Econometria

Introducció

Dr. Toni Mora

 Introducció

l Què és l’Econometria i quina és la seva utilitat?

l Quins tipus de dades s’empren en econometria (aplicada)?

– Dades de tall transversal (o de secció creuada)
– Dades fusionades de secció creuada
– Dades de panel
– Dades de series temporals

l La causalitat i la noció de ceteris paribus

2
 Què es l’Econometria?

l L’econometria se basa en el desenvolupament de mètodes

estadístics que s’empren per estimar relacions econòmiques,
provar teories econòmiques i avaluar/implementar polítiques
públiques i de negocis

l L’econometria s’ha convertit en una disciplina independent de

l’estadística matemàtica por ocupar-se de la recollida i anàlisi de
dades econòmiques no experimentals

l Microeconometria vs. Macroeconometria

3
 Per què serveix l’Econometria?

l L’econometria és aplicable a problemes del món real. Mitjançant

anàlisis empíriques s’implementen mètodes economètrics emprant
un conjunt de dades per provar una teoria econòmica o estimar una
relació d’interès

l La teoria econòmica pot ser ambigua en relació amb l’efecte

d’algun canvi de política pública o de negocis, però és possible
utilitzar un mètode economètric per avaluar aquest canvi

l Exemple: Quin és l’efecte (nét) d’un augment en el salari sobre

l’oferta de treball? Quin és el salari addicional per any d’educació?
4
Teoria vs aplicacions empiríques

l Errors de mesura a les dades o no relacionats amb el model

l Variables no mesurables (expectatives)

l La teoria suggereix però no selecciona la forma funcional

l Errors relacionats amb les propietats estocàstiques del terme

de pertorbació

l Variables omeses que són rellevants pel model

 Estructures de dades – Dades de tall
transversal (o de secció creuada)

l Cada observació representa un únic individu, empresa, etc. amb

informació relativa a un moment determinat

l En molts casos es pot suposar que les dades de tall transversal són
una mostra aleatòria (és a dir, obtinguda mitjançant mostreig
aleatori d’una població subjacent)

l Si los dades no es poden considerar una mostra aleatòria existeix

un problema de selecció mostral, també anomenat biaix de
selecció mostral

6
 Dades fusionades de secció creuada vs.
dades de panell

l Quan es recullen dades aleatòries de secció creuada de la

mateixa població subjacent per diversos anys, és possible
agrupar-los i tractar-los de forma similar a una única secció
creuada normal si tenim en compte les diferències de temps
l Quan se segueix a la mateixa unitat de tall transversal al llarg
del temps, s’obtenen dades de panell o longitudinals
l Les dades de panell, més costoses d’obtenir, tenen
avantatges sobre los dades de secció creuada i inclòs sobre
les dades fusionades de secció creuada

8
 Dades de sèries temporals

l Un conjunt de dades de sèries temporals inclou observacions sobre

una o distintes variables al llarg del temps: preus de les accions (dl-
dv), inflació (mensual), PIB (trimestral). La dimensió de temps
acostuma a ser molt llarga

l Una característica clau de les dades de sèries temporals és que

habitualment no es pot suposar que les observacions econòmiques
són temporalment independents

l Cal tenir en compte que certes variables econòmiques presenten

tendències, estacionalitat, correlació serial i alta persistència al llarg
10
del temps
11
% Ecologic sales evolution

.3 .4 .5 .6

3Mar19

4Mar19

5Mar19

1Apr19

2Apr19

3Apr19

Below 35
4Apr19

5Apr

3Mar20

Bw 35-55
4Mar20

Time period (weeks 2019-2020)

5Mar20

1Apr20
Datos de series temporales

2Apr20
Above 55

3Apr20

4Apr20

5Apr20
 Causalitat i la noció de ceteris paribus

l Trobar una associació o correlació entre variables no és suficient

l Volem que l’efecte estimat d’una variable independent (X) sobre la
variable dependent (y) sigui causal
l La noció de ceteris paribus —“si la resta de factors rellevants romanen
constants”— juga un paper important en l’anàlisi causal. Analitzant la
demanda dels consumidors, estem interessats en saber l’efecte dels canvis
als preus en la quantitat demandada, mantenint fixes la resta de factors -
com renda, preus d’altres productes o preferències dels consumidors
l Excepte en casos especials, no serà possible mantenir literalment la resta
constant. La pregunta fonamental en la major part dels estudis empírics és:
s’han mantingut constants suficient nombre de factors per justificar la
causalitat?
12
 Exemple: mesurar el rendiment de
l’educació

l Un model simple d’inversió en capital humà implica que si

una persona acumula més educació rebrà un major salari
(model de Mincer)

l En el cas més senzill (especificant un model de regressió

lineal simple), això implica una equació com:

wage = β 0 + β1educ + u

13
 Exemple (continuació)

l L’estimador de β1 és el rendiment de la educació, però pot considerar-

se causal?
l Si bé el terme d’error, u, inclou altres factors que afecten al salari, hom
desitja controlar tants como sigui possible en estimar el model anterior:

wage = β 0 + β1educ + β 2 exper + u

l No obstant això, moltes variables explicatives rellevants sovint no són

observables pel recercador (habilitat innata d’un individu), el que pot
ser problemàtic si el model vertader és:

wage = β 0 + β1educ + β 2 exper + β 3ability + u

14