Scribd Logo
Upload

Welcome to Scribd!

  • Econometria Capitulo 1 PDF

    Uploaded by

    Maricielo Linares
    17 views19 pages

    Original Title

    37319703-ECONOMETRIA-CAPITULO-1.pdf

    Copyright

    © © All Rights Reserved

    Available Formats

    PDF or read online from Scribd

    Did you find this document useful?

    Is this content inappropriate?

    Report this Document

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    17 views19 pages

    Econometria Capitulo 1 PDF

    Uploaded by

    Maricielo Linares

    Copyright:

    © All Rights Reserved
    Download as PDF or read online from Scribd
    Flag for inappropriate content
    of 19
    NATURALEZA DEL ANALISIS DE REGRESION Como se mencioné en la Introduccién, la regresién es una herramienta funda- mental de la econometrfa; en este capitulo consideraremos muy brevemente la naturaleza de este instrumento. 1.1. ORIGEN HISTORICO DEL TERMINO REGRESION El término regresidn fue introducido por Francis Galton. En un famoso articulo Galton planteé que, a pesar de la presencia de una tendencia en la que los pa- dres de estatura alta tenian hijos altos y los padres de estatura baja tenian hijos bajos, la estatura promedio de los nifios nacidos de padres de una estatura dada tendia a moverse o “regresar” hacia la estatura promedio de la poblacién total. En otras palabras, la estatura de los hijos inusualmente altos o de padres in- usualmente bajos tiende a moverse hacia la estatura promedio de la poblacion. La Ley de regresi6n universal de Galton fue confirmada por su amigo Karl Pearson, quien reunié mas de mil registros de estaturas de miembros de grupos familia- res.’ Pearson encontré que la estatura promedio de los hijos de un grupo de padres de estatura alta era menor que la estatura de sus padres y la estatura promedio de los hijos de un grupo de padres de estatura baja era mayor que la estatura de sus padres, generandose un fenémeno mediante el cual los hijos altos e hijos bajos, “regresaban” por igual hacia la estatura promedio de todos los hombres. En palabras de Galton, se trataba de una “regresién hacia la me- diocridad’. " Francis Galton, “Family Likeness in Stature”, Proceedings of Royal Society, Londres, vol. 40, 1886 pp. 42-72, K, Pearson y A. Lee, "On the Laws of Inheritance’, Biometrika, vol. 2, nov. 1903, pp. 402, 7 18 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES 1.2. INTERPRETACION MODERNA DE LA REGRESION Ejemplos FIGURA 1.1 La interpretacin moderna de la regresi6n es, sin embargo, bastante diferente. En términos generales se puede decir El anilisis de regresién trata del estudio de la dependencia de la variable dependien- te, respecto a una o més variables (las variables explicativas), con el objetivo de estimar y/o predecir la media o valor promedio poblacional de la primera en térmi- nos de los valores conocidos o fijos (en muestras repetidas) de las tiltimas. La trascendental importancia de este enfoque del andllisis de regresin se haré mis claro a medida que avancemos, pero algunos ejemplos sencillos aclararén este concepto basico, 1. Considérese nuevamente la ley de regresi6n universal de Galton. El esta- ba interesado en averiguar las razones por las cuales existfa estabilidad en la distribucién de estaturas dentro de una poblacién, En el enfoque moderno la preocupaci6n no esta dirigida a esta explicacién sino en averiguar la manera en que cambia la estatura promedio de los hijos, dada la estatura de los padres. En otras palabras, se esta interesado en predecir la estatura promedio de los hijos conociendo la estatura de sus padres. Para apreciar la forma como puede esto levarse a cabo, se considera la figura 1.1, que corresponde a un diagrama de dispersién. La figura muestra la distribucién de las estaturas de los hijos en una poblaci6n hipotética, correspondiente al conjunto de valores dados o fijos de las estaturas de los padres. Notese que para cualquier estatura dada de un padre existe un rango (distribucién) de estaturas de los hijos. Sin embargo, observe que a pesar de la naturaleza variable de la estatura de los hijos, dado un 75 @ Valor promedio Estatura de los hijos, en pulgadas. rr 8 Estatura de los padres, en pulgadas Distribucién hipotética de las estaturas de los hijos correspondientes a estaturas dadas de los padres, FIGURA 1.2 CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGRESION 19 valor de la estatura de los padres, el promedio de la estatura de aquéllos por lo general se incrementa en la misma medida que lo que se acrecienta la de los padres. Para ver esto claramente, hemos trazado una linea recta a través de los puntos dispersos que muestra la forma como aumenta la estatura promedio de los hijos, dada la estatura de los padres. Esta linea, como se ver, Se conoce como la recta de regresién. Dicha recta muestra la forma en que el promedio de la estatura de los hijos aumenta conforme lo hace la de los padres. 2. Considérese el diagrama de dispersion en la figura 1.2, que presenta la distribucién de una poblacién hipotética de estaturas de nifos medidas a eda- des determinadas. Notese que existe un rango (distribuci6n) de estaturas corres- pondiente a cada edad dada. Obviamente no es probable que todos los ninos de una edad determinada tengan estaturas idénticas, Pero el promedio de las esta- turas se incrementa con la edad (por supuesto, hasta un cierto momento), que puede verse claramente si trazamos una recta (la recta de regresi6n) a través de los puntos que estan dentro de los circulos, los cuales representan la estatura promedio para determinadas edades. Por consiguiente, si se conoce la edad, la estatura promedio que corresponde a dicha edad se podria predecir mediante la recta de regresion. 3. Volviendo a los ejemplos de la economia, un economista puede estar in- teresado en estudiar la dependencia del gasto de consumo personal en el ingre- so personal neto disponible (después de impuestos). Un analisis de este tipo puede ser titil para estimar la propensién marginal a consumir (PMC), esto es, el cambio promedio en el gasto de consumo ante un cambio de un dolar, por ejemplo, en el ingreso real (véase la figura 1.3). 