no duradero I ´ndice de precios agregado para servicios de consumo I Poblaci´n total en Estados Unidos en millones de personas o Pg Y Pnc Puc Ppt Pd Pn Ps Pop 1. Estima el modelo (6. a 5. como Gpc = G/P op. el gasto per c´pita Gpc.4.gov.. Department of Economics. significatividad y signos de los coeficientes estimados. o 8 Fuente: Greene. Obt´n e interpreta los siguientes gr´ficos: e a • Gr´fico de los residuos MCO contra el tiempo.2: Source: These data were compiled by Professor Chris Bell. a • Gr´fico de la serie estimada y observada contra el tiempo.gov and www. Tabla F2. Prentice-Hall. W. Comenta los resultados obtenidos en t´rminos de bondad de ajuste. Asheville. Sources: www.gdt de muestra en gretl8 El o archivo contiene datos de serie temporal para los a˜os 1953 a 2004 de las siguientes variables n sobre el mercado de la gasolina en Estados Unidos: G Consumo total de gasolina en Estados Unidos.bls. Ejercicios para practicar Ejercicio 1: Realiza exclusivamente los apartados 1 a 6 Para la realizaci´n de este ejercicio utiliza el archivo greene 7-8.3) por M´ ınimos Cuadrados Ordinarios. 6th Ed. e Razona si te parecen adecuados los resultados. Se considera ampliar la especificaci´n del modelo (6. Estima las siguientes especificaciones: MODELO 2 MODELO 3 MODELO 4 Gpct = β1 + β2 Yt + β3 P gt + β4 P nct + ut Gpct = β1 + β2 Yt + β3 P gt + β4 P nct + β5 P uct + ut Gpct = β1 + β2 Yt + β3 P gt + β4 P nct + β5 P uct + β6 P dt + ut (5. a 2. Econometrics Analysis.3) incluyendo otros ´ o ındices de precios.bea.12) a) Muestra en el siguiente cuadro los resultados obtenidos para cada especificaci´n. 3. Define una nueva variable.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 5. (2008). Especifica un primer modelo para la funci´n de consumo de gasolina: o Gpct = β1 + β2 Yt + β3 P gt + ut Interpreta sus coeficientes.

coeficiente de determinaci´n y distintos criterios de selecci´n de o o modelos.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Tabla 5. conjunta. 106 .1 en t´rminos de significatividad e individual.3: Modelos estimados para el Consumo de Gasolina en Estados Unidos Variable dependiente Gpc Variables Explicativas Constant ∗ Modelo 2 ( Modelo 3 ( Modelo 4 ( ······ ) ······ ) ······ ) Y ( ······ ) ( ······ ) ( ······ ) Pg ( ······ ) ( ······ ) ( ······ ) Pnc ( ······ ) ( ······ ) ( ······ ) Puc ( ······ ) ( ······ ) Pd ( ······ ) Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 F de significaci´n conjunta o Grados de libertad Criterio de Akaike (AIC) Criterio de Schwarz (BIC) Criterio de Hannan-Quinn (HQC) (*)Valores entre par´ntesis son los estad´ e ısticos t ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ b) Comenta los resultados mostrados en la Tabla 6. Puc y Pd. ¿Crees o que puede haber alg´n problema en la estimaci´n de los modelos anteriores? Interpreta u o los valores de la matriz. c) ¿Consideras que alguna de las especificaciones es mejor? Razona tus conclusiones. 7. Interpreta los resultados. Calcula la matriz de correlaci´n entre las variables de precios Pg. Calcula el Factor de Inflaci´n de Varianza y el Factor de Tolerancia para los regresores del o Modelo 3 y el Modelo 4. Pnc. 6.

Contrasta al 5 % en el Modelo 3. intrate. Recogido en Ramanathan. Introductory econometrics with applications. 5th.gdt. a) Obt´n los resultados de su estimaci´n.Econometr´ B´sica Aplicada con Gretl ıa a 8. la hip´tesis nula de que los coeficientes asociados a las vao riables individualmente no significativas no son significativas conjuntamente. ¿Qu´ puedes e concluir? 10. (2002). o c) Interpreta qu´ recoge cada uno de los coeficientes estimados y si te parecen razonables e los resultados obtenidos. donde o la variable dependiente es housing y las explicativas son gdp. 9 107 . Posteriormente se decide excluir del Modelo A la variable intrate. o a b) Muestra los resultados de la estimaci´n de este modelo. Fichero data4-3a. Explica qu´ es el valor-p. Ed. Razona la respuesta. e o b) Explica c´mo afectar´ a la fiabilidad de los resultados obtenidos en la estimaci´n del o ıa o Modelo B el que la variable intrate fuera relevante para explicar el total de nuevas viviendas construidas. las siguientes restricciones lineales: a) H0 : β4 = β5 b) H0 : β3 = −β4 c) H0 : β4 = β5 = β6 Ejercicio 2: Realiza exclusivamente los apartados 1 y 2 Se dispone de un conjunto de observaciones sobre el n´mero total de viviendas de nueva consu trucci´n y sus determinantes para el periodo de 1963 a 19949 . R. e 2. Explica qu´ son cada uno de sus eleo e mentos y las hip´tesis b´sicas de partida.. d ) Realiza los contrastes de significatividad individual utilizando el valor-p. ¿Te parecen razonables? Razona tu respuesta. Considera una primera especificaci´n (Modelo A) de la demanda de nueva vivienda. Las variables que se consideran o son: housing pop gdp unemp intrate No total de viviendas de nueva construcci´n (en miles) o Poblaci´n de Estados Unidos (en millones) o Producto interior bruto (en billones de $ de 1992) Tasa de desempleo Tipo de inter´s sobre la hipoteca de nueva vivienda e 1. ¿Qu´ conclusiones extraes? e SARRIKO-ON 8/09 9. Contrasta al 5 % en el Modelo 4. definimos como Modelo B al modelo resultante. South-Western. adem´s de incluir un a t´rmino constante: e a) Escribe el modelo te´rico que se ha estimado.

significatividad. en la que en el Modelo B se incluye a la variable pop y otra con todas las variables disponibles para explicar housing. d ) Realiza el contraste de Chow en el Modelo D ¿Qu´ te indica? ¿Hay evidencia de lo e que el contraste trata de detectar dados los resultados obtenidos en la realizaci´n del o contraste? 108 . ¿Qu´ especificaci´n te parece la m´s adecuada? ¿Por qu´? Razona tu o e o a e respuesta. C y D). coeficientes de determinaci´n. criterios de o informaci´n. a) Indica con Modelo C y Modelo D estas dos ultimas especificaciones y muestra los ´ resultados de la estimaci´n de estos dos nuevos modelos. Seguidamente se estiman dos especificaciones. utilizando todos los criterios mostrados. Una. o b) Valora los resultados de las cuatro especificaciones (A. c) ¿Qu´ es el VIF? ¿Qu´ te indica? Calcula este factor para el Modelo D y analiza si en e e ese modelo hay evidencia del problema que este factor trata de detectar. B.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 3.

X4i ≡ F 25i . si al menos una de las variables o explicativas se puede obtener como combinaci´n lineal exacta de alguna o algunas de las o restantes. . es muy dif´ separar el efecto parcial de cada una de estas variables sobre la variable ıcil dependiente.1. ya que la cuarta columna se obtiene u a de multiplicar por 5 la segunda columna. a 1 La notaci´n utilizada es Yi ≡ Pi . Multicolinealidad perfecta Dada la especificaci´n del modelo y los datos de las variables. o 109 . X2i ≡ F 2i . Por ejemplo. . o En alg´n caso puede que los datos de una variable se obtengan como resultado de una identidad u contable o de una combinaci´n lineal exacta entre otros regresores. ¿Qu´ ocurrir´ si definimos una nueva variable F 25 que es una e a combinaci´n lineal exacta de otra variable explicativa en el modelo.1) Las variables F 25 y F 2 son combinaci´n lineal exacta por lo que el rango de la matriz X es o 3 = K − 1. la poblaci´n y el PIB en general o o suelen estar altamente correlacionados. especialmente en un contexto de o series temporales y con series macroecon´micas. Este ultimo caso se denomina o ´ de multicolinealidad exacta o perfecta. menor que el n´mero de par´metros a estimar. o 6.Tema 6 Multicolinealidad A la hora de estimar un modelo econ´mico. La informaci´n muestral que incorpora una de estas variables es casi la misma que o el resto de las correlacionadas con ella. . X3i ≡ BEDRM Si . El sistema de ecuaciones normales que se obtiene del criterio de estimaci´n del m´todo de M´ o e ınimos Cuadrados Ordinarios ser´ un sistema de cuatro ıa ecuaciones pero solamente tres ser´n linealmente independientes1 . N (6. En el caso extremo de multicolinealidad exacta no es posible estimar separadamente estos efectos sino una combinaci´n lineal de ellos. A este fen´meno se le conoce como multicolinealidad. diremos que existe multicolinealidad exacta o perfecta. . Consideremos el siguiente ejemplo. F 25 = 5×F 2 y pretendemos o estimar los par´metros del siguiente modelo? a Pi = β1 + β2 F 2i + β3 BEDRM Si + β4 F 25i + ui i = 1. En este tema o analizaremos las implicaciones que tiene en la estimaci´n por el m´todo de M´ o e ınimos Cuadrados Ordinarios este fen´meno muestral. 2. los datos disponibles sobre las variables explicativas o o regresores pueden presentar un alto grado de correlaci´n. Cuando dos o m´s variables explicativas en un modelo est´n altamente correlacionadas en la a a muestra.

T´P. Esto mismo se puede comprobar sustituyendo o F 25i = 5 × F 2i en el modelo (6.1185 o ı R-cuadrado = 0. 2. hay cuatro inc´gnitas β1 .148314 -23.02e-005) ı Log-verosimilitud = -69.1778 0. mostrando el siguiente resultado. obteo nemos: Yi = ˆ ˆ ˆ N β1 + (β2 + 5β4 ) ˆ β1 ˆ β1 ˆ β1 ˆ X2i + β3 X3i Yi X2i Yi X3i 5[ Yi X2i = = = ˆ ˆ X2i + (β2 + 5β4 ) ˆ ˆ X3i + (β2 + 5β4 ) ˆ ˆ X2i + (β2 + 5β4 ) 2 ˆ X2i + β3 X3i X2i 2 X3i ˆ X2i X3i + β3 2 ˆ X2i + β3 X3i X2i ] Se puede observar que la cuarta ecuaci´n es la misma que la segunda excepto por un factor o ˆ ˆ ˆ ˆ de escala igual a 5.9106 DESV.804613 Estad´stico F (2. β2 . dependiente = 317. . n ıa o ¿Qu´ hace el programa GRETL si hay multicolinealidad perfecta? Elimina una variable cuale quiera de las que forman parte de esa relaci´n exacta. no es posible estimar de forma unica ´ todos los coeficientes del modelo. Consecuentemente.993 -0.7674 (valor p = 5.2) Vemos que en esta regresi´n son estimables de forma separada y unica los coeficientes β1 y β3 o ´ pero no β2 y β4 .493 Desviaci´n t´pica de la var.15888 0.8 Desviaci´n t´pica de los residuos = 39.511 6.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Yi Yi X2i Yi X3i Yi X4i = = = = ˆ ˆ N β1 + β2 ˆ β1 ˆ β1 ˆ β1 ˆ X2i + β3 ˆ X3i + β4 X4i X4i X2i X4i X3i 2 X4i ˆ X2i + β2 ˆ X3i + β2 ˆ X4i + β2 2 ˆ X2i + β3 ˆ X3i X2i + β4 2 ˆ X3i + β4 ˆ X2i X3i + β3 ˆ X2i X4i + β3 ˆ X3i X4i + β4 Si sustituimos en estas ecuaciones la relaci´n lineal exacta X4i = 5X2i y reorganizamos. o Modelo 8: estimaciones MCO utilizando las 14 observaciones 1-14 Variable dependiente: P Omitidas debido a colinealidad exacta: F25 VARIABLE const F2 BEDRMS COEFICIENTE 121. El coeficiente que acompa˜a a F 2i recoger´ la combinaci´n lineal β2 + 5β4 .179 0. I 80. 11) = 27.834673 R-cuadrado corregido = 0.019 o 110 .1). N (6. Ahora bien.35274 Media de la var. .0212080 24. β3 y β4 pero solamente tres o ecuaciones linealmente independientes.5093 Criterio de informaci´n de Akaike (AIC) = 145. Por lo tanto. = 88.00002 *** 0. β3 y la combinaci´n lineal (β2 + 5β4 ). Pi = β1 + (β2 + 5β4 ) F 2i + β3 BEDRM Si + ui i = 1.6419 ESTAD T 1. .4982 o ı Suma de cuadrados de los residuos = 16832. las tres primeras ecuaciones si podemos resolverlas ˆ ˆ ˆ ˆ para β1 . .970 VALOR P 0. dependiente.

Luego no es un problema de p´rdida de eficiencia relativamente a otro estimador o a e lineal e insesgado. Es decir.2. es com´n tener los siguientes s´ o u ıntomas: • Peque˜os cambios en los datos o en la especificaci´n provocan grandes cambios en las n o estimaciones de los coeficientes. ¿C´mo podemos analizar si existe un problema de multicolinealidad? o 2 Los estimadores MCO siguen siendo los de menor varianza dentro de la clase de lineales e insesgados si las hip´tesis b´sicas se satisfacen. de no ser perfecta. es dif´ estimar ıcil separadamente los efectos marginales o individuales de cada variable explicativa por lo que estos se estiman con poca precisi´n. no tanto en su conjunto. en este caso o F 25.2 Como consecuencia. El problema reside en la identificaci´n del efecto individual de o cada variable explicativa.841 SARRIKO-ON 8/09 Por lo tanto. si se realiza un contraste de significatividad conjunta de las variables explicativas. el resultado normalmente ser´ rechazar a la hip´tesis nula por lo que conjuntamente son significativas aunque individualmente cada o una de ellas no lo sea. Este ha sido un ejemplo ilustrativo de n ıa las implicaciones que tiene el problema de multicolinealidad perfecta. 111 . • El efecto m´s pernicioso de la existencia de un alto grado de multicolinealidad es el de a incrementar las varianzas de los coeficientes estimados por MCO. el coeficiente o que acompa˜a a F2 podr´ considerarse como (β2 + 5β4 ). por lo que se tiende a concluir que las o variables no son significativas individualmente. 6. • La estimaciones de los coeficientes suelen presentar signos distintos a los esperados y magnitudes poco razonables. El problema no reside en que los contrastes no sean correctos estad´ ısticamente. avisa de que ha eliminado una variable explicativa de la regresi´n. De todas formas es importante analizar e interpretar adecuadamente los resultados obtenidos sin tomar conclusiones precipitadamente.Econometr´ B´sica Aplicada con Gretl ıa a Criterio de informaci´n Bayesiano de Schwarz (BIC) = 146. especialmente a la inferencia sobre los efectos individuales de cada variable explicativa. Si se presentan estos s´ ıntomas se puede sospechar que el problema de multicolinealidad est´ afece tando a nuestros resultados. el valor del estad´ o ıstico para realizar contrastes de significatividad individual tiende a ser peque˜o y aumenta n la probabilidad de no rechazar la hip´tesis nula. o Si la correlaci´n entre la variables explicativas es alta. De hecho. Por eso.936 o Criterio de Hannan-Quinn (HQC) = 144. se puede o considerar un problema cuando la correlaci´n entre los regresores es tan alto que se hace casi o imposible estimar con precisi´n los efectos individuales de cada uno de ellos. y muestra los resultados de la regresi´n excluyendo esa variable. sino en que no estimamos con suficiente precisi´n estos o efectos individuales. Multicolinealidad de grado alto En general es dif´ tener en un modelo de regresi´n variables explicativas o regresores que ıcil o no presenten cierta correlaci´n muestral. • Se obtienen valores altos del R2 a´n cuando los valores de los estad´ u ısticos t de significatividad individual son bajos. La multicolinealidad.

444 VALOR P 0.0000 F2 0.7873 0.00548 *** R-cuadrado = 0.622773 Modelo 2: estimaciones MCO utilizando las 14 observaciones 1-14 3 En cada regresi´n se incluye el t´rmino constante como regresor pero no como variable dependiente.6696 0.3156 0.0000 BATHS 0. Excepto por este valor. Utilizando el ejemplo de los precios de los pisos (Fichero de muestra del Ramanathan data4-1 ) con las variables que ya analizamos en temas anteriores. ıa n Siguiendo con el ejemplo sobre el modelo del precio de la vivienda. no parece que los coeficientes de correlaci´n simple sean o demasiado grandes para sospechar que haya un problema de multicolinealidad. 809.0000 BEDRMS 0. 5.14 o valor cr´tico al 5% (a dos colas) = 0.195 ESTAD T -0.TIP.43389 0.77646 0. siendo la correlaci´n mayor entre F2 y BATH con un coeficiente igual a o o 0. usando observaciones 1 . todas las variables explicativas presentan cierto grado de correlaci´n dos a dos.0000 P F2 BEDRMS BATHS Como podemos observar. lo contrario no necesariamente es cierto.9671 975.5324 para n = 14 ı P 1. 2) Otra forma de detectar la multicolinealidad consiste en realizar la regresi´n de cada o una de las variables explicativas sobre el resto3 y analizar los coeficientes de determinaci´n o 2 ) son de cada regresi´n.4647 1.291 3.5323 1.640 254.9058 1. De todas formas. Pi = β1 + β2 F 2i + β3 BEDRM Si + β4 BAT HSi + ui obtenemos los siguientes valores de los coeficientes de correlaci´n: o Coeficientes de correlaci´n. Se puede dar el caso de tener una relaci´n lineal casi perfecta entre tres o m´s variables y sin embargo las correlaciones o a simples entre pares de variables no ser mayores que 0.812 0. aunque es condici´n suficiente para que exista este problema que todos estos coefio cientes fueran altos.371 ´ DESV. esto consistir´ en ıa realizar las siguientes regresiones: Modelo 1: estimaciones MCO utilizando las 14 observaciones 1-14 Variable dependiente: F2 VARIABLE const BEDRMS BATHS COEFICIENTE -657.612 73.7873. Si alguno o algunos de estos coeficientes de determinaci´n (Rj o o altos.175 283. o e 112 .SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 1) Una primera aproximaci´n consiste en obtener los coeficientes de correlaci´n muestral o o simples para cada par de variables explicativas y ver si el grado de correlaci´n entre estas o variables es alto. estar´ se˜alando la posible existencia de un problema de multicolinealidad.

3) Neter et al. I 0.29560 0.000531961 0. es el coeficiente que acompa˜a a la variable Xj y Rj es el coeficiente de detern minaci´n de la regresi´n auxiliar de la variable Xj en funci´n del resto de las variables o o o 113 .646527 0.190531 ´ DESV. Si recordamos los resultados obtenidos en el Tema 3. como por ejemplo los llamados Tolerancia (TOL) y Factor de Inflaci´n de la Varianza (VIF) que se definen: o V IFj = 1 2 1 − Rj T OLj = 1 V IFj 2 siendo Rj el coeficiente de determinaci´n de la regresi´n auxiliar de la variable Xj sobre o o el resto de las variables explicativas y 1 ≤ V IFj ≤ ∞. ¿Puede ser este hecho consecuencia de un problema de multicolinealidad? ¿Podr´ ıamos tener problemas de multicolinealidad entre las variables F 2. alrededor de un 60 % de o la variaci´n de F 2 y de BAT HS vienen explicadas por variaciones en el resto de variables o explicativas.00548 *** 0.TIP. BAT HS y BEDRM S? Vamos a utilizar alg´n procedimiento m´s formal para u a detectar si existe este problema.459485 SARRIKO-ON 8/09 ESTAD T VALOR P 3.291 0.107 3.000103288 0.Econometr´ B´sica Aplicada con Gretl ıa a Variable dependiente: BEDRMS VARIABLE const F2 BATHS COEFICIENTE 2.288847 Modelo 3: estimaciones MCO utilizando las 14 observaciones 1-14 Variable dependiente: BATHS VARIABLE const F2 BEDRMS COEFICIENTE 0.T´P. 0.31113 R-cuadrado = 0.31113 R-cuadrado = 0.062 0.700852 0.29182 0. ˆ La varianza de cada uno de los coeficientes de la regresi´n MCO (βj ) de un modelo de o regresi´n lineal general se puede expresar como: o ˆ var(βj ) = σ2 N i=1 1 2 2 1 − Rj ¯ Xji − Xj = σ2 N i=1 ¯ Xji − Xj 2 V IFj 2 donde βj .77646 1.179461 ESTAD T 1.444 1. donde al estimar el modelo 3 una vez que inclu´ ıamos F 2 en la regresi´n.487828 DESV. (1990) consideran una serie de indicadores para analizar el grado de multicolinealidad entre los regresores de un modelo.275 0.000154452 0. obten´ o ıamos que las variables BAT H y BEDRM S no eran significativas.062 VALOR P 0.00739 *** 0.655201 Los resultados parecen mostrar que las variaciones muestrales de las variables F 2 y BAT HS son las m´s explicadas por el resto de variables explicativas.000354931 0.583914 0. aunque los coeficientes de dea terminaci´n de esas dos regresiones no son excesivamente altos.

0 pueden indicar un problema de colinealidad 2) 3) 4) F2 BEDRMS BATHS 2.651 1. porque la conclusi´n obtenida con estos valores no siemo pre recoge adecuadamente la informaci´n y problema de los datos.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a explicativas. si V IFj > 10. a La utilizaci´n de los coeficientes T OL y V IF para detectar la presencia de la multicolinealio dad ha recibido m´ltiples cr´ u ıticas.406 2. Como vemos existe una relaci´n inmediata entre el valor V IFj y la varianza o 2 del coeficiente estimado. seg´n los valores del V IFj . Seg´n estos autores.R(j)^2). mayor es el valor de V IFj y mayor es la varianza del coeficiente estimado. las varianzas de los estimadores depende del V IFj . De todas formas. Los indicadores T OL y V IF se pueden obtener con el programa GRETL de forma muy sencilla. en la ventana de la estimaci´n por MCO del modelo de inter´s. 114 . podr´ u ıamos concluir que no existen problemas de multicolinealidad. cuanto mayor a sea la colinealidad de la variable Xj con el resto. a no siempre resulta f´cil obtener mejores datos por lo que muy probablemente debamos a convivir con el problema teniendo cuidado con la inferencia realizada y las conclusiones de la misma. aunque esto no siempre ocurre. σ 2 y Xji − Xj . Siguiendo con el ejemplo de los precios de las viviendas. se pueden considerar las siguientes “soluciones” para intentar resolver el a problema: • Si realmente es un problema muestral. Tal y como hemos visto o ¯ 2 anteriormente. porque tal y como hemos dicho. es decir. bien cambiando toda la muestra o simplemente incorporando m´s datos en la muestra inicial. elegimos la opci´n o e o Contrastes → Colinealidad obteniendo la siguiente informaci´n: o Factores de inflaci´n de varianza (VIF) o M´nimo valor posible = 1. una posibilidad es cambiar de muestra porque puede ser que con nuevos datos el problema se resuelva. Para ello.900 VIF(j) = 1/(1 . calcularemos la Inflaci´n o de la Varianza para analizar la posible presencia de multicolinealidad. Cuanto m´s se acerque Rj a la unidad. La idea consiste en conseguir datos menos correlacionados que los anteriores. por lo que un alto V IFj no es condici´n suficiente ni necesaria para que dichas varianzas sean o 2 sea peque˜ o o ¯ 2 elevadas ya que es posible que σ n Xji − Xj grande y se compensen. la multicolinealidad “infla” la varianza. Aunque no es f´cil.0 ı Valores mayores que 10. entonces concluiremos que la u colinealidad de Xj con las dem´s variables es alta. donde R(j) es el coeficiente de correlaci´n m´ltiple entre la variable j y las dem´s variables o u a independientes Como podemos observar.

ıa o detecci´n del problema de multicolinealidad y no posteriormente. A´n as´ ser´ conveniente tener en cuenta dicha informaci´n antes de la u ı.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 • En ocasiones. Explicar estos m´todos no entran dentro de los objetivos de este curso. a • Quitar del modelo alguna de las variables colineales. estaremos omitiendo una variable relevante. Es una medida que puede provocar otro tipo de problemas. ya que si la variable que eliminamos del modelo realmente s´ es ı significativa. ıa a • Existen otros m´todos de estimaci´n sugeridos en la literatura econom´trica que mejorar´ e o e ıan la estimaci´n en t´rminos de eficiencia o precisi´n. Por consiguiente. si se incorpora informaci´n a priori sobre los coeficientes del modelo desapao rece el problema. los estimadores de los coeficientes del modelo y de su varianza ser´ sesgados por lo que la inferencia ıan realizada no ser´ v´lida. e 115 . pero los estimadores as´ obtenidos ser´ o e o ı ıan sesgados. ya que as´ estimaremos o ı el modelo m´s eficientemente.

SARRIKO-ON 8/09

Econometr´ B´sica Aplicada con Gretl ıa a

6.3.

Ejercicios para practicar

Ejercicio 1: Se dispone de una base de datos anuales sobre las tasas de mortalidad por enfermedades coronarias y sus determinantes para el per´ ıodo de 1947 a 1980 en U.S.4 . chd cal unemp Tasa de mortalidad por cada 100.000 individuos de poblaci´n (Rango 321,2 - 375,4) o Consumo, per c´pita, de calcio diario en gramos (Ran a go 0,9 - 1,06) Tanto por ciento de fuerza de mano de obra desempleada en miles de personas mayores de 16 a~os n (Rango 2,9 - 8,5) Consumo de cigarrillos, per c´pita, en libras de taa baco, por persona mayor de 18 a~os. Aproximadamente n 339 cigarrillos por libra de tabaco (Rango 6,75 - 10,46) Ingesti´n de comestibles grasos y aceites, per c´pita, o a incluyendo manteca, margarina y mantequilla (Rango 42 - 56,5) Ingesti´n de carne en libras, incluyendo carne de vaca, o ternera, cordero y oveja (Rango 138 - 194,8) Consumo per c´pita de licores destilados, en galones a fiscales, para mayores de 18 a~os (Rango 1 - 2,9) n Consumo per c´pita de licor de malta en galones a fiscales para mayores 18 a~os (Rango 15,04 - 34,9) n Consumo per c´pita de vino, en galones fiscales, en a mayores de 18 a~os (Rango 0,77 - 2,65) n

cigs

edfat

meat spirits beer wine

1. Especifica un modelo que explique la tasa de mortalidad por enfermedades coronarias en el periodo 1947-1980. 2. Interpreta los coeficientes del modelo anterior. 3. Estima el modelo por M´ ınimos Cuadrados Ordinarios. Interpreta los par´metros estimados. a 4. Comenta los resultados obtenidos de la estimaci´n en t´rminos de bondad de ajuste, sigo e nificatividad y signos de los coeficientes estimados. Razona si te parecen adecuados los resultados. 5. Calcula la matriz de correlaci´n entre las variables y comenta lo obtenido. ¿Crees que o puede haber alg´n problema? u a) Calcula el Factor de Inflaci´n de Varianza y el Factor de Tolerancia para los regresores. o Interpreta los resultados. b) ¿Conoces otra forma de detectar la multicolinealidad? Apl´ ıcala. c) ¿Qu´ conclusiones extraes? e
Fichero de datos: data4-7.gdt. Recogido en Ramanathan, R. (2002), Introductory econometrics with applications, 5th. Ed., South-Western.
4

116

Econometr´ B´sica Aplicada con Gretl ıa a

SARRIKO-ON 8/09

6. Realiza un contraste de significatividad conjunta de aquellas variables que sean individualmente no significativas. Ejercicio 2: Se dispone de una base de datos anuales sobre el consumo real y sus determinantes para el per´ ıodo de 1959 a 1994 en U.S. 5 . Las variables que se consideran son: Ct Yt WAGES PRDEFL Consumo real en billones de d´lares de 1992, o (Rango 1393,6-4471,1) Producto interior bruto en billones de d´lares de o 1992 (Rango 2212,3 - 6604,2) Salarios en billones de d´lares corrientes o (Rango 281,2 - 4008,3) Deflactor impl´cito de los precios para el gasto ı en consumo, 1992 = 100, (Rango 22,8 - 105,1)

1. ¿Qu´ quiere decir: “Deflactor impl´ e ıcito de los precios para el gasto en consumo, 1992=100”? 2. Crea las siguientes variables: a) Salario en t´rminos reales, W = e
100×W AGES P RDEF L .

b) Beneficios y otras rentas del capital, P = Y − W . 3. ¿Qu´ quiere decir que las variables est´n medidas en t´rminos reales? e a e 4. Especifica un modelo para la evoluci´n del consumo en funci´n del salario real y los beneo o ficios y otras rentas del capital, para el periodo de 1959-1994. 5. Interpreta los coeficientes del modelo anterior. 6. Estima el modelo por M´ ınimos Cuadrados Ordinarios. Interpreta los coeficientes estimados que acompa˜an a las variables explicativas. n 7. Comenta los resultados obtenidos de la estimaci´n en t´rminos de bondad de ajuste, sigo e nificatividad y signos de los coeficientes estimados. Razona si te parecen adecuados los resultados. 8. Calcula y comenta la matriz de correlaci´n entre las variables. ¿Crees que puede haber o alg´n problema? u a) Calcula el Factor de Inflaci´n de Varianza y el Factor de Tolerancia para los regresores. o Interpreta los resultados. b) ¿Conoces otra forma de detectar la multicolinealidad? Apl´ ıcala. c) ¿Qu´ conclusiones extraes? e Ejercicio 3: Se dispone de una base de datos anuales sobre ´ ındices de producci´n y factores de producci´n o o agr´ ıcolas y ganaderos con base 1982, para el per´ ıodo de 1948 a 1993 en U.S. 6 . Las variables que se consideran son
5 Fichero de datos: data4-2.gdt. Recogido en Ramanathan, R. (2002), Introductory econometrics with applications, 5th. Ed., South-Western. 6 Fichero de datos: data9-5.gdt. Fuente: Economic report of the President, 1996, Tablas B-95 y B-96, recogidas en Ramanathan, R. (2002), Introductory econometrics with applications, 5th. Ed., South-Western.

117

SARRIKO-ON 8/09 year output labor land machines energy fert seedfeed others

Econometr´ B´sica Aplicada con Gretl ıa a

1948-1993 (n=46) Producci´n agr´cola y ganadera o ı Factor trabajo Tama~o de la explotaci´n n o Gasto en equipamiento Energ´a utilizada ı Gasto en fertilizantes qu´micos ı Gasto en semillas, forrajes y compra de ganado Otros gastos

1. ¿Qu´ quiere decir que los ´ e ındices tienen la base en el a˜o 1982? Si la base no fuese la n misma para todos los ´ ındices ¿tendr´ sentido el an´lisis?, ¿por qu´?, ¿qu´ tendr´ que ıa a e e ıas hacer para solucionar tu problema? 2. Especifica un modelo doblemente logar´ ıtmico en el que relaciones el logaritmo de la producci´n con el logaritmo de todos los inputs, para analizar si los factores de producci´n o o tenidos en cuenta son utiles para explicar o no la producci´n agr´ ´ o ıcola-ganadera en U.S. en el per´ ıodo de 1948 a 1993. 3. Interpreta los coeficientes del modelo anterior. 4. Estima el modelo por M´ ınimos Cuadrados Ordinarios. Interpreta los par´metros que acoma pa˜an al factor trabajo y al factor tama˜o de la explotaci´n. n n o 5. Comenta los resultados obtenidos de la estimaci´n en t´rminos de bondad de ajuste, sigo e nificatividad y signos de los coeficientes estimados. Razona si te parecen adecuados los resultados. 6. Calcula la matriz de correlaci´n entre las variables y comenta lo obtenido. ¿Crees que o puede haber alg´n problema? u a) Calcula el Factor de Inflaci´n de Varianza y el Factor de Tolerancia para los regresores. o Interpreta los resultados. b) ¿Conoces otra forma de detectar la multicolinealidad? Apl´ ıcala. c) ¿Qu´ conclusiones extraes? e 7. Realiza un contraste de significatividad conjunta de aquellas variables que sean individualmente no significativas.

118

e Razona si te parecen adecuados los resultados. el gasto per c´pita Gpc. Prentice-Hall. W. 119 . 4.3) por M´ ınimos Cuadrados Ordinarios. como Gpc = G/P op.bea.2: Source: These data were compiled by Professor Chris Bell.UU en millones de personas o Pg Y Pnc Puc Ppt Pd Pn Ps Pop 1. Se obtiene de dividir el gasto en gasolina entre el ´ndiı ce de precios al consumo Indice de precios para la gasolina Renta disponible per capita Indice de precios para coches nuevos Indice de precios para coches usados Indice de precios para transporte p´blico u Indice de precios agregado para bienes de consumo duradero Indice de precios agregado para bienes de consumo no duradero Indice de precios agregado para servicios de consumo Poblaci´n total en EE.gdt de muestra en gretl7 El o archivo contiene datos de serie temporal para los a˜os 1953 a 2004 de las siguientes variables n sobre el mercado de la gasolina en Estados Unidos: G Consumo total de gasolina en Estados Unidos. Especifica un primer modelo para la funci´n de consumo de gasolina: o Gpct = β1 + β2 Yt + β3 P gt + ut Interpreta sus coeficientes. Define una nueva variable.3) 7 Fuente: Greene. Tabla F2. Asheville. University of North Carolina. (2008).gov and www.3) incluyendo otros ´ o ındices de precios. a 5. Se considera ampliar la especificaci´n del modelo (6. Estima el modelo (6.bls. Sources: www.. Econometrics Analysis. Estima las siguientes especificaciones: MODELO 2 MODELO 3 MODELO 4 Gpct = β1 + β2 Yt + β3 P gt + β4 P nct + ut Gpct = β1 + β2 Yt + β3 P gt + β4 P nct + β5 P uct + ut Gpct = β1 + β2 Yt + β3 P gt + β4 P nct + β5 P uct + β6 P dt + ut (6.gov. a • Gr´fico de la serie estimada y observada contra el tiempo. Department of Economics. Comenta los resultados obtenidos en t´rminos de bondad de ajuste. 3.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Ejercicio 5: Para la realizaci´n de este ejercicio utiliza el archivo greene 7-8. a 2. significatividad y signos de los coeficientes estimados. Obt´n e interpreta los siguientes gr´ficos: e a • Gr´fico de los residuos MCO contra el tiempo. 6th Ed.

Calcula el Factor de Inflaci´n de Varianza y el Factor de Tolerancia para los regresores del o Modelo 3 y el Modelo 4. 7.1 en t´rminos de significatividad e individual. coeficiente de determinaci´n y distintos criterios de selecci´n de o o modelos. conjunta. Calcula la matriz de correlaci´n entre las variables de precios Pg. Puc y Pd. 6. c) ¿Consideras que alguna de las especificaciones es mejor? Razona tus conclusiones.1: Modelos estimados para el Consumo de Gasolina en Estados Unidos Variable dependiente Gpc Variables Explicativas Constant ∗ Modelo 2 ( Modelo 3 ( Modelo 4 ( ······ ) ······ ) ······ ) Y ( ······ ) ( ······ ) ( ······ ) Pg ( ······ ) ( ······ ) ( ······ ) Pnc ( ······ ) ( ······ ) ( ······ ) Puc ( ······ ) ( ······ ) Pd ( ······ ) Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 F de significaci´n conjunta o Grados de libertad Criterio de Akaike (AIC) Criterio de Schwarz (BIC) Criterio de Hannan-Quinn (HQC) (*)Valores entre par´ntesis son los estad´ e ısticos t ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ ······ b) Comenta los resultados mostrados en la Tabla 6. Interpreta los resultados. ¿Crees o que puede haber alg´n problema en la estimaci´n de los modelos anteriores? Interpreta u o los valores de la matriz. 120 . Pnc. o Tabla 6.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a a) Muestra en el siguiente cuadro los resultados obtenidos para cada especificaci´n.

¿Qu´ conclusiones extraes? e SARRIKO-ON 8/09 9. las siguientes restricciones lineales: a) H0 : β4 = β5 b) H0 : β3 = −β4 c) H0 : β4 = β5 = β6 121 . ¿Qu´ puedes e concluir? 10. Contrasta al 5 % en el Modelo 4. la hip´tesis nula de que los coeficientes asociados a las vao riables individualmente no significativas no son significativas conjuntamente.Econometr´ B´sica Aplicada con Gretl ıa a 8. Contrasta al 5 % en el Modelo 3.

SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 122 .

binarias o dummies. a ´ Vamos a suponer que queremos explicar el precio de la vivienda bas´ndonos unicamente en si a ´ Las variables ficticias pueden tomar dos valores cualesquiera. Introducci´n.2. individuo y 0 en caso contrario Di = 1 si la categor´ est´ presente ıa a 0 en caso contrario En este tema estudiamos la estimaci´n. aunque seguimos manteniendo que la variable dependiente es cuantitativa. la e raza. etc. aqu´llas que toman valores num´ricos.Tema 7 Variables Cualitativas 7. interpretaci´n de los coeficientes y contrastes de hip´tesis o o o en modelos con presencia de variables cualitativas como regresores. a el PIB de los pa´ puede estar influenciado por determinados acontecimientos hist´ricos como ıses o las guerras. es decir. el estado civil. una variable cualitativa como unico regresor del modelo. momentos hist´ricos. e Dado que las categor´ de las variables no son directamente cuantificables. sin embargo. 7.1. la interpretaci´n de los coeficientes o es m´s sencilla si se consideran los valores 0 y 1. las vamos a cuanıas tificar construyendo unas variables artificiales llamadas ficticias. pueden tomar valores no num´ricos como categor´ clases o e ıas. vamos a considerar que ´sta puede venir explicada por variables cualitativas y/o cuantitativas. Un ejemplo o A lo largo del curso unicamente se han especificado modelos con variables de naturaleza cuan´ titativa. es decir. el salario de los trabajadores puede depender del g´nero de los mismos. las variables tambi´n e e e pueden ser cualitativas. Estas variables toman arbitrariamente el valor 1 si la categor´ est´ presente en el e ıa a 1. o e n En este tema. a 1 123 . son variables cualitativas el g´nero de las personas. Sin embargo. a o n De esta forma. que son num´ricas. la tasa e de criminalidad puede venir determinada por la zona geogr´fica de residencia de los individuos. estaciones del a˜o. las ventas de un determinado producto pueden ser significativamente distintas en funci´n de la ´poca del a˜o. etc. atributos. Por ejemplo. el pertenecer a diferentes zonas geogr´ficas. Modelo con una variable cualitativa Consideremos el caso m´s sencillo.