10 ®Valor promedio 10 1 2 3 14 Edad, en afios Distibucién hipotética de estaturas correspondiontes a edades seleccionadas, * En esta etapa del desarrollo del ema denominaremos a esta regresién simplemente comola recta que conecta el valor de la media, o del promedio, de a variable dependiente la estatura de os ios), que Ccomesponde a wn valor dado dela variable explicaiva (la estatura de los padres). Notese que esta recta tiene una pendiente positiva: pero la pendiemte es menor que 1, lo cual esté de acuerdo con el concep- to de regresidn de Galton hacia la mediocridad. (Por qué?) 20 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES FIGURA 1.3, Tasa de desempleo, % ‘Tasa de cambio de Curva de Philips hipotética, 4. Un monopolista que puede fijar el precio o la produccién (pero no am- bos factores), tal vez desee encontrar la respuesta de la demanda de un produc- to ante cambios en el precio. Tal experimento puede permitir la estimacién de la elasticidad-precio (es decir, la respuesta a variaciones en el precio) de la demanda del producto y ayudar a determinar el precio que maximiza las ganan- cias 5. Un economista laboral quiz quiera estudiar la tasa de cambio de los salarios monetarios nominales en relacién con la tasa de desempleo. Las ci- fras histéricas aparecen en el diagrama de dispersin dado en Ja figura 1.3. La curva en la figura 1.3 es un ejemplo de la célebre curva de Phillips, que relaciona cambios en los salarios nominales con la tasa de desempleo. Un diagrama de dispersion de este tipo permite al economista laboral predecir el cambio pro- medio en los salarios nominales dada una cierta tasa de desempleo. Tal conoci- miento es itil para establecer ciertas ideas sobre el proceso inflacionario en una economia, ya que es probable que los incrementos en los salarios moneta- rios se reflejen en incrementos de precios. 6. En la economia monetaria se sabe que, si se mantienen algunos factores constantes, entre mayor sea la tasa de inflacién z, menor sera la proporci6n k del ingreso que la gente desearia mantener en forma de dinero, como se deduce de la figura 1.4. Un anilisis cuantitativo de esta relaci6n permitiré al economis- ta monetario predecir la cantidad de dinero, como proporcién del ingreso, que la gente desearfa mantener a diversas tasas de inflaci6n. 7. El director de mercadeo de una compaiiia desea saber la forma como se relaciona la demanda del producto de su compania con el gasto de publicidad, por ejemplo. Un estudio de este tipo sera de gran ayuda para encontrar la elas- ticidad de la demanda con respecto a los gastos de publicidad, esto es, el cam- bio porcentual en la demanda en respuesta, digamos, a un cambio de 1 por ciento en el presupuesto de publicidad. Este conocimiento puede ser titil para determinar el presupuesto “6ptimo” de publicidad. CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGRESION 21 Dinero ingreso Tasa de inflacién FIGURA 1.4 Tenencias de dinero con relacién a la tasa de inflacion =, 8. Finalmente, un agrénomo tal vez esté interesado en estudiar la depen- dencia existente entre el producto de una cosecha, de trigo por ejemplo, y la temperatura, la lluvia, la cantidad de sol y los fertilizantes. Un anilisis de de- pendencia de ese tipo puede facilitar la prediccién 0 el pronéstico de la produc- cién media de la cosecha, dada la informacién sobre las variables explicativas. El lector puede proporcionar una amplia gama de tales ejemplos de la depen- dencia de una variable con respecto de una o mas variables. Las técnicas del anilisis de regresion comentadas en este texto estan disefiadas especialmente para estudiar dicha dependencia entre variables. 1.3 RELACIONES ESTADISTICAS VS. RELACIONES DETERMINISTICAS De los ejemplos citados en la seccién 1.2, el lector podra observar que en el anilisis de regresion nos interesa lo que se conoce como dependencia estadisti- ca entre variables, pero no la funcional o deterministica propia de la fisica clés ca. En las relaciones estadisticas entre variables tratamos esencialmente con variables aleatorias 0 estocdsticas,* esto es, variables que tienen distribucio- nes de probabilidad. Por otra parte, en la dependencia funcional o deterministica también manejamos variables, pero éstas no son aleatorias o estocasticas. La dependencia del producto de una cosecha respecto a la temperatura am- biente, la lluvia, el sol y los fertilizantes, por ejemplo, es de naturaleza estadisti- ca en el sentido que las variables explicativas, si bien son importantes, no permitiran al agronomo predecir en forma exacta el producto de la cosecha debido a los errores involucrados en la medicién de estas variables y en raz6n "= La palabra estocdstica viene de la palabra griega stokhos que significa “centro del blanco”. El resultado de lanzar dardos sobre un tablero es un proceso estocéstico, esto es tun proceso que permite 22 PARTEUNO: MODELOS DE REGRESION UNIECUACIONALES. de otra serie de factores (variables), que afectan colectivamente la produccién pero pueden ser dificiles de identificar individualmente. De esta manera habré alguna variabilidad “intrinseca” o aleatoria en la variable dependiente, produc- to de la cosecha, que no puede ser explicada en su totalidad sin importar cuan- tas otras variables explicativas consideremos. En los fenémenos deterministicos, por otra parte, tratamos con relaciones tales como la ley de la gravedad de Newton, la cual plantea que toda particula en el universo atrae a cualquier otra particula con una fuerza directamente pro- porcional al producto de sus masas e inversamente proporcional al cuadrado de la distancia entre ellas. Simbolicamente, F = k(mmy/r), donde F = fuerza, m; ym,son las masas de las dos particulas, r = distancia, yk = constante de propor cionalidad. Otro ejemplo es el de la ley de Ohm, la cual postula que para con- ductores metilicos dentro de un rango limitado de temperatura, la corriente C es proporcional al voltaje V; esto es, C= (+)V, donde + es la constante de propor cionalidad. Otros ejemplos de tales relaciones deterministicas son la ley de los gases de Boyle, la ley de electricidad de Kirchhoff y la ley de movimiento de Newton. En este texto no estamos interesados en tales relaciones deterministicas. Obviamente, de haber errores de medici6n, por ejemplo, en la k de la ley de la gravedad de Newton, la relaci6n que de otra forma hubiera sido deterministica se convierte en una relacién estadistica. En esta situacién es posible predecir la fuerza en forma aproximada solamente a partir de un valor dado de k (y my, mz yr), el cual contiene errores. La variable F se convierte en este caso en aleatoria. 1.4 REGRESION VS. CAUSALIDAD A pesar de que el andlisis de regresién tiene que ver con la dependencia de una variable respecto a otras variables, esto no implica causalidad necesariamente. En palabras de Kendall y Stuart: “Una relacién estadistica, sin importar qué tan fuerte y sugestiva sea, nunca podré establecer una conexién causal: nuestras ideas de causalidad deben venir de estadisticas externas y, en tltimo término, de una u otra teorfa.”* En el ejemplo del producto de una cosecha citado previamente, no hay una raz6n estadistica para suponer que la Iluvia no depende del producto de la cose- cha. El hecho de que se trata el producto de la cosecha como dependiente de la lluvia (entre otras cosas) es debido a consideraciones no estadisticas: el sentido comiin sugiere que la relaci6n no puede revertirse, ya que no podemos contro- lar la luvia modificando la produccién de la cosecha. En todos los ejemplos citados en la seccién 1.2 lo que se debe notar es que una relacién estadistica no puede por sf misma implicar en forma 16- gica una causalidad, Para aducir causalidad se debe acudir a consideracio- nes a priori o tedricas. Asi, en el tercer ejemplo citado, uno puede recurrir a la teoria econémica al afirmar que el gasto de consumo depende del ingreso real.* ° M. G. Kendall y A. Stuart, The Advanced Theory of Statistics, Charles Griffin Publishers, Nueva York, 1961, vol. 2, cap. 26, p. 279, * Pero como veremos en el capitulo 3, el andlisis clasico de regresion esta basado en el supuesto de que el modelo utilizado en el anilisis es el modelo correcto. Por consiguiente, Ia direecién de la causalidad puede estar implicita en el modelo postulado. CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGRESION 23 1.5 REGRESION VS. CORRELACION El andlisis de correlacién esta estrechamente relacionado con el de regresion aunque conceptualmente los dos son muy diferentes. En el andlisis de correla- cién el objetivo principal es medir la fuerza o el grado de asociacion lineal entre dos variables. El coeficiente de correlacién, que se estudiar en detalle en el capitulo 3, mide esta fuerza de asociacién (lineal). Por ejemplo, se puede estar interesado en encontrar la correlacién (el coeficiente) entre el habito de fumar yel cancer del pulmén; entre las calificaciones obtenidas en examenes de esta- distica y las obtenidas en examenes de matematicas; entre las altas calificacio. nes obtenidas en la escuela secundaria y en la universidad, y asi sucesivamente En el andlisis de regresion, como ya se mencion6, no estamos interesados en ese tipo de medici6n. En cambio, se trata de estimar o de predecir el valor pro- medio de una variable sobre la base de valores fijos de otras variables. Asi, qui- zs se desee saber si se puede predecir el promedio de las calificaciones en un examen de estadistica, conociendo la calificacién de un estudiante en un ex: men de matemiaticas. La regresion y la correlaci6n tienen algunas diferencias fundamentales que vale la pena mencionar. En el analisis de regresi6n hay una asimetria en el tra- tamiento que se da a las variables dependientes y explicativas. Se supone que la variable dependiente es estadistica, aleatoria, 0 estocastica, esto es, que tiene una distribuci6n de probabilidad. Por otra parte se da por hecho que las varia- bles explicativas tienen valores fijos (en muestras repetidas),’ lo cual se hizo explicito en la definicion de regresi6n dada en la secci6n 1.2. Asi, en la figura 1.2 se supuso que la variable edad era fija a los niveles dados y se obtuvieron medidas de estatura a esos niveles. En el andliisis de correlaci6n, por otra parte, tratamos dos variables cualquiera en forma simétrica; no hay distincién entre la variable dependiente y las explicativas. Después de todo, la correlacion entre las calificaciones de los examenes de matematicas y de estadistica es la misma que la existente entre calificaciones de los examenes de estadistica y el de mate- maticas. Ademas, se ha supuesto que las dos variables son aleatorias” Como se vera, la mayor parte de la teoria de correlacion esta basada en el supuesto de aleatoriedad de variables, mientras que la mayor parte de la teoria de regresin que se expondra en este texto esta condicionada al supuesto de que la variable dependiente es estocéstica, pero las variables explicativas son fijas 0 no estocas- ticas. 1.6 TERMINOLOGIA Y NOTACION Antes de proceder a un anilisis formal de la teorfa de regresion, se puede ver brevemente el tema de la terminologia y la notaci6n. En la teorfa econémica los términos variable dependiente y variable explicativa estan descritos de varias maneras; a continuaci6n se presenta una lista representativa de ellas: Es de crucial importancia anotar que las variables explicativas pueden ser intrinseca! ‘estocasticas, pero para fines del analisis de regresién asumimes que sus valores son fijosen el mues! repetido (esto es, X adquiere los mismos valores en diversas muestras), resultando asi que. en et no sean aleatorias ni estocésticas. Hay mas sobre este tema en el capitulo 3, secciéin 3.2 En el tratamiento avanzado de econometria uno puede relajar el supuesto de que explicativas sean no estocasticas (véase la introduecién a la parte TD), 24 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES Variable dependionte Variable explicativa Variable explicada Variable independiente Prodicha, Predictora g Regresada Regresora Respuesta Estimulo Endogena Exégena, t Resultado Covariante Variable controlada Variable de contro! Aunque es un asunto de preferencia personal y de tradicién, en este texto se a la terminologia de variable dependiente/variable explicativa Si se est estudiando la dependencia de una variable en una unica variable explicativa, como es el caso del gasto de consumo sobre el ingreso real, dicho es- tudioes conocido como el andllisis de regresién simple, o.con dos variables. Sin embargo, si se esta estudiando la dependencia de una variable en mas de una variable explicativa, tal como el producto de una cosecha, la lluvia, la temperatu- ra, el sol y los fertilizantes, éste se conoce como analisis de regresién multiple. En otras palabras, en una regresién de dos variables solo hay una variable expli- cativa, mientras que en la regresin multiple hay mas de una variable explicativa, El término aleatorio es un sindnimo de estocastico. Como se anoto ante- riormente, una variable aleatoria o estocdstica es aquella que puede tomar cual- quier conjunto de valores, positivos 0 negativos, con una probabilidad dada.” ‘Amenos que se afirme lo contrario, la letra ¥ representaré la variable depen- diente y las X (X,,X,, ...,X;) representaran las variables explicativas, siendo X; la k-ésima variable explicativa. Los subindices i 0 t denotaran la observacién 0 va- lor i-ésimo o t-ésimo respectivamente. X,, (0 X,,) denotara la i-ésima (0 la 1-ésima) observacion de la variable X;. N (0 1) representara el nimero total de ‘observaciones o valores en la poblacion yn (01) el nimero total de observaciones enuna muestra, Por convencién, se utilizar el subindice i para los datos de corte transversal (es decir, informaci6n recogida en un punto del tiempo) y el subindice sera utilizado para datos de series de tiempo (es decir, informacién recogida a lo largo de cierto periodo). La naturaleza de las series de datos de corte transver- sal y de las de tiempo, igual que el importante tema de la naturaleza y las fuentes de informacién para el andlisis empirico, se