Para ello. una variable ficticia que toma el valor 1 si la vivienda tiene sala de estar y 0 en caso contrario (FAMROOM) y una variable ficticia que toma el valor 1 si la vivienda tiene chimenea y 0 en caso contrario (FIREPL). 88. T´ ıp. o Con los datos anteriores podemos obtener f´cilmente que el precio medio de la vivienda es a 317.900 d´lares y tiene piscina o (ya que la variable POOL toma el valor 1).0 293.493 d´lares: o Estad´ ısticos principales.V.0 425.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a la vivienda tiene piscina o no2 . 52983 Por simplicidad vamos a ignorar el efecto del resto de variables que afectan al precio de la vivienda.9 228.0 285.0 295.0 415. utilizados en cap´ u n ıtulos anteriores y a˜ade una variable ficticia que toma el valor 1 si la vivienda tiene piscina y 0 en caso contrario n (POOL). pies cuadrados habitables (SQFT).0 385. usando las observaciones 1 . etc.0 365. 498 2 Mediana 291. de curtosis −0. n´mero u de habitaciones (BEDRMS) y n´mero de ba˜os (BATHS).0 pool 1 0 1 0 0 0 0 1 0 0 1 1 0 0 Por ejemplo. 0.14 para la variable price (14 observaciones v´lidas) a Media 317. 65346 M´ximo a 505. mientras que la segunda no tiene piscina (la variable POOL toma el valor 0) y su precio de venta es de 228.0 505.0 285.0 239. 27874 M´ ınimo 199.000 d´lares. la primera vivienda de la muestra tiene un precio de 199. 90 Asimetr´ ıa 0.0 290. 00 Exc. 49 Desv. que contiene datos para 14 viviendas sobre el precio de venta de la vivienda (PRICE). Seleccionamos las variables PRICE y POOL y observamos los valores de estas dos variables: Obs 1 2 3 4 5 6 7 8 9 10 11 12 13 14 price 199. 124 . 50 C.0 235. definimos la siguiente variable ficticia: P OOLi = 1 si la vivienda i-´sima tiene piscina e 0 en caso contrario Abrimos el fichero de datos data7-3 de Ramanathan (2002).

225275 M´ ınimo 228. . 0..110 o de las viviendas sin piscina.869 d´lares m´s cara que la que no tiene piscina. 11 Desv.1) Interpretaci´n y estimaci´n de los coeficientes o o En nuestro ejemplo.9 para la variable price (9 observaciones v´lidas) a Media 306. Para ello. 00 C. de curtosis −1.980 d´lares frente a los 306. Para comenzar. 14 (7. . 00 Exc. etc... la funci´n de regresi´n poblacional var´ en funci´n de si la vivienda tiene o o ıa o piscina o no: 3 Para restablecer el tama˜o muestral inicial pinchar en Muestra → Recuperar el rango completo. n 125 . por otro. tambi´n es posible obtener el precio medio para las viviendas que tienen piscina. u n´mero de habitaciones. e por un lado. en primer. pinchamos en Muestra → Definir a partir de v. 36390 M´ ınimo 199.5 para la variable price (5 observaciones v´lidas) a Media 337. de curtosis −0. . y para las que no la tienen. seleccionamos la variable POOL y aceptamos. 00 Asimetr´ ıa 0. 68. el precio medio de las viviendas con piscina es de 337. pinchamos en Muestra → Restringir a partir de criterio. Podemos esa a o pecificar un modelo econom´trico utilizando la variable ficticia POOL como regresor. A continuaci´n. 98 Desv. 2798 Para seleccionar el precio de las viviendas que no tienen piscina. 959 Mediana 290. 99 Mediana 365. T´ ıp. De esta forma hemos seleccionado el precio para aquellas viviendas que tienen piscina3 .V. lugar se selecciona el precio para aquellas viviendas con piscina. T´ ıp. 00 Exc. Los estad´ o ısticos principales son los siguientes: Estad´ ısticos principales. 15896 M´ximo a 505. 87575 M´ximo a 425. Notar que no se est´n teniendo en cuenta otros o a a factores que pueden afectar al precio de la vivienda (n´mero de pies cuadrados habitables.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Sin embargo. u El sencillo an´lisis anterior podemos realizarlo mediante un an´lisis de regresi´n. Para ello. e hacer inferencia e ir incorporando otras caracter´ ısticas que pueden afectar a los precios de las viviendas. seleccionamos la variable PRICE. introducimos la condici´n P OOL = 0 y aceptamos. 0. usando las observaciones 1 . consideramos el siguiente modelo de regresi´n lineal simple: o P RICEi = α1 + α2 P OOLi + ui i = 1. estimarlo. 122. Dado el modelo una vivienda con piscina es en promedio 31. usando las observaciones 1 . 52255 Por tanto. . o se obtienen los estad´ ısticos principales: Estad´ ısticos principales. 90 Asimetr´ ıa 0. 00 C.V. ficticia.).

de igual forma P RICE nopool es la media muestral del precio de las viviendas sin piscina.6305 317.1335 0. puesto que la variable POOL toma el valor 0 y E(ui ) = 0. puesto que la variable POOL toma el valor 1 y E(ui ) = 0. Utilizando las ecuaciones normales que derivamos en el Tema 2 para estimar el modelo de regresi´n simple y teniendo en cuenta que al ser POOL una variable ficticia que toma valores 0 o y 1 coincide con su cuadrado.1): estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: price Variable const pool Coeficiente 306.038 valor p 0.980 − 306.5471 Estad´ ıstico t 10.5402 Media de la var. • E(P RICEi |i es una vivienda sin piscina) = α1 . • α1 + α2 : precio medio de una vivienda con piscina.760 169. si estimamos el modelo por M´ ınimos Cuadrados Ordinarios utilizando Gretl obtenemos que las estimaciones de los coeficientes son las siguientes: Modelo (7. • α2 : diferencia en el precio medio de una vivienda con piscina con respecto a una que no la tiene. t´ ıpica 30. Por tanto. obtenemos que los estimadores de los coeficientes del modelo (7.2077 50.8689 Desv. dependiente D.111 = 31.0320632 −0.0485982 12 −81. los coeficientes se interpretan como sigue: • α1 : precio medio de una vivienda sin piscina. de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ 2 R ¯ R2 corregido Grados de libertad Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o 4 P RICE pool es la media muestral del precio de las viviendas con piscina.5 90.T.869 ˆ ⇒ diferencia estimada en el precio medio de las viviendas con piscina con respecto a las que no la tienen. 126 . • α2 = P RICE pool − P RICE nopool = 337.1) se pueden calcular a partir de simples medias muestrales4 : • α1 = P RICE nopool = 306.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a • E(P RICEi |i es una vivienda con piscina) = α1 + α2 .111 31.111 ˆ ⇒ precio estimado medio de las viviendas sin piscina.6231 0.880 167. En efecto.4982 98550.493 88.0000 0.

14 El modelo (7. podemos crear la variable NOPOOL.3) es la siguiente: • E(P RICEi |i es una vivienda con piscina) = α1 + α2 = γ1 = β1 • E(P RICEi |i es una vivienda sin piscina) = α1 = γ1 + γ2 = β2 Una especificaci´n que no ser´ adecuada es la siguiente: o ıa P RICEi = α + β1 P OOLi + β2 N OP OOLi + ui i = 1.2) (7.1). por lo que la matriz X X no ser´ invertible. . . . . . Al igual que hemos definido la variable o ficticia POOL. Notar que la equivalencia entre los coeficientes de los distintos modelos (7. . ˆ unica soluci´n para α. . t) (10. . . . 111 + 31.3) P RICEi = β1 P OOLi + β2 N OP OOLi + ui La interpretaci´n de los coeficientes se har´ de forma an´loga a como hemos visto para el o ıa a modelo (7. 869P OOLi (estad. . 14 i = 1. . . . . En estas circunstancias no se podr´ obtener una ıa ıa ˆ1 y β2 del sistema de ecuaciones normales. .63) i = 1. 14 ya que si analizamos la matriz de datos X para este modelo observamos que la suma de la segunda y tercera columnas es igual a la primera y tendr´ ıamos un problema de multicolinealidad exacta. 14 (7.13) (0. Con esta nueva variable podemos especificar los dos modelos siguientes: P RICEi = γ1 + γ2 N OP OOLi + ui i = 1.2) y (7. β ´ o ˆ              X=            1 1 1 1 1 1 1 1 1 1 1 1 1 1 127 1 0 1 0 0 0 0 1 0 0 1 1 0 0 0 1 0 1 1 1 1 0 1 1 0 0 1 1                          . (7.1) no es la unica especificaci´n correcta posible para explicar las variaciones del ´ o precio de la vivienda en funci´n de si tiene piscina o no. tomando el valor 1 si la vivienda no tiene piscina y 0 en caso contrario.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Que coinciden con las calculadas utilizando los valores obtenidos en ambas submuestras mediante los Estad´ ısticos Principales: P RICE i = 306.1).

Esperar´ ıamos signo positivo.2. y distinta ordenada como podemos a observar en el Gr´fico 7. .1) el modelo no restringido mientras que el modelo restringido es P RICEi = α1 + ui i = 1. . es decir. .1) si hay diferencias significativas en el precio e medio de la vivienda entre aqu´llas que tienen piscina y las que no.5 Este contraste se puede realizar utilizando el estad´ ıstico t habitual cuyo valor-p es 0. Alternativamente.1. 7. por lo que no se rechaza la hip´tesis nula para un nivel de significaci´n del 5 %.4) Estimaci´n e interpretaci´n de los coeficientes: o o La funci´n de regresi´n poblacional se puede expresar como: o o • E(P RICEi |i es una vivienda con piscina) = α1 + α2 + β SQF Ti • E(P RICEi |i es una vivienda sin piscina) = α1 + β SQF Ti Por tanto podemos interpretar α1 como el precio esperado de una vivienda sin piscina y cero pies cuadrados.1: a 5 Equivalentemente. a mayor superficie mayor precio esperado para la vivienda. α2 como el diferencial en el precio esperado en una vivienda por el hecho de tener piscina. A igual n´mero u u de pies cuadrados habitables el hecho de tener piscina se puede considerar una mejora en la vivienda por lo que ser´ preferida.2) y (7. . as´ tener piscina es una caracter´ ıa ı ıstica que sube el precio de la vivienda y esperar´ ıamos que α2 tuviese signo positivo. Por ejemplo. manteniendo el n´mero de pies cuadrados habitables constante. 14 (7. la hip´tesis de contraste es e o H0 : α2 = 0.5402. en un modelo pueden convivir variables cualitativas y cuantitativas.1) el unico regresor para explicar el precio de la vivienda es una caracter´ ´ ıstica cualitativa. Cambio en la ordenada Suponer que el precio de la vivienda unicamente depende de si tiene piscina o no es poco realista.SARRIKO-ON 8/09 Contraste de hip´tesis o Econometr´ B´sica Aplicada con Gretl ıa a Los contrastes de hip´tesis se realizan con la metodolog´ estudiada en los cap´ o ıa ıtulos previos. 14. o 128 .3). o o el precio medio de la vivienda no es significativamente diferente por el hecho de tener piscina. ´ por lo que a˜adimos como regresor a la variable cuantitativa SQFT (n´mero de pies cuadrados n u habitables de la vivienda) de la siguiente manera: P RICEi = α1 + α2 P OOLi + β SQF Ti + ui i = 1. se puede realizar el contraste utilizando el estad´ ıstico F basado en las sumas de cuadrados de los residuos siendo en este caso el modelo (7. si quisi´ramos contrastar en el modelo (7. β. H0 : γ2 = 0 ´ H0 : β1 = β2 para los modelos (7. obtenemos dos rectas con igual pendiente. Gr´ficamente. Incorporaci´n de variables cuantitativas o En el modelo (7. el hecho de tener o no piscina sin embargo. Vamos a comenzar a˜adiendo un regresor cuantitativo. respectivamente. Finalmente interpretamos β como la variaci´n en el precio esperado de una vivienda por incrementar su superficie en un pie cuao drado. la variable n SQFT (n´mero de pies cuadrados habitables de la vivienda) y manteniendo la variable ficticia u POOL afectando a la ordenada. . . . .

t´ ıpica 29.3186 0.1: Cambio en ordenada a El resultado de la estimaci´n del modelo (7.673 d´lares.4817 0. dependiente D.144415 Desv.5058 16. 11) Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o El modelo estimado es: P RICE i = 22.768) (3. de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ 2 R ¯ R2 corregido F (2.0084 0.4): estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: price Variable const pool sqft Coeficiente 22.7898 0.36 29.1809 317. t) (0.203) (10. que o o es 2.4982 9455.861 valor p 0.7684 3. existen diferencias significativas en el precio medio de la vivienda que tiene piscina con respecto a la que no la tiene. 790P OOLi + 0.944 138.Econometr´ B´sica Aplicada con Gretl ıa a price α1 + α2 + βsqf t α1 + βsqf t SARRIKO-ON 8/09 α1 + α2 α1 sqf t Gr´fico 7. o 6 El valor de los estad´ ısticos t para los coeficientes de ambos regresores es superior al valor cr´ ıtico de una distribuci´n t de Student de N − K = 14 − 3 = 11 grados de libertad para un nivel de significaci´n del 5 %. Los coeficientes estimados se interpretan como sigue: • α1 = 22.2029 10. 129 .T.4584 0.907132 0.6728 52.7238 −65.0000 Media de la var.472 136. 673 ⇒ el precio medio estimado de las viviendas sin piscina y con cero pies ˆ cuadrados habitables es 22.144 SQF Ti (estad.0141849 Estad´ ıstico t 0.890247 53.201.493 88. Por tanto.4) por M´ o ınimos Cuadrados Ordinarios es: Modelo (7.181) donde se puede observar que ambos regresores son significativos para explicar el precio medio de la vivienda y tienen los signos adecuados6 . 673 + 52.

499 130. .5): o Modelo (7.0644 0. mientras que toma el valor 0 para las que no la tienen.0203274 3.72 20.1332 −82. de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ 2 R ¯ R2 corregido F (3.749 127. 790 ⇒ se estima que entre dos viviendas con el mismo n´mero de pies cuadrados ˆ u habitables el precio medio de una con piscina es 52. 10) Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o La funci´n de regresi´n poblacional se puede expresar como: o o • E(P RICEi |i es una vivienda con piscina) = α1 + α2 + (β1 + β2 )SQF Ti • E(P RICEi |i es una vivienda sin piscina) = α1 + β1 SQF Ti El par´metro poblacional α1 se interpreta como el precio esperado de una vivienda sin piscina y a con cero pies cuadrados habitables. t´ ıpica Estad´ ıstico t 77.4321 0. . En este caso se e especifica el siguiente modelo. 144 ⇒ el precio medio estimado de una vivienda se incrementa en 144 d´lares al o aumentar en un pie cuadrado habitable la vivienda.648 0.0131 0.055 Variable const pool sqft pool· sqft valor p 0.2641 3.493 88.5566 317. . .6379 39.946696 77. estimamos el modelo (7. dependiente D. ˆ • β = 0. 14 (7.9615 −59.5) La interacci´n P OOL · SQF T mide el n´mero de pies cuadrados habitables para las viviendas o u que tienen piscina.0125934 0.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a • α2 = 52.T.0086 −2. Cambio en la ordenada y en la pendiente Tambi´n es posible pensar que la variaci´n en el precio de las viviendas ante el incremento e o en un pie cuadrado habitable sea diferente para aqu´llas que tienen piscina.5): estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: price Coeficiente Desv.0722955 25.116667 0.0052 Media de la var.958997 0.0000 0. Estimaci´n e interpretaci´n de los coeficientes: o o Una vez definida la interacci´n P OOL · SQF T en Gretl.790 d´lares m´s caro que el de una sin o a piscina.7759 0. α2 mide el diferencial en el precio esperado de una vivienda 130 . donde la variable ficticia POOL afecta tanto a la ordenada como a la pendiente de la recta: P RICEi = α1 + α2 P OOLi + β1 SQF Ti + β2 P OOL · SQF Ti + ui i = 1.4982 4174.0779 9.