estudiaran en la siguiente secci6n. 1.7 NATURALEZA Y FUENTES DE INFORMACION PARA EL ANALISIS ECONOMETRICO” El éxito de cualquier andlisis econométrico depende en tltimo término de la disponibilidad de informacion apropiada. Es muy importante dedicar algdin * Véase una definiciOn formal y detalles adicionales en el apéndice A. Para conocer una explicacidn informativa, véase Michael D. Intriligator, Econometric Models, Techniques, and Applications, Prentice Hall, Englewood Cliffs, N.J., 1978, cap. 3 Tipos de datos CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGRESION 25 tiempo a estudiar la naturaleza, las fuentes y las limitaciones de los datos que se pueden encontrar en el andlisis empirico. Puede haber tres tipos de datos disponibles para el analisis empirico: series de tiempo, series de corte transversal e informacion combinada (combinacién de series de tiempo y series de corte transversal) Series de tiempo La informacién que aparece en la tabla 1.1 de la Intro- duccién es un ejemplo de series de tiempo. Una serie de tiempo es un conjunto de observaciones sobre los valores que toma una variable en diferentes momen- tos del tiempo. Tal informacion debe ser recopilada a intervalos regulares, es decir, en forma diaria (vgr,, precios de acciones), semanal (vr. cifras de oferta monetaria proporcionadas por la Junta de la Reserva Federal), mensual (1.gr., la tasa de desempleo yel Indice de Precios al Consumidor), trimestral (v.gr., el PIB), anual (v.z7. los presupuestos del gobierno), quinquenal, es decir, cada 5 anos (v.gr., el censo manufacturero), o decenalmente (v.gr., los censos de pobla- cién), Algunas veces los datos estan disponibles trimestral y anualmente, como en el caso de datos sobre el PIB y los gastos de consumo. Con la aparicion de las computadoras de alta velocidad, ahora se puede recolectar informaci6n en un periodo extremadamente breve, como por ejemplo los datos de los precios de las acciones, los cuales se pueden obtener, literalmente, de una manera conti- nua (lo que se conoce como cotizacién en tiempo real) Aunque la informacién de series de tiempo se utiliza mucho en estudios econométricos, éstas presentan algunos problemas especiales para los econo- metristas. Como se verd en los capitulos sobre econometria de series de tiem- po, la mayor parte del trabajo empirico basado en datos de series de tiempo supone que éstas son estacionarias. Aunque es muy pronto para introducir el significado técnico preciso de serie estacionaria, informalmente hablando, una serie de tiempo media y su varianza no varian sistemdticamente con el tiempo. Para saber lo que significa esto, observe la figura 1.5 en donde se muestra el comportamiento de la oferta de dinero MI en Estados Unidos durante el perio- do que abarca desde el primero de enero de 1959 al 31 de julio de 1999. (Los datos reales se proporcionan en el ejercicio 1.4.) Como se puede notar a partir de la grafica, la oferta de dinero MI presenta una tendencia ascendente cons- tante, asi como una variabilidad al transcurrir los afios, lo cual sugiere que la serie de tiempo para M1 no es estacionaria.'' Analizaremos de una forma mas profunda este tema en el capitulo 21. Informacién de corte transversal La informacién de corte transversal consiste en datos de una o mas variables recogidos en el mismo momento del tiempo, tales como el censo de poblacién realizado por la Oficina del Censo Y Para que esto resuilte mas claro, dividdimos los datos en cuatro periodos: enero de 1951 a diciem- bre de 1962; enero de 1963 a diciembre de 1974; enero de 1975 a diciembre de 1986; v enero de 1987 septiembre de 1999, Para estos subperiodos, los valores de la media para la oferta de dinero (con sus correspondientes desviaciones estandar dadas entre paréntesis) fueron respectivamente: 165.88 (23.27), 323.20 (72.66), 788.12 (195.43) y 1 099 (27.84); en este caso, todas las cifras representan miles de millones de délares. Esta es una burda indicacién del hecho de que la oferta de dinero no fue estacio~ naria, con respecto @ la totalidad del periodo, 26 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES FIGURA 1.5 12007 1000 800 600 ob 356065707580 90S Oferta de dinero Mi: Estados Unidos, 01/1951-09/1999, cada 10 afios (el tltimo se llev6 a cabo en el aio 2000), las encuestas de gastos del consumidor realizadas por la Universidad de Michigan y, ciertamente, las encuestas de opinién tales como las realizadas por Gallup y diferentes empre- sas especializadas. Un ejemplo concreto de informacion de corte transversal esta dado en la tabla 1.1 que presenta datos sobre produccién de huevos en Estados Unidos y sus precios para 50 estados de la Unién durante los afios 1990 y 1991. Para cada afio, los datos sobre los 50 estados son informacién de corte transversal. Asi, en la tabla 1.1 tenemos dos muestras de corte transversal. De igual manera, la informacién de series de tiempo crea sus propios proble- mas especiales debido al factor estacionario; la informacién de corte transversal tiene también sus propios problemas, especificos de heterogeneidad. Hay algunos estados que producen grandes cantidades de huevos (v.gr., Pensilvania) y otros que producen muy poco (v:gr., Alaska). Cuando incluimos unidades heterogéneas en unanillisis estadistico, el efecto de tamaio o deescala debe tenerse en cuenta con el fin de no mezclar manzanas con naranjas. Si se grafican los precios de los huevos yel ntimero de huevos producidos para el aito 1990, v.gr.,.delos datos en la tabla 1.1 (véase ejercicio 1.3) notaré la amplia dispersi6n que presentan las obser vaciones. En el capitulo 11 se vera cémo el efecto de escala puede ser un factor importante en la estimacién de las relaciones entre variables econémicas. Informacién combinada Los datos agrupados tienen elementos de series de tiempoy de corte transversal reunidos, Los datos ena tabla I.1 sonun ejemplo de datos agrupados. Para cada afio tenemos 50 observaciones de corte transver- sal, y para cada estado tenemos dos observaciones de series de tiempo sobre pre- ciosy cantidades de huevos producidas; un total de 100 observaciones agrupadas. De igual forma, los datos dados en el ejercicio 1.1 son agrupados ya que el indice de precios al consumidor (IPC) para cada pais en el periodo 1973-1997 representa datos sobre series de tiempo, en tanto que los datos del IPC para los siete patses respecto a un solo afio son datos longitudinales. En los datos agrupados tenemos 175 observaciones: 25 observaciones anuales para cada uno de los siete paises. CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGRESION 27, TABLA 1.1 PRODUCCION DE HUEVOS EN ESTADOS UNIDOS Estado, % % % Estado Y, Ye X i AL 22062186 927 14 MT 172 te 680 68.0 AK o7 07 1510 «1490 «NE '1.202 1400 503 48.9 AZ 3 4 610-560 NV 22 18 539527 AR 36203737 863 091.8 NH 43 49 © 109.0 1040 CA 74207444 634-584 NY aD 491-850 83.0 co 738 = 873 78 730 NM 283 302 740 «70.0 CT 1029-948 108.0 1080S NY 75 987681 64.0 DE 16800184 1170—Ss113.0sNC 3033 045 B78 FL 25862537 620 9 §72ND 51 4 552-480 GA 4302-4301 808 808 «= «OHS «4667 a7 581547 HI 2275 228885. COK 830 ©1010-1000 10 187203 791 729 «OR 652 es = 770746 1 793808 650 705 PA 4978 «5130 61.0520 IN 5445 5.290 27 060.1 AL 53 50 1020 «98.0 A 2151 B2a7 565 830 SC 1422 «1420701 659. KS 404 389 S45 478) SD 485, eo 480458 Ky 42483, ory 7350 IN a7 2971087 wv 27384118. 