648 ⇒ entre dos viviendas con 0 pies cuadrados habitables el precio medio ˆ estimado de una con piscina es 82. o ˆ • β2 = 0. 117 ⇒ al incrementar en un pie cuadrado la superficie habitable. Esperar´ ıamos que ambos coeficientes tuviesen signo positivo. El resultado del contraste es: 131 . o La representaci´n gr´fica corresponde a dos rectas que var´ tanto en el punto de corte con el o a ıan eje de ordenadas como en la pendiente: price α1 + α2 + (β1 + β2 )sqf t α1 + β1 sqf t α1 + α2 α1 sqf t Gr´fico 7.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 con cero pies cuadrados habitables por el hecho de tener piscina. 072 ⇒ al incrementar en un pie cuadrado la superficie habitable. Si adem´s la vivienda tiene a piscina el cambio en el precio esperado por pie cuadrado m´s de superficie ser´ mayor ya que la a a posesi´n de piscina es una mejora. o a ˆ • β1 = 0. el precio medio estimado de una vivienda sin piscina aumenta en 117 d´lares. β1 se interpreta como la variaci´n en el precio esperado de una vivienda sin piscina por ino crementar su superficie en un pie cuadrado habitable mientras que β2 mide el diferencial en la variaci´n en el precio esperado de una vivienda ante un incremento de su superficie en un o pie cuadrado por el hecho de tener piscina. o • α2 = −82. el precio medio estimado de una vivienda con piscina aumenta en 72 d´lares.133 d´lares.2: Cambio en ordenada y en pendiente a Interpretaci´n de los coeficientes estimados: o • α1 = 77. 133 ⇒ el precio medio estimado de las viviendas que no tienen piscina y con cero ˆ pies cuadrados habitables es 77. Esperar´ ıamos que ambos coeficientes tuviesen signo positivo por las razones argumentadas anteriormente. o Contraste de hip´tesis o La hip´tesis nula para contrastar si tener piscina influye significativamente en el precio medio o de las viviendas es H0 : α2 = β2 = 0.648 d´lares m´s barato que el de una sin piscina. a mayor superficie de la vivienda mayor precio esperado.

si no tambi´n si tiene o no chimenea. solo hab´ dos casos posibles y por tanto s´lo hab´ dos ıa ıa o ıa categor´ ıas. en general. Para el ejemplo necesitamos definir cinco variables o ficticias una para cada zona ya que la situaci´n geogr´fica de la vivienda la hemos dividido en o a 7. con menor nivel econ´mico y peor comunicados. para ello podemos contrastar H0 : β2 = 0. Como vemos en los resultados de la estimaci´n del modelo este coeficiente es significativo. zona sur. 10) = 16. ıa Por otro lado. Varias categor´ ıas Supongamos que creemos que la zona de la ciudad donde est´ situada la vivienda es un dee terminante de su precio. su superficie habitable. el n´mero de u u ba˜os. Por ejemplo en el precio de una vivienda podr´ influir no s´lo a ıa o el hecho de tener o no piscina.886) = 0. cinco categor´ ıas Definimos las siguiente variables: D1i = D2i = 7 1 0 1 0 si la vivienda i-´sima est´ situada en la zona centro e a en caso contrario si la vivienda i-´sima est´ situada en la zona norte e a en caso contrario En el ejemplo anterior la vivienda ten´ o no piscina. ˆ aparentemente el hecho de incluir la variable ficticia en la pendiente ha restado significatividad a la discriminaci´n en la ordenada. norte y oeste que en el sur o en el este que agrupan a barrios. α2 no tiene el signo esperado y a su vez no es significativo a nivel individual. e 7. el n´mero de habitaciones. 10) > 16.3. Modelo con dos o m´s variables cualitativas a Al igual que ocurr´ con los regresores cuantitativos sobre una variable end´gena pueden influir ıa o m´s de una variable cualitativa. Pensemos por ejemplo en precios de viviendas situadas en una gran ciudad en la que podemos distinguir como zonas a la zona centro. 132 .000622329 por lo que se rechaza la hip´tesis nula para un nivel de significaci´n del 5 % y por lo tanto tener o o piscina es una variable significativa para explicar el precio de las viviendas. zona este y zona oeste.886 con valor p = P (F (2.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Contraste de omisi´n de variables – o Hip´tesis nula: los par´metros son cero para las variables o a pool poolsqft Estad´ ıstico de contraste: F (2. si tiene o no ascensor o la zona de la ciudad donde n e est´ situada. como esper´bamos la influencia de o a la superficie habitable de una vivienda en su precio var´ si la vivienda tiene piscina o no. Tambi´n se puede contrastar mediante un contraste de significatividad individual si el incremento e en un pie cuadrado de superficie afecta al precio de manera diferente seg´n la vivienda tenga u o no piscina.1. por ejemplo en una ciudad como Madrid esperar´ ıamos mayor precio en el centro. En general el centro de las ciudades es una zona valorada por ser el centro neur´lgico econ´mico-comercial y el resto de zonas se valorar´ en funci´n del tipo de viviendas a o a o que recoja y sus comunicaciones.3. zona norte. o 7.

. Por ejemplo una especificaci´n alternativa ser´ o ıa: P RICEi = α + α2 D2i + α3 D3i + α4 D4i + α5 D5i + β SQF Ti + ui i = 1. N (7.6) se ha optado por no incluir t´rmino independiente en el modelo e incluir o e las cinco variables ficticias para no incurrir en un problema de multicolinealidad exacta como se expuso en el punto anterior pero. por estar situada en la zona norte. . . centro.6) el modelo no restringido mientras que el modelo restringido ser´ P RICEi = α1 +β SQF Ti +ui ıa i = 1.7) En el modelo anterior la interpretaci´n del par´metro poblacional β no var´ α se interpreta o a ıa. .Econometr´ B´sica Aplicada con Gretl ıa a 1 0 1 0 1 0 SARRIKO-ON 8/09 D3i = D4i = D5i = si la vivienda i-´sima est´ situada en la zona sur e a en caso contrario si la vivienda i-´sima est´ situada en la zona este e a en caso contrario si la vivienda i-´sima est´ situada en la zona oeste e a en caso contrario Si adem´s de la situaci´n geogr´fica de la vivienda creemos que la superficie habitable influye a o a en su precio podemos definir. por ejemplo. . norte. 5 se interpretan como ı el precio esperado de una vivienda con cero pies cuadrados situadas en la zona correspondiente. Hip´tesis que podemos contrastar utilizando el estad´ o ıstico F basado en las sumas de cuadrados de los residuos siendo en este caso el modelo (7.6) Donde β se interpreta de la forma habitual y α1 se interpreta como el precio esperado de una vivienda con cero pies cuadrados situada en la zona centro. Contraste de hip´tesis o Para contrastar en el modelo (7. . . N .7) y el restringido P RICEi = α + β SQF Ti + ui i= 1. este y oeste respectivamente) con respecto a una vivienda situada en la zona centro. . El mismo contraste puede llevarse a cabo en el modelo (7. as´ αi i = 1. . a igual superficie habitable. . . N (7. Qu´ variable ficticia (o categor´ dejemos e ıa) fuera no es relevante siempre y cuando interpretemos adecuadamente los par´metros. .6) que por ejemplo no existen diferencias significativas en el precio medio de la vivienda por su situaci´n la hip´tesis de contraste es H0 : α1 = α2 = α3 = o o α4 = α5 . sur. este u oeste. . . . 133 . podr´ ıamos especificar un modelo con t´rmino independiente e siempre y cuando dejemos fuera una de las variables ficticias o categor´ para no tener dicho ıas problema. . . Naturala mente podemos afectar las variables ficticias a la variable cuantitativa como en el caso anterior siempre y cuando no incurramos en multicolinealidad exacta. . . (sur. como el precio esperado de una vivienda con cero pies cuadrados situada en la zona centro. . . . 5 se interpretan como el diferencial en el precio esperado de una vivienda. . En la especificaci´n (7. N . αi i = 2.7) con la hip´tesis H0 : α2 = α3 = α4 = α5 = 0 siendo o el modelo no restringido el modelo (7. . el siguiente modelo: P RICEi = α1 D1i + α2 D2i + α3 D3i + α4 D4i + α5 D5i + β SQF Ti + ui i = 1.

3. el hecho de tener o no piscina.6416 0.1958 −21.8134 0.4110 −0.4979 0.4) incorporando regresores que podr´ explicar el ıan precio de la vivienda como por ejemplo el n´mero de habitaciones.1880 0. .2452 −0. afectando a la ordenada. una vivienda por el hecho de poseer la caracter´ ıstica correspondiente manteni´ndose constante e el resto de variables.0635 42. e Esta forma de definir el modelo es muy c´moda ya que sigue manteniendo los resultados de o los modelos con t´rmino independiente y permite una f´cil interpretaci´n de los coeficientes que e a o acompa˜an a las variables ficticias.4362 2. conviven tres conjuntos de variables ficticias con dos categor´ cada una.8454 0. 14 (7.5397 22. 4 recogen el diferencial en el valor esperado de n ı.0064 valor p 0.146551 −7.8).4864 4.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 7.0301014 28.3.2. . As´ γi i = 2. el n´mero de ba˜os.8) Donde lo primero a notar es que en el modelo (7.7363 41.8): estimaciones MCO utilizando las 14 observaciones 1–14 Variable dependiente: price Variable const pool famroom firepl sqft bedrms baths Coeficiente 39. .4547 134 Estad´ ıstico t 0.6338 0. .0455 −0.263691 Desv.6758 0.8734 53.0571 53. Varios conjuntos de variables ficticias Supongamos que ampliamos el modelo (7. que la u u n vivienda tenga sala de estar o no y que tenga chimenea o no.9951 . Las dos primeras son variables ficticias que pueden definirse as´ ı: 1 0 1 0 si la vivienda i-´sima tiene chimenea e en caso contrario si la vivienda i-´sima tiene sala de estar e en caso contrario F IREP Li = F AM ROOMi = Mientras que el n´mero de ba˜os y el n´mero de habitaciones se definen como en los temas u n u anteriores: BEDRM S n´mero de habitaciones de la vivienda i-´sima u e BAT HS n´mero de cuartos de ba˜o de la vivienda i-´sima u n e Con todas ellas podemos definir el siguiente modelo para explicar el precio de la vivienda: P RICEi = γ1 + γ2 P OOLi + γ3 F AM ROOMi + γ4 F IREP Li +β1 SQF Ti + β2 BEDRM Si + β3 BAT HSi + ui i = 1. El resultado de la estimaci´n es: o Modelo (7.0018 0.344 26.8686 −0. el ıas hecho de tener o no chimenea y el hecho de tener o no sala de estar.0467 0. t´ ıpica 89. de las cuales s´lo se incluye o una de cada conjunto y se mantiene el t´rmino independiente.

ˆ n sala de estar ni chimenea y con 0 pies cuadrados habitables es de 39.835650 12. habitaciones. de la variable dependiente Suma de cuadrados de los residuos Desviaci´n t´ o ıpica de los residuos (ˆ ) σ R2 ¯ R2 corregido F (6.Econometr´ B´sica Aplicada con Gretl ıa a Media de la var.057 d´lares.046 d´lares al o aumentar en 1 el n´mero de habitaciones.8773 0. permaneciendo constantes el n´mero de ba˜os u u n y los pies cuadrados habitables y el resto de caracter´ ısticas de la vivienda. las habitaciones ser´n de menor tama˜o. dependiente D. 188: el precio medio estimado de una vivienda con chimenea es 26.24 35. a n ˆ • β3 = −0. o • γ3 = −21. 046: el precio medio estimado de una vivienda disminuye en 7.4982 9010.340 d´lares ˆ o inferior al de una sin sala de estar. siendo id´nticas en el resto de caracter´ a e ısticas. n´mero de habitaciones.188 d´lares ˆ o m´s caro que el de una sin chimenea. o • γ2 = 53. ˆ • β2 = −7.196 d´lares. 147: el precio medio estimado de una vivienda se incrementa en 147. 1958: la diferencia estimada en el precio medio de las viviendas con piscina con ˆ respecto a las que no la tienen.T.269 148. siendo id´nticas en el resto de caracter´ e ısticas. a n 135 . Esto se debe a que. 264: el precio medio estimado de una vivienda disminuye en 264 d´lares al o aumentar en 1 el n´mero de ba˜os. ˆ • β1 = 0.134 144. n • γ4 = 26. siendo iguales en el resto de caracter´ ısticas (pies cuadrados habitables. permaneciendo constantes el n´mero de habitaciones u n u y los pies cuadrados habitables el resto de caracter´ ısticas de la vivienda. De nuevo.493 88. ba˜os. Esto se debe a que las habitaciones ser´n de menor tama˜o . al mantener constante el n´mero de pies cuadrados de la vivienda y el n´mero u u de habitaciones y ba˜os. incluir una sala de estar har´ que el resto de habitaciones o ba˜os n a n sean de menor tama˜o. 7) valor p para F () Log-verosimilitud Criterio de informaci´n de Akaike o Criterio de informaci´n Bayesiano de Schwarz o SARRIKO-ON 8/09 317. permaneciendo constantes el n´mero u de ba˜os y habitaciones y el resto de caracter´ n ısticas de la vivienda.911504 0. n´mero de ba˜os. existencia de sala de estar y/o u u n chimenea) es de 53. 34: el precio medio estimado de una vivienda con sala de estar es 21.00221290 −65.743 La interpretaci´n de los coeficientes estimados es la siguiente: o • γ1 = 39.0166 0.000 d´lares al o aumentar en 1 pie cuadrado habitable su superficie. 057: el precio medio estimado de las viviendas sin piscina.

8). Por tanto.6416. puede realizarse de manera sencilla mediante el estad´ ıstico de sumas de cuadrados de los residuos sin m´s que a Un problema a˜ adido es que tenemos un bajo tama˜o muestral. K=7. y hemos aumentado significativamente n n el n´ mero de par´metros a estimar. se puede concluir que a un nivel de significaci´n del 5 %. 7) = 0. no existen diferencias significativas en el precio o medio de una vivienda por el hecho de tener chimenea.SARRIKO-ON 8/09 Contraste de hip´tesis o Econometr´ B´sica Aplicada con Gretl ıa a Para contrastar. 7) > 0. puede que exista un cambio estructural. ante sospechas de que exista un cambio estructural. el R2 es inferior. Por tanto. Contraste de cambio estructural En ocasiones puede ocurrir que la relaci´n entre la variable dependiente y los regresores cambie o a lo largo del periodo muestral. el resultado es: Contraste de omisi´n de variables – o Hip´tesis nula: los par´metros son cero para las variables o a bedrms baths famroom firepl Estad´ ıstico de contraste: F (4. Si esto ocurre no podemos especificar una unica e ´ funci´n de demanda para todo el per´ o ıodo muestral si no que deber´ ıamos especificar dos funciones. reduci´ndose significativamente.4) son o n conjuntamente no significativas. u a 8 136 . T=14. llamado habitualmente contraste de Chow.983881 por lo que no se rechaza la hip´tesis nula de que las variables a˜adidas al modelo (7. BATHS. n u podemos pensar que tras dicha campa˜a el comportamiento de la demanda de tabaco haya n cambiado.4) y (7. si estamos analizando el consumo de tabaco y durante el per´ ıodo muestral se ha producido una campa˜a de salud p´blica informando sobre los peligros que conlleva el consumo de tabaco.0864517 con valor p = P (F (4. por lo que tenemos muy pocos grados de libertad. En este caso.4. BEDRMS) no a˜ade capacidad explicativa o n al modelo. la o inclusi´n del resto (FIREPL. es decir. 7. por ejemplo. que no existen diferencias significativas en el precio medio de la vivienda por el hecho de tener chimenea.0864517) = 0. Al omitir dichas variables el modelo mejora en cuanto a la ¯ significaci´n de sus coeficientes y el R2 . se realiza un contraste de significatividad individual de la variable FIREPL. Adem´s. Si comparamos los modelos (7. FAMROOM. El contraste de significatividad ¯ es significativa individualmente a conjunta para las variables a˜adidas se puede realizar con el estad´ n ıstico F basado en las sumas de cuadrados residuales de los modelos restringido (modelo (7. debemos de contrastar la estabilidad de los par´metros de a nuestra relaci´n. 0.8)). Por ejemplo. una hasta la campa˜a antitabaco y otra para el per´ n ıodo siguiente. ninguna de las variables a˜adidas en el ultimo modelo n ´ 8 . o El contraste de cambio estructural. manteniendo las variables POOL y SQFT.4)) y no restringido (modelo (7. En este caso. observando el valor-p correspondiente.

724913 0. A mediados de 1981 el gobierno turco lanza una campa˜a de salud p´blica advirtiendo de los n u peligros de salud que conlleva el consumo de tabaco. de primer orden. . .485683 Desv. . D82: variable ficticia que toma valor 1 a partir de 1982.0949108 Desviaci´n t´ o ıpica de los residuos = 0.688498 0. Tambi´n podemos llevarlo e a cabo utilizando variables ficticias.332 7. dependiente = 0.9): estimaciones MCO utilizando las 29 observaciones 1960-1988 Variable dependiente: lnQ Variable const lnY lnP Coeficiente −4. .712058 R-cuadrado corregido = 0.790 valor p 0.00001∗∗∗ 0.00006∗∗∗ Media de la var. de autocorr.9) o mientras que el modelo no restringido est´ constituido por las ecuaciones (7.10) y (7. . 1981 t = 1982.9) por MCO y en la ventana de resultados de la estimaci´n elegimos: o Contrastes −→ Contraste de Chow A la pregunta Observaci´n en la cual dividir la muestra contestar´ o ıamos 1982 y la correspondiente devoluci´n es: o Modelo (7. β1 = β2 y γ1 = γ2 Este contraste podemos llevarlo a cabo utilizando el estad´ ıstico F basado en las sumas de cuadrados de los residuos siendo en este caso el modelo restringido el recogido en la ecuaci´n (7.101394 Estad´ ıstico t −6.10) (7. .148 (valor p < 0. 1988 (7. Nuestro objetivo es determinar si existen cambios en la demanda de tabaco tras la campa˜a institucional en cuyo caso la especificaci´n: n o LnQt = α + βLnYt + γLnPt + ut t = 1960. = 0.00057 Coef. . e Q: consumo de tabaco por adulto (en kg).784827 Desviaci´n t´ o ıpica de la var. . . .0604187 R-cuadrado = 0. Utilia zando Gretl una vez abierto el fichero de datos y tomado las correspondientes transformaciones estimar´ ıamos el modelo (7.9) no es correcta para todo el per´ ıodo muestral y deber´ ıamos especificar dos ecuaciones: LnQt = α1 + β1 LnYt + γ1 LnPt + u1t LnQt = α2 + β2 LnYt + γ2 LnPt + u2t t = 1960.689908 Estad´ ıstico F (2. dependiente.11) Si existe cambio estructural rechazar´ ıamos H0 : α1 = α2 . .58987 0. t´ ıpica 0. 1988 (7. a P : precio real del kilogramo de tabaco. El fichero data7-19 contiene datos para 1960-1988 sobre la demanda de tabaco y sus determinantes en Turqu´ Las variables de inter´s para el ejemplo son las siguientes: ıa. = 0. en liras turcas.11).00001∗∗∗ 0. Veamos un ejemplo. Y : PNB real per c´pita en liras turcas de 1968.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 especificar adecuadamente el modelo restringido y el no restringido.489867 137 .268 −4. . 26) = 32.00001) Estad´ ıstico de Durbin-Watson = 1.0947276 0.108499 Suma de cuadrados de los residuos = 0.

. t) = 8. 1988 SCR2 = 0.1355 con valor p = P(F(3. 1981 SCR1 = 0.13) En el cual. 953 LnYt + 0.654) t = 1982. la campa˜a institucional ha tenido n efecto y la demanda de tabaco en Turqu´ de 1960 a 1988 queda especificada por las ecuaciones ıa (7.12) (7.13) por MCO y en la ventana de resultados de la estimaci´n har´ o ıamos Contrastes −→ Omitir variables elegir´ ıamos D82.941) (0.23) por lo que rechazamos H0 para un nivel de significatividad del 5 %. . . . 00965 7.8214 Criterio de informaci´n de Akaike (AIC) = -77.05(3. . es decir existe cambio estructural. 01654 LnQt (estad.3582 Contraste de Chow de cambio estructural en la observaci´n 1982 o Hip´tesis nula: no hay cambio estructural o Estad´ ıstico de contraste: F(3. .614) (11. . 024 + 0. . 381 LnPt (−10. el contraste anterior podr´ ıamos haberlo realizado mediante la variable ficticia D82 especificando el siguiente modelo donde t = 60.227) t = 1960. . . D82 · LnY y D82 · LnP y obtendr´ ıamos el siguiente resultado: Modelo 1: estimaciones MCO utilizando las 29 observaciones 1960-1988 Variable dependiente: lnQ 138 . .541 o Criterio de Hannan-Quinn (HQC) = -76. t) = −5.1355) = 1. el proceso despu´s de abierto el fichero de datos. 135 > F0.14) Utilizando Gretl. si existe cambio estructural rechazar´ ıamos H0 : β1 = β2 = β3 = 0. 88: LnQt = β1 + β2 LnYt + β3 LnPt + β1 D82t + β2 D82t · LnYt + +β3 D82t · LnPt + ut (7.25619e-006 El estad´ ıstico calculado es Fc = 20. 23) > 20.170) (−1. 108LnPt (2. 837 − 0. De nuevo el contraste puede realizarse con el estad´ ıstico F habitual de sumas residuales donde el modelo no restringido es el (7.4. tomado logaritmos y conse truido las interacciones D82 · LnY y D82 · LnP .1. 735 LnYt − 0.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Log-verosimilitud = 41.13) y el modelo restringido es LnQt = β1 + β2 LnYt + β3 LnPt + ut (7.6429 o Criterio de informaci´n Bayesiano de Schwarz (BIC) = -73. Los resultados de la estimaci´n m´ o ınimo cuadr´tica de estas ecuaciones son los a siguientes: LnQt (estad. 23) = 20. Cambio estructural utilizando variables ficticias Alternativamente.587) (−4. ser´ estimar´ ıa: ıamos el modelo (7.11). .10) y (7.

58987 0.1355. Ejercicios para practicar Ejercicio 1: Se dispone de una base de datos sobre el precio de venta y distintas caracter´ ısticas de 224 viviendas pertenecientes a dos ´reas residenciales del condado de Orange en California (USA).6429 o Criterio de informaci´n Bayesiano de Schwarz (BIC) = -73.13). Introductory econometrics with applications.332 7.784827 Desviaci´n t´ o ıpica de la var.0947276 0.3582 Comparaci´n entre el modelo (7.Econometr´ B´sica Aplicada con Gretl ıa a Variable const lnY lnP Coeficiente −4.5.14): o Hip´tesis nula: los par´metros de regresi´n son cero para las variables o a o D82 D82Y D82P Estad´ ıstico de contraste: F(3. Notar que ambas especificaciones son o id´nticas.10) y (7. de autocorr. 139 . de primer orden.gdt. o Dado el valor-p rechazamos la hip´tesis nula para un nivel de significatividad del 5 % y existe o cambio estructural. South-Western.724913 0. 5th.108499 Suma de cuadrados de los residuos = 0.485683 Desv.. Ed. Recogido en Ramanathan. dependiente.8214 Criterio de informaci´n de Akaike (AIC) = -77. = 0. = 0.541 o Criterio de Hannan-Quinn (HQC) = -76. ıa 7. Las variables que se consideran son: a a salepric sqft age 9 Precio de venta de la vivienda en miles de d´lares o Tama~o de la vivienda en pies cuadrados n Edad de la vivienda en a~os n Fichero data7-24.00001) Estad´ ıstico de Durbin-Watson = 1. Dove Canyon es una zona de viviendas relativamente peque˜as n construidas alrededor de un campo de golf. a Dove Canyon y Coto de Caza 9 .268 −4.688498 0. O lo que es lo mismo las ecuaciones (7. son dos formas alternativas y por lo tanto equivalentes de especificar la demanda de e tabaco en Turqu´ para ese periodo temporal.712058 R-cuadrado corregido = 0.00001∗∗∗ 0. 26) = 32. 0 han mejorado. dependiente = 0. (2002). La demanda de tabaco en Turqu´ de 1960 a 1988 queda mejor especificada ıa por el modelo (7.25619e-006 De los 3 estad´ ısticos de selecci´n de modelos.148 (valor p < 0.790 valor p 0.689908 Estad´ ıstico F (2.00006∗∗∗ Media de la var. con valor p = 1. 23) = 20. t´ ıpica 0. Coto de Caza es un ´rea de mayor nivel de vida a aunque m´s rural con viviendas m´s grandes.00001∗∗∗ 0.0949108 Desviaci´n t´ o ıpica de los residuos = 0.00057 Coef.0604187 R-cuadrado = 0.101394 SARRIKO-ON 8/09 Estad´ ıstico t −6. R.11) si no utilizamos la variable ficticia D82 en la especificaci´n del modelo.489867 Log-verosimilitud = 41.13) y el modelo (7.

Razona si te parecen adecuados los resultados. Estima el Modelo 2 por MCO. Interpreta los coeficientes del modelo. Edita en Gretl un archivo con los siguientes datos a utilizar en el ejercicio: W 170 180 165 165 105 95 100 90 H 40 50 30 40 50 35 40 35 S 0 0 0 0 1 1 1 1 (7. a Ejercicio 2: Se quiere estudiar la relaci´n entre el salario (W ) y las horas trabajadas (H ). e a • Gr´fico de la serie de residuos MCO. n 6. o 7. Estima el modelo por M´ ınimos Cuadrados Ordinarios. a • Gr´fico de residuos MCO sobre la variable age. 0 si est´ en Dove Canyon a a 1. mujeres y hombres. ¿Qu´ te sugiere este e a o e gr´fico? Comenta si crees que existe alg´n problema de mala especificaci´n. significatividad y e signos de los coeficientes estimados. 4. 2.15) 2. Considera el siguiente modelo: Wi = β1 + β2 Hi + ui 1. Muestra los resultados de la estimaci´n del Modelo (7. Obt´n el gr´fico de los residuos de la estimaci´n MCO del Modelo 2. Especifica un primer modelo (Modelo 1) para analizar si el tama˜o y la edad de la vivienda n son factores que explican o no el precio de la vivienda.SARRIKO-ON 8/09 city Econometr´ B´sica Aplicada con Gretl ıa a 1 si est´ en Coto de Caza. Comenta los resultados obtenidos en t´rminos de bondad de ajuste. 5. Interpreta los coeficientes estimados. ¿Te o parecen los esperados? 140 . 3. por lo que tambi´n o e se dispone de la informaci´n del sexo del individuo a trav´s de una variable ficiticia (S ) que o e toma el valor 1 si el individuo es Mujer y 0 si es Hombre.15) y comenta los resultados. Para ello se dispone o de observaciones de secci´n cruzada para 8 individuos. ¿Ha mejorado la especificaci´n? Razona tu respuesta. Utilizando el Modelo 2. obt´n e interpreta los siguientes gr´ficos. Comenta los resultados y compara estos con los obtenidos en el Modelo 1. a • Gr´fico de residuos MCO sobre la variable sqf t. a u o 8. Introduce como variable explicativa en el modelo la variable city (Modelo 2). Interpreta el coeficiente que la acompa˜a.

e Son datos para 807 individuos varones residentes en distintos estados americanos en el a˜o 1979.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 3.15) sobre o o una constante y la variable S. . 5. Muestra los resultados de la estimaci´n por MCO del Modelo (7. A Modern Approach. que ten´is como archivo de muestra en gretl10 . Contrasta la significatividad individual de las variables explicativas del modelo. o 10 Wooldrige. 141 . cero en otro caso. 807 (7. Obt´n el gr´fico de residuos. Compara los resultados obtenidos de estimar ambos modelos. en d´lares o Cigarrillos fumados al d´a ı Variable ficticia que es igual a la unidad si una persona reside en un estado donde hay restricciones al tabaquismo en los restaurantes.15)? Estima esa nueva especificaci´n incluyendo en el modelo o o la variable que recoge el sexo y comenta los resultados. South-Western. o Introductory Econometrics. n Las variables que est´n en este fichero son: a educ cigpric white age income cigs restaurn A~os de escolarizaci´n n o Precio de un paquete de cigarrillos en centavos Variable ficticia que es igual a la unidad si el individuo es blanco.15) y la correcta es la del modelo que incluye el sexo? o ¿Qu´ signo esperas que tenga ese sesgo? e Ejercicio 3: Para la realizaci´n de este ejercicio utilizamos el fichero smoke del libro de Wooldridge (2003). A Modern Approach. (2003). J. M. 4. ¿Qu´ te sugiere el contraste? e 8. incluyendo la variable ficticia S. Teniendo en cuenta que las primeras cuatro observaciones e a son hombres y las siguientes cuatro son mujeres. ¿qu´ te sugiere el gr´fico? e a 7.16).15) ser´ relevante controlar ıa por el sexo. 9. Ed. 2sd. Introductory Econometrics. Para ello calcula el estad´ ıstico NR2.16) 1. Escribe los supuestos necesarios sobre la perturbaci´n para que los estad´ o ısticos tengan validez. o 6. Edad del individuo en a~os n Renta anual. Realiza el contraste de Engle para analizar si en el modelo (7. Contrasta la significatividad conjunta de las variables explicativas. log(income) Edad al cuadrado log(cigprice) lincome agesq cigpric Considera la siguiente especificaci´n: o lincomei = β1 + β2 cigsi + β3 educi + β4 agei + β5 agesqi + ui i = 1. ¿Cu´l es el sesgo en la estimaci´n del efecto de las horas trabajadas sobre el salario si se a o elige la especificaci´n del modelo (7. Dado el resultado del contraste y lo analizado en el gr´fico de residuos. ¿c´mo cambiar´ la a o ıas especificaci´n del modelo (7. donde R2 es el coeficiente de determinaci´n de la regresi´n de los residuos del modelo (7.. . cero en otro caso. Interpreta el coeficiente de determinaci´n del modelo. . .

9. a o Interpreta el resultado. Escribe una secci´n de conclusiones donde finalices proponiendo una especificaci´n seno o sata para el logaritmo de la renta familiar anual teniendo en cuenta todos los resultados anteriores. ¿Puedes justificar el signo del coeficiente estimado que acompa˜a a la variable cigs? n 3. Suponiendo que la variable lincome s´lo depende de las variables educ y age. 8. manteo a niendo constante el resto de las variables explicativas? Muestra los resultados del contraste utilizado para tus conclusiones. Realiza el contraste. Estima el modelo y contrasta si la existencia de restricciones al consumo de tabaco en los restaurantes aumenta significativamente el logaritmo de la renta familiar anual. Contrasta si la raza es una variable significativa para a explicar a la variable lincome. esta variable est´ discriminando entre individuos a fumadores y no fumadores. ıa ıa 7.16). Interpreta el par´metro asociado a la variable. Utilizando la variable cigs construye una variable ficticia que tome valor 1 si el individuo es fumador y cero en otro caso. F´ ıjate en los valores de la variable cigs. Incluye la variable white en el modelo correspondiente al apartado anterior. ¿Dir´ que ambas variaıas bles est´n perfectamente correlacionadas? Calcula la correlaci´n entre ambas variables. 6. Contrasta la o posibilidad de que la funci´n de renta anual sea distinta para aquellos individuos fumadores o respecto de los que no lo son. los signos de los coeficientes estimados y su significatividad. 4. 5. Incluye la variable restaurn en la ecuaci´n (7. 142 . Comenta los resultados obtenidos sobre la bondad de ajuste.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 2. ¿Hay evidencia de que la relaci´n entre la variable lincome y age sea cuadr´tica. Interpreta el par´metro asociado a la o a variable. Prop´n y estima un modelo que permita contrastar que el n´mero medio de cigarrillos o u fumados al d´ var´ con la raza del individuo.

683 .120) N´mero de se~ales de televisi´n recibidas u n o (Rango 3 .95 . (2002). .09) Cuota de instalaci´n en d´lares (Rango 5. cblchanl. o u 2.28. 11 143 . Dados los resultados obtenidos para los a˜os 1979 y 1994. Recogido en Ramanathan. a) Analiza si las variables homes. tvchanl y pcincome son individual y conjuntamente significativas para explicar la evoluci´n del n´mero de subscriptores o u de cada sistema. Restringe la muestra a las observaciones de 1979.24. Introductory econometrics with applications.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Ejercicio 4: Se dispone de una base de datos sobre sistemas de televisi´n por cable y sus determinantes para o 101 ciudades estadounidenses. 101 (7. si existe un comportamiento distinto en 1979 que en 1994 en la determinaci´n del n´mero de suscriptores de cada sistema.75) o o Cuota mensual de cada sistema (Rango 5. svc. . South-Western. Restringe ahora la muestra a las observaciones correspondientes al a˜o 1994 y repite el n an´lisis realizado en el apartado anterior.597) o 1 para 1994 y 0 para 1979 1. b) Prop´n una especificaci´n realista para el n´mero de suscriptores de cada sistema en o o u 1979. Las primeras cuarenta observaciones corresponden a 1979 y las ultimas 61 observaciones corresponden a 199411 .1201. a 6. 4.gdt.08 .462) El n´mero de hogares conectados a cada sistema u (en miles) (Rango 1. Para la especificaci´n: o subi = β1 + β2 homesi + β3 insti + β4 svci + β5 cblchanli +β6 tvchanli + β7 pcincomei + ui i = 1. Repite el contraste realizado utilizando la variable D.93) N´mero de se~ales de televisi´n llevadas por cada u n o sistema de cable (Rango 6 . Las variables que se consideran son: ´ sub homes inst svc cblchanl tvchanl pcincome D El n´mero de suscriptores de cada sistema u (en miles)(Rango 1 . ¿c´mo especificar´ un modelo para o ıas el n´mero de suscriptores? u 3. sin utilizar la variable D. Ed. 5. . inst. ¿te parece sorprendente lo n obtenido en el primer apartado? Fichero data7-22.15) Renta per c´pita para cada mercado de televisi´n a o con cable. R. 5th. .7 .. Como consecuencia de los resultados del contraste.17) Contrasta. en d´lares (Rango 7.

SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 144 .

Una variable aleatoria Una variable aleatoria. 145 .1. cu´les son sus propiedades y. La funci´n de densidad o f (x) de una variable aleatoria continua X es una funci´n tal que o b P robabilidad(a ≤ X ≤ b) = a f (x) dx Es decir.1. el ´rea por debajo de la funci´n entre dos puntos a y b es la probabilidad de que la a o variable tome valores en el intervalo [a. b] (ver panel izquierdo del Gr´fico A. Si X es continua. por tanto. La funci´n de a o densidad toma valores no negativos. y continuas. por lo que nos referimos a la probabilidad de que X tome valores en un intervalo [a. cuando el conjunto de realizaciones es infinitamente divisible y. ya que con anteo a rioridad a su observaci´n no podemos predecir con certeza los valores que van a tomar. la probabilidad asociada a cualquier punto en particular es cero.1. es aquella cuyo valor no es conocido con anterioridad a su observaci´n. o debe cumplir que p(xi ) ≥ 0 y i p(xi ) = 1. cuando el conjunto de todos sus posibles valores es finito o infinito numerable. que se denomina funci´n de probabilidad. se presentan las distribuciones a a de probabilidad m´s usuales. En u n general.3). la superficie de una vivienda es una variable continua mientras que el n´mero de ba˜os es una variable discreta. La probabilidad es un medio para expresar la incertidumbre sobre el o resultado. a A. que denotamos por X. Por ejemplo. finalmente. Un ejemplo de variable aleatoria continua es la distribuci´n normal. f (x) ≥ 0.3). El conjunto de probabilidades.Ap´ndice A e A. Si X es una variable discreta. b]. en este curso nos ocuparemos de variables continuas. Es muy utilizada en la pr´ctica a a para modelar variables que se distribuyen sim´tricamente alrededor de un valor central. Repaso de probabilidad Las variables econ´micas tienen un componente sistem´tico y otro aleatorio. Se distinguen dos tipos de variables aleatorias: discretas. −∞ f (x)dx = 1. con e mucha probabilidad acumulada en valores cercanos a dicho punto central y poca en valores alejados. podemos asignar una probabilidad p(xi ) = P rob(X = xi ) a cada posible resultado xi . Este o apartado revisa los conceptos de probabilidad que aplicaremos este curso: qu´ es una variable e aleatoria o estoc´stica. y el ´rea total por debajo de la funci´n es la a o ∞ unidad. Su funci´n de densidad o o tiene forma de campana (ver panel izquierdo del Gr´fico A. no numerable.

As´ cuanto mayor sea ı. µ. Estos conceptos se definen de forma similar a ıa los utilizados para resumir las caracter´ ısticas de un conjunto de datos. an´logamente. El histograma representa frecuencias mediante ´reas. es decir: o a des(X) = σX = var(X) El panel derecho del Gr´fico A. 2 var(X) = σX = E[(X − µ)2 ] ≥ 0 La varianza es una medida de dispersi´n de la distribuci´n. la funa a ci´n de densidad expresa probabilidades por ´reas. dispersi´n (varianza. Adem´s. La media o valor esperado. mediana y moda). ” a La distribuci´n de una variable aleatoria puede resumirse utilizando medidas de posici´n (meo o dia. de orden 2. la media. esperanzas. o respecto a la media.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Gr´fico A. simplemente. Si la variable es continua se define: ∞ µ = E(X) = −∞ x f (x)dx donde E se conoce como el operador de esperanzas matem´ticas o. conserva las propiedades b´sicas del o a a a histograma: es no negativa y el ´rea total que contiene es uno. Su ra´ cuadrada positiva se conoce o o ız como desviaci´n t´ o ıpica o desviaci´n est´ndar de la variable aleatoria X. mayor a es la probabilidad concentrada alrededor de la media. donde la ponderaci´n es la probabilidad de o cada valor.4). La a media recoge el centro de gravedad sobre el que se distribuye la variable. Definiremos los elementos que utilizaremos a lo largo del curso. 146 .3 ilustra la relaci´n entre la funci´n de densidad y el histograma a o o de los datos.3: La funci´n de densidad normal y el histograma a o El panel derecho del Gr´fico A. desviaci´n t´ o o ıpica y coeficiente de variaci´n) o forma o (coeficiente de asimetr´ y coeficiente de curtosis). Es decir. a La varianza de una variable aleatoria X es su momento central. de una variable aleatoria X se define como el promedio ponderado de todos los posibles valores que puede tomar X. Tal y como mencionan Pe˜a y Romo (1997): “La funci´n de densidad constituye n o una idealizaci´n de los histogramas de frecuencia o un modelo del cual suponemos que proceden o las observaciones.4 muestra que cuanto menor es la varianza de la variable. mayor es el valor que se espera que tomen las realizaciones del experimento (ver panel izquierdo del Gr´fico A.

generados a partir de variables aleatorias normales est´ndar a independientes.1). Haz dos gr´ficos.4: Ejemplos de distribuci´n normal a o Distribuci´n normal est´ndar. n Aparece un cuadro titulado gretl: variable normal donde debes indicar el nombre de la variable.. para generar observaciones de una variable que llamamos z1 y que se distribuye como una N(0. Si Z es una variable aleatoria normal de media igual a 0 y varianza igual a la unidad. Existen a tablas de esta distribuci´n que a cada posible resultado z le asigna la probabilidad acumulada o hasta ese punto. escribimos: z1 0 1 Tras pinchar en Aceptar.. 1). 3.. P rob(Z ≤ z). z1. Dado que la transformaci´n Z = (X − µ)/σ es una normal est´ndar.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Distinta media y σ = 1 Distinta dispersi´n y µ = 6 o Gr´fico A.2. que toma valores 1. Repitiendo el paso 2. Ejercicio 1: simulaci´n normal est´ndar. o Se crea un conjunto de datos con dos variables que genera Gretl autom´ticamena te: la constante const y la variable ´ ındice index. crea el conjunto de datos siguiendo los pasos: Archivo →Nuevo conjunto de datos.. Crea un conjunto de datos artificiales o a (N =250 observaciones). elige la estructura de u datos de secci´n cruzada y pincha en No desea empezar a introducir los valores. con la tabla de esta distribuci´n o a o normal se obtiene la probabilidad acumulada P rob(X ≤ x). uno con z1 y otro con z2. 2. Por ejemplo. En Gretl. Observa sus caracter´ a a ısticas comunes: 147 .250. El proceso es el siguiente: 1. Crea una serie de 250 realizaciones independientes de una variable normal con: A˜adir →Variable aleatoria →Normal . La distribuci´n normal se caracteriza por el valor de su o a o media y su varianza. σ 2 ). 4.. sobre la variable ´ a ındice con la opci´n: o Ver →Gr´ficos →Gr´fico X-Y (scatter).. su media y su desviaci´n t´ o ıpica σ. en la ventana principal de Gretl aparece la variable creada. en N´mero de observaciones: escribe 250.3. crea una nueva realizaci´n de la normal est´ndar y ll´mala o a a z2. se dice que Z es una variable normal est´ndar y se denota Z ∼ N (0. En general. con la nota explicativa z1 = normal(). si X es una variable normal con media µ y varianza σ 2 se denota X ∼ N (µ.