150 TX 8317885687728 ME 1089-1070 101.0 $70 UT 86 486 680580 MD 85898 785 7540 3t 30 1060 102.0 MA 235-237 105.0-S «1020S VA 943. 988 883 BIZ Mi 1406 1.396 580 538 «= WA 1287, 1313741715 MN 2499 © 2697 877540, WV 188 174 10801090 MS 14341468, 878867 WIC. 873 60.1 84.0 MO 1580 1622 5540515 WY 17 17 830 830 huevos producidos an 1990 (milones) huevos procucides en 1991 (milones), XX, = precio pot docena (sentavos) en 1990, x, = precio pot docena (centavos) on 1991 Fuente: World Almanac. 1093, p. 119. Los datos provienen del Economic Research Service, US. Department of Agicalture Datos longitudinales de panel o de micropanel_ Hay un tipo especial de datos agrupados, la informacién de panel o longitudinal, también llamada in- formacién micropanel, en la cual la misma unidad de corte transversal (v.gr., una familia o una empresa) es encuestada a través del tiempo. Por ejemplo, el Depar- tamento de Comercio de Estados Unidos realiza un censo de vivienda en interva- los periédicos, Para cada encuesta periédica se entrevista la misma unidad familiar (0 la gente que vive en la misma direccién) para encontrar si ha habido algan cambio en las condiciones de vivienda o financieras de esa unidad familiar desde Ja Gltima encuesta. La entrevista periédicaa una misma unidad familiar, la infor- macién de panel, proporciona informacion muy ttil sobre la dinamica del com- portamiento de las unidades familiares. Fuentes de informacion"? Los datos utilizados en el andlisis empfrico se recolectan por una agencia bernamental (u.gr., el Departamento de Comercio), una agencia internac: ‘mayor claridad, wase Albert T. Somers, The U.S. Economy Demystified: Wat the Major Statistics Mean and Their Significance for Business, D.C. Heath, Lexington, Mass... 1985, 28 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES (xgr., el FMI 0 el Banco Mundial), una organizacién privada (v.gr., la empresa Standard & Poor’ ’s), o un individuo. Literalmente, hay miles de agencias de este tipo recolectando informacién para uno u otro fin, Internet Internet ha revolucionado literalmente la labor de recopilacién de datos. Si “se navega” por la Red poniendo en los motores de biisqueda solo una palabra (por ejemplo, tasas de cambio), uno se vera inundado con todo tipo de fuentes de datos. En el apéndice E se proporcionan algunos de los sitios web que suministran informacion financiera y econémica y que se visitan con ma- yor frecuencia. La mayoria de los datos puede descargarse con un minimo cos- to. Tal vez uno quiera incluir en la lista de Favoritos, los diversos sitios web que pudieran brindar informacién econémica ttl La informacion reunida por estas agencias puede ser de naturaleza experi- mental 0 no experimental. En la informacion experimental, reunida frecuen- temente en las ciencias naturales, el investigador puede desear recoger datos manieniendo constantes ciertos factores con el fin de evaluar el impacto de otros sobre un fenémeno dado. Por ejemplo, al estimar el impacto de la obesi- dad sobre la presién arterial, el investigador quiz quiera reunir informacin manteniendo constantes los habitos alimenticios, el fumar y el beber de las personas con el fin de minimizar la influencia de estas variables sobre la pre- si6n arterial. En las ciencias sociales los datos obtenidos son generalmente de naturaleza no experimental, es decir, no estan sujetos al control del investigador:"' Por ejem- plo, los datos sobre el PIB, el desempleo, los precios de las acciones, etc., no estén directamente bajo el control del investigador. Como se vera, esta falta de control frecuentemente crea problemas especiales para el investigador en el momento de identificar la causa exacta o las causas que afectan una situaci6n particular. Por ejemplo, cla oferta monetaria determina el PIB (nominal)? o, ¢se presenta la relaci6n inversa? Precisién de la informacion'* Aunque existe cuantiosa informacién disponible para la investigacién econ6- mica, la calidad de ésta no siempre es buena. Existen multiples razones para ello, Primero, como se anot6, la mayor parte de la informacién de las ciencias sociales es de naturaleza no experimental. Por consiguiente, existe una posibili- dad de incurrir en errores de observaci6n, bien sea por accién u omisién, Se- gundo, aun en datos reunidos experimentalmente surgen errores de medici6n debido a las aproximaciones o al redondeo, Tercero, en encuestas de tipo cues- tionario, el problema de respuestas en blanco puede ser grave; un investigador tiene suerte al obtener una respuesta del 40%. El analisis basado en tal respues- ta parcial puede no reflejar verdaderamente el comportamiento del 60% que no respondi6, ocasionando, por consiguiente, lo que se conoce como un sesgo de selectividad (muestral). Ademis existe el problema adicional de aquellos quie- En las ciencias sociales, con demasiada frecuencia uno pucde tener un experimento controlado, En el ejercicio 1.6 se da un ejemplo. “ Para un examen critico, vase O, Morgenstern, The Accuracy of Economie Observations, 2a. ed. Princeton University Press, Princeton, N.J.. 1963. CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGRESION 29 nes responden el cuestionario pero pueden no responder a todas las preguntas, especialmente aquellas sensibles por ser de naturaleza financiera, generando asi un sesgo adicional de selectividad. Cuarto, los métodos de muestreo utiliza- dos en la obtenci6n de datos pueden variar tanto que frecuentemente es dificil comparar los resultados obtenidos de las diversas muestras. Quinto, las cifras econémicas generalmente estan disponibles a niveles altamente agregados. Por ejemplo, la mayor parte de los macrodatos (v.21. el PIB, el empleo, la inflaci6n, el desempleo) estan disponibles para la economia como un todo 0, en el mejor de los casos, para algunas regiones geograficas muy amplias. Tales datos con un elevado nivel de agregacién pueden no decirnos mucho sobre el individuo sobre las microunidades que puedan ser el objeto fundamental del estudio. Sex- to, debido a su caracter confidencial, cierta informacion puede ser publicada solamente en forma muy agregada. En el caso de Estados Unidos, por ejemplo, a la agencia de impuestos no le esta permitido, por ley, revelar informacién sobre declaraciones individuales de renta; solamente puede revelar algunos da- tos generales, Por consiguiente, si uno desea saber cuanto dinero gastan en salud los individuos con cierto nivel de ingresos, no es posible hacer ese anali- sis, excepto a un nivel muy agregado. Pero los macroanilisis de este tipo fre- cuentemente resultan insuficientes para revelar la dinamica del comportamiento de las microunidades. En forma similar, el Departamento de Comercio, que realiza el Censo de negocios cada cinco afios, no tiene autorizacién de revelar informacién sobre produccién, empleo, consumo de energia, gastos de investi: gacién y desarrollo, etc., a nivel de empresa. Por consiguiente, es dificil estudiar las diferencias entre las empresas con respecto a estos renglones. Debido a maltiples problemas, el investigador debe tener siempre en mente que el resultado de la investigacién solamente sera tan bueno como lo sea la calidad de los datos. Por consiguiente, si en situaciones dadas los investigadores encuentran que los resultados de la investigacién son “insatis- factorios", la causa puede ser la mala calidad de los datos y no la utilizacion de un modelo equivocado. Desafortunadamente, debido a la naturaleza no experi- mental de los datos utilizados en la mayoria de los estudios de las ciencias so- ciales, los investigadores con frecuencia no tienen alternativa diferente que depender de la informacién disponible. Pero ellos siempre deben tener en men- te que los datos utilizados pueden no ser los mejores y deben tratar de no ser muy dogmaticos sobre los resudados obtenidos de un estudio dado, especial- mente cuando la calidad de los datos es sospechosa. Una observacién sobre las escalas de medicion de las variables’® Las variables que a menudo encontraremos se clasifican en cuatro categorias generales: escala de proporcién, escala de intervalo, escala ordinal y escala nomi- nal. Resulta importante comprender cada una de ellas. Escala de proporeién Para la variable X, al tomar dos valores (X; y X,), la proporcién X\/X; y la distancia (X, - X,) son cantidades que tienen sentido. Asi- “TEI siguiente andlisis se basa en gran medida en la obra de Aris Spanos, Probabili Statistical Inference: Economeric Modeling with Observational Dare, Cambridge University Pre York. 1999" n. 24 Nueva 30 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES: mismo, existe un ordenamiento natural (ascendente o descendente) de los valo- res alo largo de la escala. Por consiguiente, comparaciones como X, £ X,, 0X; > X, tienen sentido. La mayorfa de las variables econémicas pertenecen a esta categoria. Por consiguiente, resulta sensato preguntar cudn grande es el PIB de este afio, en comparacién con el del ano anterior. Escala de intervalo Una variable de escala de intervalo satisface las dos Ailtimas propiedades de la variable de escala de proporcién, pero no la primera. Por tanto, la distancia entre dos periodos, digamos 2000-1995, es significativa, no asf la proporcidn entre dichos periodos (2000/1995). Escala ordinal Una variable pertenece a esta categorfa sélo si satisface la tercera propiedad de la escala de proporci6n (es decir, el orden natural), Los ejemplos son sistemas de calificaciones (A, B, C) o clases de ingresos (alto, me- dio, bajo). Para estas variables, existe el orden pero las distancias entre las cate- gorias no pueden cuantificarse. Los estudiantes de economia recordaran las curvas de indiferencia entre dos bienes, en donde una curva superior de indife- rencia sefiala un mayor nivel de utilidad, pero no se puede cuantificar en qué medida una curva de indiferencia es mayor que otra. Escala nominal Las variables de esta categoria no tienen ninguna de las caracteristicas de las variables de escala de proporcién. Variables como el géne- ro (masculino, femenino) y el estado civil (casado, soltero, divorciado, separa- do) simplemente denotan categorfas. Pregunta: gcual es la raz6n por la que dichas variables no pueden expresarse mediante las escalas de proporcién de intervalo o de orden? Como veremos, las técnicas econométricas que pudieran ser adecuadas para las variables de escala de proporcién, tal vez no resulten pertinentes para las variables de escala nominal. En consecuencia, resulta importante tener en mente las diferencias entre los cuatro tipos de escalas de medici6n recién analizadas. 1.8 RESUMEN Y CONCLUSIONES 1. La idea clave detras del anilisis de regresion es la dependencia estadistica de una variable, la variable dependiente, sobre una o mas variables, las variables explicativas. 2. El objetivo de tal analisis es estimar y/o predecir la media o el valor pro- medio de la variable dependiente con base en los valores conocidos o determi- nados de las variables explicativas. 3. En la prictica, el éxito del analisis de regresién depende de la disponibi- lidad de la informacién apropiada. En este capitulo se analizé la naturaleza, las fuentes y limitaciones de los datos que estan disponibles para la investigaci6n, especialmente en las ciencias sociale: 4, En cualquier investigacién, el investigador debe describir en forma clara las fuentes de los datos utilizadas en el andlisis, sus definiciones, sus métodos de recoleccién y cualquier brecha u omisién en los datos igual que cualquier revision hecha sobre éstos. Recuerde que los datos macroeconémicos publica- dos por el gobierno con frecuencia son objeto de revisién. EJERCICIOS TABLA 1.2 (CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGRESION 31 5. Puesto que el lector puede no tener el tiempo, la energia o los recursos para llegar a la fuente original de los datos, el lector tiene el derecho de suponer que los datos utilizados por el investigador han sido reunidos de manera apro- piada y que los cdlculos y andlisis estan correctos. La. La tabla 1.2 proporciona informacién sobre el indice de precios al consumidor (IPC) para siete paises industrializados, donde la base para dicho indice es 1982- 1984 = 100. a) A partir de los datos dados, calcule la tasa de inflaci6n para cada pais.'° 1). Grafique la tasa de inflacién para cada nacién, en funcién del tiempo (es dl cir, utilice el eje horizontal para el tiempo y el vertical para la tasa de infla- cién), ©) Qué conclusiones generales pueden deducirse respecto a la inflacién en los siete paises? @) Qué pais al parecer tiene la tasa de inflaci6n més variable?, gpuede darse una explicacién para esto? IPC DE SIETE PAISES INOUSTRIALIZADOS, 1973-1997 (1982-1984 = 100) Gran Estados ‘Aro Canada Francia. «= Alemania.