2). escribir n x3 25 6.35 z1 N(-0.15 0.3 0. ¿Hay alg´n problema al crear o representar la distribuci´n de x4? u o ¿Por qu´? e Ejercicio 3: transformaci´n lineal.05 0 -3 -2 -1 0 z1 1 2 3 Gr´fico A. • x4. las medias y las varianza. En la siguiente ventana escribe el nombre de la nueva serie y su f´rmula de o c´lculo.1 0. a e a 0.0189) 0. a Si has realizado el proceso correctamente.23543 0. σ 2 = 36). Compara sus estad´ ısticos descriptivos. z3. en particular. En el mismo fichero crea dos series de o datos: • x3= 250 datos generados con una variable normal de media 25 y desviaci´n o t´ ıpica 6 (es decir. es decir z3=(x3-25)/6. 1087 y desviaci´n t´ o o ıpica σ = 1. Haz el gr´fico de los datos sobre la variable index y su distribuci´n de frecuencias a o frente a la normal. y la mayor parte de ellos se encuentra en el intervalo (-2. Ejercicio 2: simulaci´n normal general. en la ventana principal de Gretl aparece la variable creada. compar´ndola con la de la variable a inicial x3.25 Densidad 0.. generados a partir de una distribuci´n normal de media 50 y desviaci´n o o t´ ıpica 0.4 Estadstico para el contraste de normalidad: Chi-cuadrado(2) = 2.. 0055.893. Estos valores aparecen en la parte superior derecha del gr´fico y se eligen en funci´n a o de la media y varianza de los datos. 5.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a los datos oscilan en torno al valor cero. Compara el histograma de las frecuencias relativas con la funci´n de densidad o normal.5: Simulaci´n 1: histograma a o En este gr´fico aparece el histograma junto con la funci´n de densidad de la a o distribuci´n normal de media µ = 0. o n z3 = 2.031699 1. Para ello debes situar el cursor sobre una de las variables y seguir la ruta: Variable →Gr´fico de frecuencias →contra la normal a El resultado es un gr´fico similar (no id´ntico) al Gr´fico A. Pincha en la opci´n A˜adir →Definir nueva variable. o que llamaremos z3 y que se define a partir de la variable x3 del ejercicio anterior: x3 − 25 6 1. valor p = 0.5. ¿Cambian mucho? 148 .2 0. Haz el histograma de z3. Se trata de construir una nueva serie de datos. En A˜adir →Variable aleatoria →Normal .

y).1. o a Gr´fico A. la funci´n no toma valores negativos. y)dx dy Por ejemplo. la forma t´ o ıpica de su funci´n de densidad conjunta se encuentra en el Gr´fico A.18). As´ o ı: ∞ ∞ f (x) = −∞ f (x. b) mide la probabilidad de ı.6 es la probabilidad a de que X ≤ −2 e Y ≤ 4. Y ≤ b) = −∞ −∞ f (x. f (x.18). σX y σY . Si las variables aleatorias X e Y son discretas. As´ el volumen debajo del rect´ngulo definido por dos puntos (a. a cada posible par de resultados (xi .Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 A. x y f (x. es decir. • Medidas de dispersi´n de cada variable alrededor de su media. las varianzas o 2 2 de X e Y . es decir.6: Distribuci´n normal bivariante a o El volumen total recogido bajo esta superficie es la masa de probabilidad total que es igual a la unidad.18) La distribuci´n conjunta de dos variables aleatorias se puede resumir mediante: o • El centro de gravedad de cada variable. Es decir. yj ) podemos asignar una probabilidad p(xi . o e Si las variables aleatorias son continuas. las medias (µX .2. Si las dos variables siguen una distribuci´n normal.5. cumpli´ndose que 0 ≤ p(xi . que se derivan de las distribuciones marginales (A. y) dy f (y) = −∞ f (x. a que X tome valores por debajo de a e Y por debajo de b. La funci´n de densidad marginal de cada variable puede obtenerse o mediante integraci´n. • Medida de la relaci´n lineal entre las dos variables aleatorias. Adem´s. µY ). a b P robabilidad(X ≤ a.6. yj ). Y ) = σXY = E[(X − µX )(Y − µY )] 149 . que se obtienen de las distribuciones marginales (A. por ejemplo. y) dx (A. Dos o m´s variables aleatorias a Para responder a preguntas relativas a dos o m´s variables aleatorias debemos conocer su funci´n a o de densidad conjunta. para lo que se utiliza la o covarianza σXY : cov(X. yj ) = 1. y) dx dy = 1. su distribuci´n conjunta se recoge mediante la funci´n o o de densidad conjunta f (x. el volumen recogido bajo la superficie marcada en el Gr´fico A. El conjunto de probabilidades es la funci´n de probabilidad conjunta. yj ) ≤ 1 y i j p(xi . y) ≥ a o 0.

y < ∞ Adem´s. Y ) = ρXY = σXY ∈ [−1. Al estudiar un conjunto de variables. Y ) var(Y ) σXY σY Distribuci´n condicionada. se define la distribuci´n condicional de Y dado que la variable aleatoria X o toma el valor xi como: P rob(Y = yj |X = xi ) = P rob(Y = yj . Dos variables aleatorias X y Y son estad´ ısticamente independientes o est´n a independientemente distribuidas si conocido el valor que toma una de ellas. no aporta ninguna informaci´n sobre el valor que puede tomar la segunda. interesa evaluar la posibio lidad de que un suceso ocurra dado que otro suceso ha tenido lugar. o entonces su funci´n de densidad conjunta puede descomponerse seg´n: o u f (x. As´ si σXY = ρXY = 0 se dice que las variables X e Y est´n o ı. o corr(X. ¿cu´l es la a probabilidad de que una mujer casada y con hijos en edad escolar participe en el mercado de trabajo? La probabilidad condicionada permite responder este tipo de preguntas. a entonces Cov(X. se tiene que f (y|X = x) = f (y). Si las variables X e Y son independientes. u 150 . Los momentos o de inter´s de esta distribuci´n se denominan media y varianza condicionada de Y para el valor e o dado de X = x. Independencia. Y ) σX σXY µX µ= Σ= = 2 µY cov(X. Si las variables son discretas. Y ) = 0. entonces X e Y son independientes. 1] σX σY Covarianza y correlaci´n de las variables aleatorias tienen una interpretaci´n similar a sus o o hom´logas en los datos. X = xi ) = P rob(X = xi ) p(xi . se define la funci´n de densidad de Y condicionada a que la o variable aleatoria X tome el valor x (para f (x) > 0): f (y|X = x) = f (x. y) = f (x) × f (y) − ∞ < x. a incorrelacionadas. Por ejemplo. Y ) = 0. yj ) j p(xi .SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a o bien el coeficiente de correlaci´n entre las variables. con las propiedades ya vistas. La distribuci´n conjunta se resume en el vector de medias µ y la matriz de varianzas y covarianzas o Σ ´ V: o 2 var(X) cov(X. Se demuestra que si X e Y son independientes. yj ) para P rob(X = xi ) > 0 Si las variables son continuas. y se denotan E(Y |X = x) y var(Y |X = x). si las variables X e Y se distribuyen e conjuntamente seg´n una normal y Cov(X. y) f (x) De esta forma se obtiene una nueva distribuci´n. Tambi´n se demuestra que.

σ2. σi ≥ 0. σ2 entonces se dice que son variables aleatorias id´ntica e independientemente distribuidas con e 2 y se denota X ∼ iid(µ. n. . u Adem´s de la distribuci´n normal. X2 . . . . µ 0 con la misma media y la misma varianza:  0 . . σn Si. .j = a 0.n . σ2. . 0 . . . ΣX ).. cov(X1 . . As´ o ı:    E(X) = µ =    ΣX   =          y E(X1 ) E(X2 ) . σi.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 M´s de dos variables. . var(Xn )       =   2 σ1 σ1.2 . . Si las variables son mutuamente independientes. σ1. sim´trica y definida no negativa. . .  . a o  2   σ µ   µ   0   E(X) =  . Xn son variables aleatorias normales. X2 ) cov(X1 . . . . .  . Esto implica e 2 que los elementos de la diagonal principal son no negativos. Xn ) cov(X2 . . ∀i. Xn La distribuci´n conjunta de estas variables se resume en el vector de medias E(X) ´ µ y la o o matriz de varianzas y covarianzas V (X) ´ ΣX . Xn ) . .n ..n σ1.. 0  2  . . a lo largo del curso utilizaremos otras distribuciones. . .. .  . . entonces est´n incorrelacionadas.  . . . . . .2 2 σ2 . i = 1. . =σ I . X1 .. . X1 . o 151 . .. media µ y varianza σ i Si X1 . . Veamos sus propiedades. 0  σ2 . . . . . . .  ΣX =  . . . µn var(X1 ) cov(X1 . Xn ..  . . se dice que el vector X sigue una distribuci´n o normal multivariante. .  . . . . . . . . 0    ΣX =  . Los resultados anteriores se pueden generalizar a un conjunto de n a variables. por lo que la matriz ΣX es diagonal:  2  σ1 0 . . . . 0   2  0 σ2 . X2 ) var(X2 ) . ∀i = j. . 2 0 0 . ∀i = 1. . σ 2 ). . . σ 2 ). se denota Xi ∼ N ID(µ. . a con media y varianza com´n. .  . que se recogen en un vector   X1  X2    X= .   .. E(Xn )     =   µ1 µ2 . . Si adem´s las variables son independientes. . n. σ1. Xn ) . . . σn      donde ΣX es una matriz cuadrada de orden n. adem´s. Xn siguen la misma distribuci´n. . Xn ) . . . . .   . Se denota X ∼ N (µ. y queda caracterizada por su vector de medias µ y su matriz de varianzas y covarianzas ΣX . es decir. todas a o ellas relacionadas con la distribuci´n normal. . . . cov(X1 . . 2 . .n . . cov(X2 .

1). entonces la distribuci´n de X = Z/ Y /n se denomina distribuci´n t de o o 152 . Zi ∼ N ID(0. entonces la distribuci´n X = (n2 /n1 )(Z1 /Z2 ) se conoce como distribuci´n o o F de n1 . . o a Es una distribuci´n asim´trica. A medida que aumentan los grados de libertad del denominador.7. Si Z1 ∼ χ2 (n1 ) y Z2 ∼ χ2 (n2 ) y adem´s se distribuyen o a independientemente. . 1) e Y ∼ χ2 (n) y adem´s.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Gr´fico A. a o La probabilidad se acumula en la parte positiva de la recta real. Existen tablas que proporo e cionan la probabilidad acumulada hasta un punto P rob(X ≤ x). y = z12 + z22 + z32 . Para valores negativos de X. n2 ) Z2 /n2 El Gr´fico A.7: Funci´n de densidad de la distribuci´n Chi-cuadrado a o o A. Zn ) son variables aleatorias independientes con o distribuci´n normal est´ndar. Z e Y se distribuyen o a independientemente. Si Z ∼ N (0. Algunas distribuciones de probabilidad La distribuci´n Chi-cuadrado. . Siguiendo el procedimiento del ejercicio o 3. distribuci´n χ 1 o La distribuci´n t de Student.1. en funci´n de los grados de libertad. crea una nueva serie de datos. se dice que X = n Zi2 es una variable o a i=1 aleatoria chi-cuadrado de n grados de libertad y se denota X ∼ χ2 (n). n2 → ∞. es decir. ¿Puedes justificar el resultado? ¿Con qu´ distribuci´n la o e o comparar´ ıas? La distribuci´n F de Snedecor. el ´rea rayada del a gr´fico. la distribuci´n de n1 F(n1 . a o Ejercicio 4: transformaci´n no lineal. n2 ) converge a la o 2 (n ). x > 0. En este caso debes escribir: y = z1ˆ 2 + z2ˆ 2 + z3ˆ 2 Haz la representaci´n gr´fica de la distribuci´n de frecuencias de esta variable frente o a o a la normal. n. f (x) = 0 y la forma general de su funci´n de densidad se recoge en el Gr´fico A. con media igual a n y varianza 2n. es decir. El histograma que obtengas tendr´ un patr´n bastante diferente a a o la distribuci´n normal. .8 muestra su funci´n de densidad para distintos grados de libertad.3. n2 grados de libertad y se escribe: X= Z1 /n1 ∼ F(n1 . Si (Z1 .

o a A.9 incluye ejemplos de la funci´n de densidad de la t-Student compar´ndolas con la a o a distribuci´n normal est´ndar: o a Gr´fico A. su exceso de curtosis es positivo. El objetivo de la inferencia estad´ ıstica es aprender determinadas caracter´ ısticas de una poblaci´n o a partir del an´lisis de una muestra. es decir. Repaso de inferencia estad´ ıstica Supongamos que interesa conocer cu´l es el salario medio de los reci´n licenciados. por lo que se recoge la informaci´n o o unicamente de una muestra o un subconjunto de reci´n licenciados seleccionados al azar. la distribuci´n t converge a la normal est´ndar. a medida que aumentan sus grados de libertad. en general. pero.9: Funci´n de densidad de la distribuci´n t-Student a o o Se trata de una distribuci´n sim´trica alrededor de 0. Para n > 1. la media de la distribuci´n o e o es cero y para n > 2 su varianza es igual a n/(n − 2). ¿qu´ es posible inferir del salario esperado de un reci´n licenciado? Para responder o e e a esta pregunta y. Esta distribuci´n tiene las colas m´s o a gruesas que la normal.8: Funci´n de densidad de la distribuci´n F-Snedecor a o o Student de n grados de libertad y se denota: X= Z Y /n ∼ t(n) El Gr´fico A. La poblaci´n es un conjunto bien definido de elementos que a o 153 .Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Gr´fico A.2. saber usar los datos para examinar conjeturas y relaciones sobre la poblaci´n repasaremos algunos conceptos de inferencia estad´ o ıstica. Se trata a e de una poblaci´n o conjunto de individuos muy amplio. Con esta ´ e informaci´n.

Un modelo para los datos especifica las caracter´ ısticas generales de la distribuci´n junto con el vector de par´metros desconocidos Θ. y2 . θ2 . supongamos que o a nos interesa conocer el precio medio del metro cuadrado de un piso en una ciudad y la muestra est´ formada por 50 pisos. por ejemplo. Por ejemplo. a o que son desconocidos. . a a Un estad´ ıstico es una funci´n de los datos. .1 es: µ= ˆ 3. Por o a ejemplo.1. se estima que el precio de un piso oscila alrededor de 3910 euros/m2 . es decir. o que no hay discriminaci´n salarial por sexo o que el estado de un piso es un factor determinante o de su precio. Denotaremos como θ o a un par´metro desconocido y Θ = (θ1 . 246 + . σ 2 ) Los par´metros que determinan la distribuci´n son la media y la varianza del precio del m2 . El valor num´rico a e que se obtiene al aplicarlo a los datos se denomina estimaci´n. . Es decir. la media de los datos puede ser un estimador de la media de una variable aleatoria y la varianza de los datos un estimador de su varianza. son realizaciones de variables normales id´ntica e independientemente distribuidas. En grandes l´ ıneas. . ¿valorar´ e ıamos igual esta cantidad si se hubiera calculado con una muestra de 5 observaciones? La respuesta obvia es NO.2. o A. . e Por tanto. Estimaci´n o El objetivo de la estimaci´n es aproximar el valor de un conjunto de par´metros desconocidos o a de una distribuci´n a partir de las observaciones muestrales de la misma. La muestra est´ formada a por un subconjunto representativo de elementos de la poblaci´n. y50 . . o Una vez definida la poblaci´n. . . de una ciudad o los clientes de una empresa de telecomunicaciones. yN ıa son realizaciones de N variables aleatorias cuya distribuci´n conjunta depende de varios par´meo a tros desconocidos Θ. el modelo especificado para los datos es: Yi ∼ N ID(µ. sino que consideramos m´s fiables los resultados con 50 datos que con 5. Por ejemplo. por ejemplo. En Econometr´ suponemos que los datos y1 . 91 miles de euros 50 Es decir. . + 3. 20 = 3. En la estimaci´n se trata de calcular posibles valores para par´metros de inter´s. o 154 . ¿qu´ confianza podemos tener en este resultado? Por ejemplo. g(y1 . Adem´s. Un estimador puntual de θ es un o ˆ estad´ ıstico que pretende ser un aproximaci´n al par´metro desconocido y se denota por θ. y analizar los datos para decidir si la hip´tesis es correcta. 82 + 5. Θ = (µ. . el conjunto de familias de un pa´ el conjunto de viviendas ıs. En el contraste de hip´tesis hay que establecer una hip´tesis o conjetura espec´ o o ıfica sobre la poblaci´n. . una elasticidad o el precio medio por metro cuadrado de la vivienda. un estimador (y sus a estimaciones) deben complementarse con una medida de su fiabilidad o precisi´n. . . . θK ) a un vector de K par´metros desconocidos. yN ). aplicaremos dos herramientas de la estad´ ıstica. hay que especificar un modelo para los datos que recoja las caraco ter´ ısticas poblacionales que interesan. . σ 2 ). la media es el par´metro de inter´s en el a a e estudio y queremos aprender sobre ella a partir de los datos. . 434 + 4. la estimaci´n y el contraste de o hip´tesis. Sin embargo. . 1 µ=y= ˆ ¯ N N yi i=1 σ = ˆ 2 ∗2 Sy 1 = N −1 N (yi − y )2 ¯ i=1 Un estimador es una regla que est´ definida antes de que los datos se observen. la estimaci´n de la o o media del precio por metro cuadrado de un piso con la muestra de la Tabla 1. Por tanto.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a son el objeto del estudio. . a y1 . por o o a e ejemplo. Suponemos que los valores recogidos del precio por m2 de los 50 pisos.

Su distribuci´n de probabilidad se denomina distribuci´n muestral o distribuci´n emp´ o o o ırica del estimador. que denotaremos pr m2 : a) Usa las opci´n definir nueva variable que est´ en el men´ A˜adir o en o a u n Variable. i = 1. obtenemos que el error ¯ En t´ ıpico de estimaci´n es 0. N . 2. las estimaciones de la media. 155 . por lo que sustituimos su valor o ∗ poblacional por el correspondiente muestral. σ es desconocido. Sy . σ 2 /N ) ˆ ¯ (A. . σ ˆ ¯ o lineal de N variables normales independientes. es o decir. hay mayor probabilidad de obtener una estimaci´n cercana a µ con 50 datos que con N = 5. z2. si Yi ∼ N ID(µ. Sy = 0. y la desviaci´n t´ o ıpica. o Ejercicio 6: Estimaci´n de media y varianza. 993341/ 50 = 0. Normalmente. se obtienen de la tabla de estad´ ısticos descriptivos. El error t´ ıpico de estimaci´n es S/ 50. 44 miles de euros.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Un estimador es una variable aleatoria que depende de las variables Yi . es decir. obt´n las medias y las desviaciones t´ e ıpicas de z1. 2 ). m. . La estimaci´n de la desviaci´n t´ o o ıpica de la distribuci´n muestral de y . x3 y x4 generados en el ejercicio 1. entonces el estimador µ = y es una combinaci´n En el ejemplo anterior. . Es f´cil comprobar que si obtuvi´ramos los o a e mismos valores √ y y Sy con una muestra de 5 observaciones. pr m2 = precio/m2 3. Una vez creados los nuevos datos. Utilizando la opci´n de estad´ o o ısticos descriptivos o estad´ ısticos principales. Completa la siguiente tabla. Abre el fichero de datos de Gretl pisos.gdt. o √ es sensato utilizar como indicador de la precisi´n la desviaci´n t´ o o ıpica σ/ N : menor desviaci´n o t´ ıpica indica mayor precisi´n. 14. por lo que su distribuci´n muestral es: o µ = y ∼ N (µ. 993341/ 5 = 0. Estimaci´n de la media y la varianza del precio por m2 de un o piso. menor es la varianza). S. 1. ¯ Ejercicio 5. Por tanto. . La estimaci´n o √ de la varianza es el cuadrado de S. √ el ejemplo del precio del m2 . incluyendo junto con los momentos poblacionales las estimaciones que has obtenido.19) La media muestral se distribuye alrededor de la media poblacional y se concentra m´s probabia lidad alrededor de µ cuanto mayor es N (es decir. el error t´ de ¯ ıpico se triplicar´ ıa. correspondientes los momentos muestrales. o ¯ √ ∗ σy = Sy = Sy / N ˆ¯ ¯ se conoce como error t´ ıpico de y . b) En la nueva ventana escribe nombre de la nueva variable = f´rmula. En este caso. Crea la variable precio por metro cuadrado.

SARRIKO-ON 8/09

Econometr´ B´sica Aplicada con Gretl ıa a

Modelo 1 Muestra: z1 Modelo 2 Muestra: z2 Modelo 3 Muestra: x3 Modelo 4 Muestra: x4

µ= Estimaci´n = o µ= Estimaci´n = o µ= Estimaci´n = o µ= Estimaci´n = o

σ= Estimaci´n = o σ= Estimaci´n = o σ= Estimaci´n = o σ= Estimaci´n = o

Criterios para comparar estimadores Para un problema determinado existen distintos m´todos de estimaci´n y, obviamente, unos son e o mejores que otros. En algunos casos, distintos m´todos pueden dar lugar a un mismo estimador e de un par´metro. Es posible elegir entre distintos m´todos de estimaci´n bas´ndonos en ciertas a e o a propiedades de la distribuci´n muestral del estimador. En general, buscamos los estimadores que o m´s se aproximen a los verdaderos valores. As´ exigimos que los estimadores cumplan una serie a ı, ˆ de propiedades basadas en una medida de la distancia entre θ y θ. En este curso nos fijamos en tres propiedades: insesgadez, eficiencia y el error cuadr´tico medio m´ a ınimo.

o ırica es el verdadero Insesgadez. Un estimador es insesgado si la media de su distribuci´n emp´ valor del par´metro, es decir, a ˆ E(θ) = θ ˆ Si se pudieran obtener todas las posibles realizaciones muestrales de θ, el promedio de todas estas estimaciones ser´ el valor del par´metro. Es una propiedad deseable porque indica que si ıa a un estimador es insesgado, el error de estimaci´n, θ − θ, se anula en promedio. Un ejemplo de o ˆ estimador insesgado de la media poblacional de una distribuci´n normal es y , ya que de (A.19) o ¯ tenemos que E(¯) = µ. Un estimador insesgado de la varianza de una distribuci´n es la varianza y o muestral, S 2 . En caso contrario, se dice que el estimador es sesgado. Se define el sesgo de un estimador como ˆ ˆ Sesgo(θ) = E(θ) − θ. La parte izquierda del Gr´fico A.10 representa las distribuciones de 3 a ˆ ˆ estimadores de un mismo par´metro, θ: el estimador θ1 es insesgado; θ2 , tiene sesgo negativo, a ˆ es decir, en promedio subestima el valor del par´metro; finalmente el sesgo de θ3 es positivo, es a decir, este estimador en promedio sobrevalora el valor del par´metro. a

Eficiencia. Si nos fijamos unicamente en los estimadores insesgados, nos interesa establecer un ´ criterio para elegir un estimador dentro de esta clase de estimadores. En la parte derecha del Gr´fico A.10 se representa la distribuci´n de dos estimadores, ambos insesgados. Claramente, a o ˆ1 , tiene una probabilidad menor de obtener realizaciones el estimador con menor varianza, θ ˆ alejadas del verdadero valor del par´metro. Por tanto, se considera que θ1 supera al estimador a ˆ2 y se dice que θ1 es m´s eficiente que θ2 . ˆ ˆ θ a 156

Econometr´ B´sica Aplicada con Gretl ıa a

SARRIKO-ON 8/09

Gr´fico A.10: Sesgo y varianza de estimadores a En general, si un estimador es el que tiene menor varianza dentro de una clase de estimadores ˆ se dice que es el estimador eficiente dentro de esa clase. As´ se dice que un estimador θ es ı, ˜ eficiente dentro de la clase de estimadores insesgados si no hay otro estimador insesgado θ con una varianza menor: ˜ ˆ ˜ var(θ) ≥ var(θ) ∀θ insesgado Por ejemplo, la media de los datos es un estimador eficiente dentro de la clase de estimadores insesgados de la media poblacional µ de una variable normal. Es decir, se demuestra que, si Yi ∼ N ID(µ, σ 2 ), i = 1, . . . , N , entonces para todo estimador insesgado de µ, µ con E µ = µ: ˜ ˜ var(¯) = y σ2 ≤ var(˜) µ N

Si se trata de estimar un conjunto de K par´metros Θ, se dice que un estimador insesgado Θ a ˜ ˜ es m´s eficiente que otro estimador insesgado Θ si la diferencia [V (Θ) − V (Θ)] es una matriz a semidefinida positiva. Esto implica que cada elemento de Θ tiene una varianza menor o igual ˜ que el correspondiente elemento de Θ. Error cuadr´tico medio Aunque la insesgadez es una propiedad deseable, esto no implica a que un estimador insesgado siempre sea preferible a uno sesgado. El Gr´fico A.11 ilustra una a ˆ ˆ situaci´n en la que un estimador insesgado θ1 puede descartarse frente a otro sesgado, θ2 . El o ˆ estimador θ1 tiene mucha varianza, por lo que tiene una probabilidad mayor de obtener errores ˆ de estimaci´n m´s grandes que el estimador con menor varianza, θ2 , aunque este sea sesgado. o a

Gr´fico A.11: Ejemplos de distribuci´n de estimadores a o Esto sugiere utilizar como criterio de elecci´n de estimadores una medida del error del estimador. o Se define el error cuadr´tico medio de un estimador: a ˆ ˆ ˆ ˆ ECM (θ) = E[(θ − θ)2 ] = var(θ) + [sesgo(θ)]2 157

SARRIKO-ON 8/09

Econometr´ B´sica Aplicada con Gretl ıa a

que se descompone en un t´rmino de varianza y otro de sesgo. As´ entre un conjunto de estie ı, madores se elige aquel que tiene menor error cuadr´tico medio. a

A.2.2.

Contraste de hip´tesis o

Como ya se mencion´, uno de los objetivos de la Econometr´ es el de contrastar hip´tesis. o ıa o Por ejemplo, nos planteamos si los datos del precio del m2 de la vivienda son compatibles con una determinada distribuci´n con media 3000 euros/m2 . En un contraste de hip´tesis se trata o o de establecer si la diferencia entre la hipot´tica media poblacional (en el ejemplo, 3000 e) y la e media muestral (3910 e) se debe unicamente a la naturaleza aleatoria de los datos. ´ Un contraste de hip´tesis tiene tres etapas (Ramanathan, 2002): (1) Formulaci´n de dos hip´teo o o sis opuestas; (2) derivaci´n de un estad´ o ıstico de contraste y su distribuci´n muestral; y (3) o determinaci´n de un criterio de decisi´n para elegir una de las dos hip´tesis planteadas. o o o Una hip´tesis estad´ o ıstica es una afirmaci´n sobre la distribuci´n de una o varias variables aleao o torias. En un contraste se trata de decidir cu´l, entre dos hip´tesis planteadas, es la que mejor a o se adec´a a los datos. La hip´tesis de inter´s se denomina hip´tesis nula, H0 , mientras que u o e o la hip´tesis frente a la que se contrasta se llama hip´tesis alternativa, Ha . En el ejemplo, o o consideramos que el precio del m2 es una variable aleatoria normal y planteamos la hip´tesis o nula de que la media de Y sea igual a 3 (miles e) frente a la alternativa de que no lo sea, es decir, H0 : µ = 3 frente a Ha : µ = 3

Normalmente, la hip´tesis nula es una hip´tesis simple, es decir, s´lo se plantea un valor para µ. o o o La hip´tesis alternativa suele ser una hip´tesis compuesta, que especifica un intervalo de valores. o o En el ejemplo, Ha es la negaci´n de H0 y se dice que es un contraste bilateral o a dos colas. Si o la hip´tesis alternativa se especifica Ha : µ < 3, o bien Ha : µ > 3, se dice que el contraste es o unilateral o a una cola. La elecci´n entre las hip´tesis se basa en un estad´ o o ıstico de contraste, que es una funci´n de o los datos que mide la discrepancia entre estos y H0 . Por ejemplo, en el contraste bilateral sobre la media, se define la siguiente medida de la discrepancia: y−3 ¯ Sy ¯ Esta discrepancia, que utilizaremos como estad´ ıstico de contraste, no depende de las unidades de medida y tiene en cuenta la diferencia entre los datos (resumidos en y ) y el valor establecido ¯ en H0 . Adem´s, debe conocerse la distribuci´n de esta variable aleatoria cuando la hip´tesis a o o nula es correcta. En el ejemplo, se demuestra que si los datos y1 , y2 , . . . , yN son una muestra aleatoria de un conjunto de variables Yi ∼ N ID(µ, σ 2 ) ∀i, con µ y σ 2 desconocidas, entonces: y−µ ¯ ∼ t(N − 1) Sy ¯ y sustituyendo µ = 3, tenemos la distribuci´n muestral del estad´ o ıstico bajo H0 : t= y − 3 H0 ¯ ∼ t(N − 1) Sy ¯ (A.20)

Este estad´ ıstico se aplica mucho en la pr´ctica y se denomina estad´ a ıstico t de la media. Finalmente, para determinar el criterio de decisi´n del contraste se divide el conjunto de o posibles resultados del estad´ ıstico de contraste en dos zonas, la regi´n cr´ o ıtica y su complementaria. Se rechaza H0 cuando el valor del estad´ ıstico obtenido con la muestra tm pertenece 158

Los pasos son los siguientes: 159 . contrasta H0: µ = 3 frente a Ha: µ = 3. Por ejemplo. En el contraste bilateral. si |t o distribuci´n del estad´ o ıstico de contraste cuando H0 es cierta y del error que estemos dispuestos a aceptar.21) es la condici´n para e o rechazar y (A. m | ≤ c. o Veamos c´mo se determina el valor cr´ o ıtico c en el ejemplo sobre la media del precio. 01. 05 y N = 50. Como (A. • No rechazar la hip´tesis nula cuando ´sta es falsa. trataremos de a n utilizar el contraste con mayor potencia. rechazaremos H0 si el valor del estad´ ıstico t obtenido con los datos es un valor poco probable en la distribuci´n del estad´ o ıstico bajo H0 . Por ejemplo. La potencia de o e un contraste es la probabilidad de no cometer un error tipo II. Ejemplo: zona cr´ ıtica en un contraste bilateral sobre la media de una distribuci´n normal. pero la potencia del contraste ser´ 0 porque tampoco rechazaremos H0 o ıa cuando sea falsa. que se llama error tipo I. no cometemos error tipo I si decidimos no rechazar nunca la hip´tesis nula. que el tama˜o sea 0 y la potencia igual a 1. En un contraste siempre existe la posibilidad de cometer los siguientes errores: • Rechazar la hip´tesis nula cuando ´sta es cierta. Deseamos cometer el menor error.20) es la distribuci´n del estad´ o ıstico cuando H0 es cierta. Para el tama˜o elegido. El punto de partida para establecer la regi´n cr´ o ıtica es que se rechaza H0 si la discrepancia entre datos y H0 es grande. de modo o que en cada cola se acumula una probabilidad α/2. La regi´n cr´ o ıtica es la zona punteada en las dos colas de la distribuci´n. 5 % y 1 %. c = 2. los niveles m´s habituales son 10 %. se rechazar´ H0 si y se ıa ¯ alejara mucho del valor establecido en H0 . lo que para el estad´ ıstico implica que: |tm | = y−3 ¯ >c Sy ¯ (A. El nivel de o e significaci´n o tama˜o de un contraste es la probabilidad de incurrir en el error tipo I y o n se denota por α. El tama˜o n α es la probabilidad de rechazar H0 cuando ´sta es cierta.21) donde c es la discrepancia m´xima que estamos dispuestos a asumir y se denomina valor cr´ a ıtico. o que deja en la cola derecha una probabilidad α/2. Suponiendo que la variable precio por metro cuadrado pr m2 sigue una distribuci´n o normal. 01 y se rechaza H0 al nivel de significaci´n del o 5 % si |tm | > 2. Daremos m´s importancia al error tipo I.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 a la regi´n cr´ o ıtica. El valor de c depende de la En caso contrario. Este gr´fico muestra la distribuci´n del estad´ a o ıstico si H0: µ = 3 es cierta. esto implica que: α = P rob(|t| > c) cuando el estad´ ıstico t ∼ t(N − 1) En este caso. para α = 0. entonces. disminuir el error tipo I lleva consigo n un aumento del error tipo II. En general. es a decir. no se rechaza la hip´tesis nula. Ejemplo 1: Contraste sobre la media del precio por m2 en Gretl. por lo que elegiremos el tama˜o del a n contraste. pero no es posible eliminar los dos errores simult´neamente. As´ c es la ordenada de la distribuci´n t(N − 1) ı. llamado error tipo II.

Pero calcularemos exactamente la regi´n cr´ o o ıtica.5 Distribucin muestral t(49) Estadstico de contraste 0. C´lculo del valor muestral del estad´ a ıstico t = (¯ − 3)/Sy . Aparecer´n los estad´ a ısticos descriptivos que m . junto con el valor muestral del estad´ ıstico (la l´ ınea verde). El valor cr´ ıtico c se obtiene con la opci´n de o Gretl Herramientas →Tablas estad´ ısticas. o • Comprueba que la opci´n Suponer que la desv.91439 .2 0. Fijamos un nivel de significaci´n del 5 %.9144 desv. En este caso: intervienen en el c´lculo de t a media muestral: 3.83e-008 (a una cola = 1.3)/0. t´ ıpica: tama˜o muestral : n 0. siendo y la media y ¯ ¯ muestral de pr m2: √ tm = 50(3. 99341 = 6. obtenemos el siguiente resultado: 160 .025.915e-008) 0. en este caso t(49). por lo que escribimos 0. 2. 9144 − 3)/0.4 0. Regi´n cr´ o ıtica o zona de rechazo.12. 51 Se obtiene con la siguiente opci´n de Gretl: o Herramientas →Calculadora de estad´ ısticos de contraste En la siguiente ventana elige la pesta˜a media y en ella: n • Marca la opci´n Utilice una variable del conjunto de datos. o • Selecciona la variable pr m2.91439.12: Ejemplo 1: Resultado y distribuci´n del estad´ a o ıstico bajo H0 En este caso tenemos que el valor muestral del estad´ ıstico cae en la cola superior. a El resultado es la tabla y el Gr´fico A. desv.99341 50 • Escribe la hip´tesis nula a contrastar: H0: media = 3. rechazaremos la hip´tesis nula. En el gr´fico se representa la distria a buci´n del estad´ o ıstico bajo H0 .140489 = 6.1 0 -6 -4 -2 0 Desviaciones tpicas 2 4 6 Gr´fico A. t´pica = 0. en este caso 49 o • probabilidad en la cola derecha = α/2.993407 ı Estad´stico de contraste: t(49) = (3.50864 ı valor p a dos colas = 3. t´ o ıpica es un valor poblacional no est´ activada y pincha en Aplicar. En la nueva ventana hay que elegir la pesta˜a de la variable t y en el siguiente n cuadro hay que rellenar: • gl = grados de libertad n. en una intervalo de valores poco probable si H0 es cierta. Por tanto. Tras pinchar en Aceptar. Hip´tesis nula: media poblacional = 3 o Tama~o muestral: n = 50 n Media muestral = 3.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 1.3 0.