— italia. Japon Bretaa_—— Unidos 1973 40,80000 4.60000 62.80000 20,60000 47.20000 27.9000 44.4000 1974 45.2000 39,30000 67.1000 4.60000 9.00000 3230000 49.0000 1975 50.1000 43,9000 71.1000 28.8000 65.0000 40.2000 _§3,80000 1976 53,9000 48,1000 7420000 33.6000 7220000 © 46.80000_56,90000 1977 58.1000 2.70000 76.9000 40.1000 78.1000 © §4,20000 60.6000 1978 63.3000 7.50000 79.0000 5.10000 1.40000 §8.70000 5.20000 1979 69.2000 63,6000 82.2000 5210000 4.40000 + 66.60000 72.6000 1980 76.1000 72,3000 86.7000 6320000 90.9000 78.5000 82.4000 1981 5.60000 81.0000 92.2000 75.4000 95.80000 87.9000 90.8000 1982 94.9000 91.7000 97.1000 7.70000 $8.10000 9.40000 96.50000 1983 100.4000 100.4000 100.3000 100.8000 99.80000 + 99.80000 98.6000 1984 104.7000 108.1000 102.7000 111.5000 102.1000 104.8000 103.9000 1985 109.0000 14.4000 104.8000 121.1000 104.1000 111.1000 107.6000 1986 113.5000 117.3000 104.7000 128.5000 104.8000 114.9000 108.6000, 1987 178.4000 121.1000 104.9000 14.4000 104.8000 119.7000 112.6000, 1988 123.2000 124.4000 106.3000 141.1000 105.6000 125.6000 118.3000 1989 129.3000 128.7000 109.2000 180.4000 108.1000 135.3000 124.0000 1990 135.5000 133.0000 112.2000 159.6000 111.4000 ‘148.2000 130.7000, 1981 143.1000 137.2000 116.3000 169.8000 115.0000 156.9000 136.2000, 1992 145.3000 140.5000 122.1000 178.8000 116.9000 162.7000 140.3000, 1993 147.9000 143.5000 127.6000 186.4000 118.4000 165.3000 144.5000, 1994 148.2000 145.8000 131.1000 193.7000 119.3000 169.4000 148.2000, 1995 151.4000 148.4000 133.5000 204.1000 119.1000 175.1000 182.4000, 1996 153.8000 151.4000 135.5000 212.0000 119.3000 179.4000 158.9000, 1997 156.3000 183.2000 137.8000 215.7000 121.2000 185.0000 160.6000, " Reste del IPC del af en cuestién el IPC del ato ant anterior y multiplique el resultado por 100. Asi, Ia tasa de inflacién de Canada en 1974 es [(45.2 40.8)/40.8) x 100 ivida la diferencia entre el IPC del aio 0.78% aproximadamente. 32 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES TABLA 1.3 12, 13. 1.4. 1.5. @) Grafique la tasa de inflaci6n para Canadé, Francia, Alemania, Italia, Japén y Gran Bretafia, contra la de Estados Unidos. b) Comente en términos generales el comportamiento de la tasa di los seis paises, en comparacién con la de Estados Unidos, ©) Sidescubre que la tasa de inflacién de esos seis paises se mueven en la misma direccién que la de Estados Unidos, gesto sugeriria que la inflacién en Esta- dos Unidos “provoca” la inflacién en las demas naciones?, ¢por qué sf, 0 por qué no? En a tabla 1.3 se dan los tipos de cambio para siete pafses industrializados duran- te los afios 1977-1998. Excepto para Gran Bretafia, la tasa de cambio se define como las unidades de divisas equivalentes a un délar estadounidense; para ese pais, se define como el mimero de délares estadounidenses que se cambian por una libra inglesa. a) Grafique las tasas de cambio en funcién del tiempo y comente el comporta- miento general de las tasas de cambio durante el periodo dado. 1b) Sedice que el délar tiene una apreciacién si se pueden comprar més unidades de divisas. Por el contrario, se dice que sufre una depreciacion, si se pueden adquirir menos divisas. En el periodo de 1977-1998, gcudl ha sido el compor- tamiento general del délar estadounidense? Por cierto, consulte cualquier tex- to de macroeconomfa 0 economia internacional para averiguar los factores que determinan la apreciacién o depreciacién de una moneda. Los datos que aparecen en la figura 1.5 sobre la oferta de dinero M1 se proporcio- nan a continuacién en la tabla 1.4, 2Puede dar las razones por las que la oferta de dinero se ha incrementado a lo largo del periodo que se muestra en la tabla? ‘Suponga que va a desarrollar un modelo econémico para actividades criminales, digamos las horas invertidas en tales actividades (por ejemplo, en la venta de dro- gas ilegales). {Qué variables consideraria al desarrollar dicho modelo? Vea si su inflacion de TASAS DE CAMBIO PARA SIETE PAISES: 1997-1998 Ano Gran Canadé Francia © Alemania ~— Japon Suecia Suiza ——Bretaa 197 1978 1979 1980 1981 1982 1983 1984 1985 1986 1987 1988 1989 +1990 1991 1992 1993 1994 1995 1996 1997 1998 1.063300 4.916100 2.323600 268.6200 4.480200 2.406500 1.744900, 1.149500 4.509100 2.009700 210.3900 4.520700 1.790700 1.918400, 4.171900 4.256700 1.894300 219.0200 4289300 1.664400 2.120400, 1.169300 4.225100 1.817500 226.8300 4.231000 1.677200 2.24600 1.199000 5.439700 2263200 220.6300 5.086000 1.967500 2.024300, 1.234400 6.579400 2.428100 249.0600 6.283900 2.032700 1.748000, 1.232500 7.620400 2.553000 237.8500 7.671800 2.100700 1.515900, 11295200 8.735600 2.845500 237.4600 8270800 2.350000 1.396800 1.365900 8.980000 2.942000 238.4700 8.603200 2.455200 1.297400, 1.389600 6.925700 2.170500 168.3500 7.127300 1.797900 1.467700 11325900 6.012200 1.798100 144.8000 6.346900 1.491800 1.699600, 1.230600 5.959500 1.757000 128.1700 6.137000 1.464300 1.781300 1.184200 6.380200 1.880800 138.0700 6.455900 1.636900 1.638200, 1.168800 5.446700 1.616600 145.0000 5.923100 1.890100 1.784100, 1.146000 5.648800 1.661000 134.8900 6.052100 1.435600 1.767400, 1.208500 5.293500 1.561800 126.7800 5.825800 1.406400 1.768300, 1.290200 5.666900 1.654500 111.0800 7.795600 1.478100 1.501600, 1.366400 5.545900 1.621600 102.1800 7.716100 1.966700 1.531900, 1.872500 4.986400 1.492100 9.96000 7.140600 1.181200 1.578500, 11363800 5.115800 1.504900 108.7800 6.708200 1.236100 1.560700, 1.384900 5.838300 1.734800 121.0600 7.644600 1.451400 1.637600, 1.483600 5.899500 1.759700 130.9900 7.952200 1.450600 1.657300, Fuente: Economic Report ofthe President, enero de 2000 enero de 2001 CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGRESION 33. TABLA 14 OFERTA DE DINERO AJUSTADA M1 POR TEMPORADA: 01/1959-09/1999, (MILES DE MILLONES DE DOLARES) 1959:01 198.8900 199.9900 139.7400 199.6900 © 140.6800 141.1700 195907 141.7000 «141.9000 «141.0100 «140.4700 -—«‘140.3800 139.9500 1960:01 199.9800 139.8700 «139.7500 «139.5600 «199.6100 109.800, 1960:07 140.1800 141.9100 141.1800» 140.9200 140.8600 140.6900 1961:01 141.0600 141.6000 141.8700 142.1900 142.6600 142.8800 1961:07 1429200 143.4900 «143.7800 «144.1400 144.7600 145.2000, 1962:01 145.2400 «145.6600 «145.9600 «146.4000 «148.8400 146.5800, 1962:07 146.4600 «148.5700 148.3000 «146.7100» 147.2900 147.8200 1963:01 148.2600 «148.9000 «149.1700 «149.7000 150.3900 180.4300, 1963:07 151.3400 «151.7800 -—=«151.9800 «182.5500 «183.6500 ‘153.2900 1964-01 153.7400 «154.9100 154.4800 «184.7700 ©=—«185.9300 185.6200, 1964:07 156.8000 157.8200 «158.7500 «159.2400 «159.9600 ‘160.3000 1965:01 160.7100 160.9400 «161.4700 -—«*162.0300 «161.7000 ‘162.1900 1965:07 163.0500 163.6800 «164.8500 «185.9700 «166.7100 —+167.8500 1966:01 169.0800 «168.6200 «170.5100 ©—«171.8100 171.3300 171.5700 1966:07 170.3100 170.8100 ~=—«171.9700~=—171.1600 171.3800 ‘172.0300 1967:01 171.8600 172.9900 «174.8100 -—«*174.1700 «175.6800 ‘177.0200 