Habitualmente. 05 y N = 50. si α = 0. 67655. de modo que las mujeres perciben salarios o m´s bajos que los hombres. Esto es as´ porque en un contraste ı mantenemos la H0 mientras no haya suficiente evidencia en contra. o As´ c es la ordenada de la distribuci´n t(N − 1) ı. el valor cr´ ıtico con alpha = 5 % es igual a c = 2. cuando t tome valores positivos grandes. el estad´ o ıstico de contraste es (A. o En los estudios econom´tricos a veces se plantean contrastes a una cola. o que acumula en la cola derecha una probabilidad α.Econometr´ B´sica Aplicada con Gretl ıa a t(49) probabilidad en la cola derecha = 0.05 Valor cr´tico = 2. Aplicaci´n de la regla de decisi´n.975 probabilidad a dos colas = 0. Cierra las ventanas de calculadora de estad´ ısticos y tablas estad´ ısticas.025 probabilidad complementaria = 0. en estudios e sociales interesa analizar si hay discriminaci´n salarial. entonces el nivel cr´ ıtico es c = 1. pero no pueden probar que H0 sea correcta. se contrasta la hip´tesis nula de que la media del a o salario que perciben las mujeres es igual al salario medio de los hombres frente a la hip´tesis o alternativa de que la media del salario es mayor en el grupo de hombres. Rechazaremos H0 cuando la discrepancia tome valores alejados de H0 y compatibles o con Ha . se usan las expresiones rechazar o no rechazar H0 . por lo que planteamos las hip´tesis: o √ Al mantenerse la misma hip´tesis nula. La hip´tesis alternativa determina el criterio de o o decisi´n. La regi´n cr´ o ıtica est´ definida por la a condici´n t > c. supongamos que interesa contrastar si la media es tres o mayor. al nivel de significaci´n o o o del 5 %. 3. o No rechazar H0 significa que los datos no son capaces de mostrar su falsedad. se rechaza la hip´tesis de que el precio medio sea igual a 3000e freno te a la alternativa. t = N (¯ − 3)/Sy . Ejemplo 2: Contraste de igualdad de varianzas. 67655 (usar herramienta de tabla estad´ ıstica de Gretl) y no se rechaza H0 al nivel de significaci´n del 5 % si tm < 1. y que bajo H0 sigue una distribuci´n t(N − 1). El valor cr´ o ıtico c se determina por: α = P rob(t > c) cuando el estad´ ıstico t ∼ t(N − 1) H0 : µ = 3 frente a Ha : µ > 3 La regi´n cr´ o ıtica del contraste es la zona punteada en una cola de la distribuci´n. 00958. Como |6. es decir. o Por tanto. En el estudio del precio del m2 . 975. Los datos que estamos analizando sobre precio de la vivienda incluye dos tipos de viviendas: 161 . 025 o bien P rob(X < 2. Los datos pueden rechazar la hip´tesis.20). o En general.00958 ı SARRIKO-ON 8/09 Interpretaci´n: P rob(t > 2. Ejemplo: regi´n cr´ o ıtica en el contraste unilateral sobre la media de una distribuci´n normal. 00958) = 0. 51| > c. Por ejemplo. 00958) = 0. por lo que no se dice que se acepta H0 . la derecha. Por ejemplo.

Seleccionar el subconjunto formado por los pisos que necesitan reforma. b) En la nueva ventana aparece como opci´n Reforma y pinchamos en Aceptar o Si el proceso es correcto. est´ definida por S1 /S2 > c. • Viviendas acondicionadas para entrar a vivir. Esto implica que la distribuci´n del precio de los dos tipos de vivienda es o distinta. El estad´ ıstico de contraste y su distribuci´n bajo H0 son: o F = ∗2 S1 H0 ∗2 ∼ F(N1 − 1. apoyan H0 . 2. La a ∗2 ∗2 regi´n cr´ o ıtica. caracterizados por Reforma = 0 : a) Vamos a Muestra →Restringir. en la parte inferior de la pantalla de Gretl aparece el mensaje Sin fecha: rango completo n=50. muestra actual n=31. Ahora s´lo o trabajamos con los datos de pisos que no necesitan reforma: si consultamos los datos en Datos →Mostrar valores ahora s´lo aparece la informaci´n de los 31 o o pisos que pertenecen a esta clase. consideramos el siguiente modelo: • El precio por metro cuadrado de la vivienda que no necesita reforma. ficticia. es decir. Es posible que el precio medio de las viviendas a reformar y reformadas sigan patrones diferentes. Dada Ha . o ratios S1 /S2 1. planteamos el contraste de hip´tesis: o 2 2 2 2 H0 : σ1 = σ2 frente a Ha : σ1 > σ2 El procedimiento de contraste consiste en comparar las dos varianzas muestrales. Y1 sigue 2 una distribuci´n normal de media µ1 y varianza σ1 . 162 .. que son estimadores insesgados de las respectivas varianzas poblacionales. por tanto.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a • Viviendas a reformar. es necesario realizar un gasto adicional para acondicionar la vivienda. En Gretl. rechazamos H0 si el ratio S1 /S2 est´ muy por encima de 1. Los pasos para realizar el contraste con Gretl son: 1. N2 − 1) S2 donde N1 es el n´mero de pisos que no necesita reforma y N2 el n´mero de pisos a u u ∗2 ∗2 reformar. Seleccionar el subconjunto de pisos que no necesitan reforma. Por tanto. Crear la serie de datos y1 que incluye unicamente los precios por m2 de los pisos ´ reformados: en A˜adir →Definir nueva variable. siendo c el valor cr´ a ıtico. Por tanto. En el fichero de datos pisos. o • Ambas variables Y1 e Y2 son independientes. ∗2 ∗2 S1 y S2 . b) En la nueva ventana escribimos el criterio de selecci´n: o Reforma =0 c) Pinchamos en Reemplazar restricci´n actual y luego en o Aceptar.gdt son las observaciones para las que la variable Reforma = 1. n 3. a partir de criterio. es decir. o • El precio por metro cuadrado de la vivienda a reformar.. escribimos y1 = pr m2. ∗2 ∗2 ∗2 ∗2 Valores cercanos de S1 y S2 . Vamos a contrastar si la varianza es la misma en ambas distribuciones frente a que sea menor en el grupo de pisos a reformar. Y2 sigue una distribu2 ci´n normal de media µ2 y varianza σ2 . seleccionamos la submuestra que cumple esta condici´n si: o a) Vamos a Muestra →Definir a partir de v.

6.4 0.2 Distribucin muestral F(30.Marcar Utilice una variable del conjunto de datos y seleccionar y2. Los grados de libertad del numerador son gln 30 y los del denominador. la probabilidad en la cola derecha es 0.10471 ı valor p a dos colas = 0. 5. entonces c = 2. F(30. Recuperar la muestra completa en Muestra →Recuperar rango el completo.5 1 1.4218) 1.Econometr´ B´sica Aplicada con Gretl ıa a SARRIKO-ON 8/09 Ahora debe aparecer Sin fecha: rango completo n=50.5 3 3. buscamos c tal que 0. 18) probabilidad en la cola derecha = 0. En la siguiente ventana rellenamos los datos: . Vamos a Herramientas →Tablas estad´ ısticas →F.6 0.. 70340 y N2 = 19 . El resultado es una tabla y un gr´fico con la distribuci´n del estad´ a o ıstico bajo H0 .95 Valor cr´tico = 2. 18) y el valor muestral del estad´ ıstico.05 probabilidad complementaria = 0. Las celdas de y1 estar´n vac´ en pisos no reformados y lo rec´ a ıas ıproco para y2.5 4 4. 77702 y N1 = 31 . escribimos y2 = pr m2. Crear la serie de datos y2 de precios por m2 de pisos no reformados: en A˜adir n →Definir nueva variable.2 0 0 0. El resultado es: F(30.10714 ı Por tanto. Calculamos la regi´n cr´ a o ıtica: se trata de un contraste a una cola. si α = 5 %.13: Ejemplo 2: Resultado y distribuci´n del estad´ a o ıstico bajo H0 7. ∗2 Aparecen los estad´ ısticos necesarios de y1: S1 = 0. ∗2 Aparecen los estad´ ısticos necesarios de y2: S2 = 0. por tanto.5 2 2..777054 Muestra 2: n = 19.Comprobar la marca en Mostrar el gr´fico de la distribuci´n muestral y a o Aplicar. Comprobamos que las series y1 e y2 no tienen errores editando los datos de estas series.05. muestra actual n=19. El gr´fico anterior sugiere que no rechazaremos H0 .8436 (a una cola = 0. 4.5 Gr´fico A. 163 . Calcular el valor muestral del estad´ ıstico F m en Herramientas →Calculadora de estad´ ısticos de contraste →2 varianzas.Marcar Utilice una variable del conjunto de datos y seleccionar y1. Finalmente. gld 18.703402 Estad´stico de contraste: F(30. 18) Estadstico de contraste 1 0.8 0. 107. 18) = 1. varianza = 0. varianza = 0. Hip´tesis nula: Las varianzas poblacionales son iguales o Muestra 1: n = 31. 05 = P rob(F > c).

Ejemplo 3: Contraste de igualdad de medias. La regi´n cr´ ¯ ¯ o ıtica. 11. al nivel de significaci´n o o del 5 % no rechazamos la hip´tesis de igualdad de varianzas entre los dos tipos o de viviendas. A continuaci´n debemos: u o 1. Vamos a contrastar la hip´tesis o de que el precio medio del piso es mayor en los pisos reformados.t. d.158323 o ı Intervalo de confianza 95% para la media: 3. est´ definida por t > c. 83869 y N2 = 19 ¯ . Hip´tesis nula: Diferencia de medias = 0 o Muestra 1: n = 31. ∗ Aparecen los estad´ ısticos de y1: y1 = 4.98066 a 4.Marcar Mostrar el gr´fico de la distribuci´n muestral y pinchar en Aplicar. En la siguiente ventana rellenamos los datos: . media = 3. d. 10 < 2. Las dos series de datos y1 e y2 se crean seg´n lo descrito en el ejemplo 2.t. Conclusi´n del contraste: F m = 1. a o El resultado es una tabla y un gr´fico con la distribuci´n t(50 − 2) y el valor a o muestral del estad´ ıstico. ambas con distribuci´n normal de igual varianza.27872.Marcar Utilice una variable del conjunto de datos y seleccionar y2. 278717.Marcar Utilice una variable del conjunto de datos y seleccionar y1. o Para contrastar la hip´tesis anterior. rechazamos H0 si la diferencia y1 − y2 es grande. ∗ Aparecen los estad´ ısticos de y2: y2 = 3. σ 2 y medias diferentes. µ1 y µ2 . por tanto. planteamos o H0: µ1 = µ2 frente a Ha: µ1 > µ2 .SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 8. media = 4. siendo c el valor cr´ a ıtico. Suponiendo que el precio por m2 de los dos tipos de pisos son variables independientes.838691 164 . y1 y y2 . = 0. El estad´ ¯ ¯ n ıstico de contraste y su distribuci´n bajo H0 son: o y1 − y2 ¯ ¯ H0 t= ∼ t(N1 + N2 − 2) S 1/N1 + 1/N2 donde S 2 es el estimador de la varianza com´n utilizando todos los datos: u S= 1 N1 + N2 − 2 N1 N2 (y1i − y1 )2 + ¯ i=1 i=1 (y2i − y2 )2 ¯ Dada Ha .62734 Muestra 2: n = 19.881507 desviaci´n t´pica de la media = 0. S2 = 0. = 0. Aplicamos el procedimiento de contraste a los datos en Gretl. El procedimiento de contraste se basa en la comparaci´n de las dos medias muestrao les. S1 = 0.304. Peque˜as diferencias entre ellas apoyan la H0 . 88150675 y N1 = 31 ¯ . 3040.Marcar Suponer desviaci´n t´ o ıpica poblacional com´n. u . por tanto. Calcular el valor muestral del estad´ ıstico tm en Herramientas →Calculadora de estad´ ısticos de contraste →2 medias.

los datos o apoyan la hip´tesis de que el precio del m2 es mayor en los pisos reformados.27872)/0.87448 a 3.14: Ejemplo 3: Resultado y distribuci´n del estad´ a o ıstico bajo H0 2. 05 = P rob(t > c). o 165 .68295 SARRIKO-ON 8/09 Estad´stico de contraste: ı t(48)= (4. Resultado del contraste: 4.252229 =4.4 0. Vamos a Herramientas →Tablas estad´ ısticas →t. buscamos c tal que 0. al nivel de significaci´n o del 5 % rechazamos la hip´tesis nula de igualdad de medias.871e-005) 0. por tanto. 06496 > 1. 229. 229.3 0.192409 o ı Intervalo de confianza 95% para la media: 2.2 0. grados de libertad gl 48 y para α = 5 %.304-3.1 0 -4 -3 -2 -1 0 1 Desviaciones tpicas 2 3 4 Gr´fico A. por tanto. Definir la regi´n cr´ o ıtica: se trata de un contraste a una cola. obtenemos c = 1.Econometr´ B´sica Aplicada con Gretl ıa a desviaci´n t´pica de la media = 0. Es decir.5 Distribucin muestral t(48) Estadstico de contraste 0. 3.0649 valor p a dos colas = 0.0001774 (a una cola = 8.

SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 166 .

Otros recursos • Algunos organismos institucionales que publican datos macroecon´micos son: o • Banco Central Europeo: http://www. http : //www.worldbank.org • Instituto Nacional de Estad´ ıstica (INE): http://www.es • Economic and Social Data Series: Gu´ a recursos de datos de libre acceso: ıa http://www.ac. http : //www.esds. http : //gretl.estima.1.bde.int/comm/eurostat • Fondo Monetario Internacional (FMI): http://www.uk/internacional/access/access.es • Organizaci´n para la Cooperaci´n y Desarrollo Econ´mico (OCDE): http://www.econ.Ap´ndice B e B.sourcef orge.es → Inebase o Banco tempus • Instituto Vasco de Estad´ ıstica (EUSTAT): http://www.org o o o • Software estad´ ıstico y/o econom´trico: e • Eviews.com • R.bolsamadrid.com.asp • EUROSTAT: Oficina Estad´ ıstica de la Uni´n Europea: o http://europa. • SHAZAM.ca\ • Gretl.eviews.int/ • Banco de Espa˜a: http://www.r − project.net • RATS. http : //www.ecb.imf.org • Bolsa de Madrid: http://www.org 167 . http : //shazam.oecd.ine.eu.ubc.eustat.es → Estad´ n ısticas • Banco Mundial: http://www.

. G. Econometr´ b´sica.psidonline.osu. Introductory Econometrics. (2004). SouthWestern. Addison-Wesley. R.html • http : //www. • Stock. M. Introductory Econometrics with Applications.isr.. John Wiley. • Wooldridge.he. • Ramanathan.swcollege.gov/ 168 .com/WileyCDA • Wooldridge. (2003). A Modern Approach.htm • Verbeek. W. Introduction to Econometrics. Griffiths.ca/jae/ • http : //www. y G. Ohio. http://eu. (1992). Introductory Econometrics with applications. http://weber.queensu. http://eu. 5a edn. M.com/WileyCDA • Ramanathan. R. A. J.com/WileyCDA • Kennedy. y M. W. SouthWestern. Mason. 2a edn.wiley. R. • Verbeek.org/data index. A Modern Approach. D. Introductory Econometrics.edu/data/ • http : //www.edu/∼rramanat/embook5. A Guide to Modern Econometrics.estadief. C. J.mhhe. England.htm • http : //econ. J. F. Madrid a ıa. M. e I.minhac.SARRIKO-ON 8/09 • Links a libros de Econometr´ y/o Estad´ ıa ıstica. Boston. M. A Guide to Modern Econometrics.com/ • Algunos libros de Econometr´ y/o Estad´ ıa ıstica que incluyen CD con datos para resolver ejercicios: • Alonso.edu/f in/osudown. Undergraduate Econometrics.umich. Mason.. Fern´ndez. Ohio. (1997). (2003).com/greene • Gujarati. Econometr´ B´sica Aplicada con Gretl ıa a • Greene.. http://prenhall.es/ • http : //f isher. http://eu.com/economics/mhhe • Hill. (2002).wiley. Econometric Analysis.he. Gallastegui (2005). Econometr´ Prentice-Hall. 2a edn. (2004). J.E.census. P. • Datos • http : //www.ucsd.nber. Judge (2001). Watson (2003).he. (2008). ıa a http://www. http://wooldridge..wiley. A Guide to Econometrics. (2002).

es/invecon/sp/sie. Revista de Estudios Regionales • http : //www.com. Revista de Econom´ Aplicada ıa SARRIKO-ON 8/09 • http : //www.revistaestudiosregionales.revecap.euskadi.f unep. Ekonomiaz 169 .net/ekonomiaz. Investigaciones Econ´micas o • http : //www1.Econometr´ B´sica Aplicada con Gretl ıa a • Revistas de Econom´ ıa • http : //www.com.asp.

SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a 170 .

A Modern Approach. Madrid. y J. D. de Boer. y J. Engle. Bibliograf´ recomendada en los temas del curso: ıa Alonso. A Guide to Modern Econometrics. Pe˜ a. W. Econometr´ Prentice-Hall. Gujarati. ıa. P.. Applied Linear Statistical Models.A: Irwin. R. Van Dijk (2004). Ohio. MacGraw-Hill. (2003). Ejercicios a a u de Econometr´ 2a edn. edn. Fern´ndez. Moral. Oxford University Press. P. D. Boston. Journal of Econometrics. 2a edn. M. McGrawHill. J. (1997). y M.. M. 3a edn. Reg´ lez... A. New York. McGraw-Hill. Madrid. Ohio.. C. 83-104. Romo (1997). T. P. Econometric Analysis. Bibliograf´ Complementaria: ıa Fern´ndez. New Jersey. (2008). Esteban (2005). H. “A general approach to Lagrangian Multiplier Modelo Diagnostics”. Neter. Introducci´n a la Estad´ n o ıstica para las Ciencias Sociales. (2004). Oxford University Press. Stock. M. e I. ıa a Heij. J.. J. Introductory Econometrics with Applications.. Econometr´ B´sica. Watson (2003). y M.. Oxford. Introduction to Econometrics. F. John Wiley. (2002). SouthWestern. Greene. vol. F.Bibliograf´ ıa Bibliograf´ B´sica: ıa a Ramanathan. Frances. A.. 2a edn. Verbeek. pp. Boston. V. D. Gonz´lez. 5th. y M. Econometric Methods with Applications in Business and Economics. Addison-Wesley. (1982). W. Madrid. Mexico. Wasserman.. P. serie Schaum. Introductory Econometrics. Kloek.. South-Western. Prentice-Hall. J. a ıa. Gallastegui (2005). R. Mason. 4a edn... M. Mason. Wooldridge. Kutner (1990)... y H. England. 171 . 6a edn. Davidson. Econometric Theory and Methods. 20. Mackinnon (2004).

Undergraduate Econometrics. S. A Guide to Econometrics. M´xico.. e ıa. 172 . y D. C. Maddala. 3a edn. Barcelona. G. 2a edn. McGraw-Hill. Introducci´n a la Econometr´ 2a edn.E. e Novales. J. (1993).S. 4a edn.SARRIKO-ON 8/09 Econometr´ B´sica Aplicada con Gretl ıa a Hill. Econometric Models and Economic Forecast. Pindyck.. Judge (2001). Kennedy. (1992). G. R.. John Wiley and Sons. Griffiths. England. A. P. W. (1996). Rubinfeld (1998).. Oxford.. Johnston. Inc. y G.. Madrid. ıa. Blackwell. McGraw-Hill. o ıa. R. M´todos de Econometr´ Vicens Vives. New York. Dinardo (2001). y J.L. McGraw-Hill. Econometr´ 2a edn..