1967:07 178.1900 «179.7100 -—«180.6800-«*181.6400 «182.3800 ‘183.2600 1968:01 184.3300 «184.7100 ~—=«185.4700 «186.6000 «187.9900 -—*189.4200 1968:07 190.4900 «191.8400 +~—=«192.7400 «194.0200 «196.0200 -—197.4100 1969:01 198.6900 «198.3500 «200.0200 «200.7100 200.8100 201.2700 1969:07 201.6600 201.7300 += 202.1000 «202.9000 «203.5700 203.8800 1970:01 206.2200 205.0000 «205.7500 «206.7200 © 207.2200 207.5400 1970:07 207.9800 «208.9300 «211.8000 «212.8800 213.6600 214.4100 197101 215.5400 217.4200 «218.700 220.0000 222.0200 223.4500 1971:07 224.8500 225.5800 «226.4700 «227.1600 «227.7600 228.8200 1972:01 230.000 232.3200 «234.3000 «235.5800 «235.8900 296.6200 1972:07 238.7900 «240.9300 «243.1800 «245.0200 «246.4100 249.2500 1973:01 251.4700 «252.1500 251.6700 «252.7400 «254.8900 256.6900 1973:07 2575400 257.7600 «257.8600 «259.0400 «280.9800 262.8800 1974:01 263.7600 «265.3100 «266.6800 «287.2000 «267.5600 268.4400 1974:07 269.2700 270.1200 «271.0500 272.3500 «273.7100 274.2000 1975:01 273.9000 275.0000 «276.4200 «276.1700 «278.2000 282.4300 1975:07 283.6800 284.1500 «285.6900 «285.3900 «286.8300 287.0700 1976:01 288.4200 «290.7600 «292.7000 «284.6600 «295.9300 206.1600. 1976:07 297.2000 «298.0500 «299.6700 «302.0400 «303.5900 306.2500 1977:01 308.2600 311.5400 «313.9400 316.0200 317.1900 318.7100 197707 320.1900 «322.2700 «=««328.4800 «326.4000 «328.6400 390.8700 1978:01 934.4000 «335.3000 «336.9600 «339.9200 «344.8600 346.8000 1978:07 947.6900 «349.6600 «352.2600 353.9500 «355.4100 357.2800 1979:01 958.6000 «358.9100 362.4500 968.0500 «389.5900 373.3400 1979:07 877.2100 «378.8200 «379.2800 «380.8700 «380.8100 38.7700 1980:01 385.8500 «389.7000 «388.1300 «983.4400 384.6000 389.4600 1980:07 394.9100 400.0600 «405.3600 «409.0800 © 410.3700 408.0600 1981:01 410.8300 «414.9800 «418.6900 «47.0600 424.4300 425.6000, 1981:07 427.9000 427.8600 427.4600 «428.4500 «480.8800 436.1700, 1982:01 442.1300 441.4900 «442.3700 «446.7800 446.5300 447.8900, 1982:07 449.0900 452.4900 «457.5000 «464.5700 «471.1200 «474.3000 1983:01 476.6800 483.8500 490.1800 «492.7700 «499.7800 04.9500, 1983:07 508.9600 11.6000 «513.4100 517.2100 18.5300 20.7900 y9es:01 524.4000 «526.9900 530.7800 «534.0300 536.5900 540.540 1984:07 542.1300 542.3900 «543.8600 «543.8700 «547.9200 551.190 1985:01 555.6600 562.4800 «565.7400 569.5500 575.0700 583.1707 1985:07 590.8200 598.0600 604.4700 «607.9100 «611.8300 619.9609. 1986:01 620.4000 «624.1400 «632.8100 640.9500 «852.0100 661.520, (continda) 34 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES TABLA 1.4 (Continuacién) 1986:07 672.2000 «680.7700 «688.5100 695.2600 705.2400 724.2800 198701 729.3400 «729.8400 © 733.0100 «743.3000 «746,000 743.7200 198707 744.9600 «746.9600 «748.6600 «756.5000 «752.8300 749.8800 1988:01 755.5500 «757.0700 -~—=«761.1800 767.6700 «771.6800 779.1000 1988:07 783.4000 «785.0800 -=«784.8200 «783.6300 «784.4600 786.2600 1989:01 784.9200 «783.4000 © 782.7400 «78.8200 «774.7900 774.2200 1989:07 779.7100 «781.1400 «782.2000 787.0500 «787.9500 792.8700 1990:01 794.9300 «797.6500 «801.2500 «806.2400 804.9600 810.3300 1990:07 811.8000 «817.8500 «821.8300 820.9000 822.0800 824.5600 1991:01 826.7300 «832.4000 «838.6200 «842.7300 «848.9600 858.3300 1991:07 862.9500 868.6500 «871.5600 878.4000 887.9500 896.7000 1992:01 910.4900 «925.1300 836.0000 «943.8900 950.7800 954.7100 1992:07 964.6000 «975.7100 «988.8400 1004.40 1016.00 1.024.450, 1993:01 030.900 1033150 —«1037.990 1087.470 «1.086.220 1 075.6810 1993:07 1085880 «1095.860 1105430 ©«1113.800 © 1123.900 1 129.310, 199401 1132200 © 1196.130-1199.910 © 1 147.420 «1142850 1145650, 1994:07 1151490 -1151.300 © 1152.440«©«1150.410 ©—«1'150.440—*1'149.750 1995:01 1150640 © 1146.740 = '1146.520 © -1149.480 «1 144.650 1 144.240 199507 1146500 © 1146,100 142.270 ©=—«1136.430©—«1133'550 1 126.730 1996-01 1122580 1117.30 1122590 «1124520 ©-1116.300-—1115.470 1996:07 1112.340 1102180 -«1095.610 «1.082.560 1.080.490 1.081.340 1997:01 1080520 1076200 ©—«-1072.420 ©—«*1087.450-—«1:063.370 1.085.990, 1997:07 1087570 1072.080 ©—-1064.820 ©—«*1:062.080—«*1067.530 1074.70 1998:01 1073810 1.076.020 © 1080.650 «1.082.090 «078.170 107.780 1998:07 1075870 1072210 1074650 «1.080.400 «1088.90 1.093.350 1999:01 1091.00 1092650 © 1102.010 = 108.400 ©=—«1 104.7501 101.110 1999:07 1009530 1 102.400 1.098.460 Fuente: Boars of Governors, Banco Federal de la Reserva, Estados Unisos modelo se asemeja al desarrollado por el economista ganador del premio Nobel, Gary Becker.” 1.6 Experimentos controlados en economia: el 7 de abril del 2000 el presidente Clinton convirtié en ley una propuesta aprobada por ambas cémaras legislativas estado- unidenses mediante la cual se eliminaban las limitaciones de ingresos para los derechohabientes del sistema de seguridad social. Antes de esa ley, los dere- chohabientes que tuvieran entre 65 y 69 afios y que ganaran més de $17 000 déla- res al afto, perdian el valor de un délar de los beneficios de la seguridad social, por cada 3 délares de ingresos que excedieran los $17 000. ¢Cémo se planearia un estudio que evaluara el impacto de este cambio en la ley? Nota: en la ley derogada, no habia limitacion de ingresos para los derechohabientes menores de 70 aftos. 1.7. Los datos proporcionados en la tabla 1.5 se publicaron en la edicién correspon diente al primero de marzo de 1984 del periédico Wall Street Journal. Se refieren al presupuesto publicitario (en millones de délares) de 21 empresas para el afio de 1983 y a las veces que los clientes observan los comerciales de los productos en tuna semana (impresiones) de dichas compahias. La informacion se basa en una encuesta a 4000 adultos en la que se pidi6 a los usuarios de los productos que citaran un comercial que hayan visto en la semana anterior y que tuviera que ver con la categorfa del producto. 4) Haga una grdfica poniendo las impresiones en el eje vertical y el gasto publici- tario en el horizontal. © G. S. Becker, “Crime and Punishment: An Economic Approach”, Joumal of Political Economy, vol. 76, 1968, pp. 169-217. TABLA 1S ‘CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGRESION IMPACTO DE LOS GASTOS EN PUBLICIDAD Impresiones, Gasto, millones Empresa millones de dolares de 1983 1. Miller Lite 324 50.1 2. Pepsi 939.6 744 3. Stroh's 17 193 4, Fed!l Express 219 229 5. Burger King 608 82.4 6. Coca Cola 738 40.1 7. McDonald's 924 185.9 8. MCI 507 26.9 9. Diet Cola 214 20.8 10. Ford 404 168.2 11. Levi's 408 27.0 12, Bud Lite 10.4 456 13. ATT/Bel 889 154.9 14. Calvin Kiein 120 5.0 15. Wendy's 292 497 16. Polaroid 38.0 269 17. Shasta 100 87 18. Meow Mix 123 78 19. Oscar Meyer 23.4 a2 20. Crest nA 324 21. Kibbles'N Bits 44 et Fuente: toi stat cmu.ecuDASL Dalaies/vadsdat htm 35 1b)

    You might also like