You are on page 1of 65

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR

APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 1 31/01/2008

Fecha: 2007- 09- 06

Análisis de la regresión múltiple: problema de la estimación

Se analiza el modelo de tres variables: una dependiente y dos explicativas; y con
modelos lineales en los parámetros, que puedan ser o no lineales en las variables.

“Cabe anotar que el texto de Damodar Gujarati, posee un diferenciación con la
notación universal”.

Modelo de tres variables: notación y supuestos

La FRP:
i i i i
u X X Y + + + =
2 2 1 1 0
| | | en donde
2 1
| | y son los cocientes de regresión
parcial. Los supuestos fundamentales son:

Supuesto 1: El valor medio de las perturbaciones
i
u es igual a cero.

i
u E( \ ) ,
2 1 i i
X X = 0 Se habla de las perturbaciones, es decir distancias.


Supuesto 2: No existe autocorrelación entre las distribuciones
i
u .

i
u Cov( \ )
j
u = 0 Cuando se habla de distribuciones queremos referirnos a una
curva de distribuciones.

Supuesto 3: Homoscedasticidad o igual varianza en las distribuciones de
i
u .

) (
i
u Var =
2
o

Supuesto 4: La covarianza entre la distribución
i
u y cada variable X es igual a
cero.

) , (
1i i
X u Cov = ) , (
2i i
X u Cov = 0

Supuesto 5

El modelo de regresión está correctamente especificado

Supuesto 6

No hay multicolinealidad perfecta entre
1
X y
2
X .

“Cuando hay multicolinealidad, el software no nos proporciona un resultado”
“En matrices para obtener los reagresores hay que dividir para los
determinares de esa matriz.”

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 2 31/01/2008

Linealmente Independientes:



Linealmente Dependientes:

Cuando dos vectores utilizan la misma línea de acción los dos son linealmente
dependientes.













Multicolinealidad perfecta existe cuando las variables
1
X y
2
X son linealmente
dependientes.

0
2 2 1 1
= +
i i
X X ì ì
i i
X X
2
1
2
1
|
|
.
|

\
|
÷ =
ì
ì

Por ejemplo: si
i i
X X
1 2
2 =

( )
i i i i
X X Y µ | | | + + + =
1 2 1 1 0
2




1
v
2
v
2 ??? 1
v v
1
v
2
v
1 2
2v v =
0 2
1 2
= ÷ v v
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 3 31/01/2008

( )
i i i
i i i
i i i i
X Y
X Y
X X Y
µ o |
µ | | |
µ | | |
+ + =
+ + + =
+ + + =
1 0
1 2 1 0
1 2 1 1 0
2
2



Donde ( )
2 1
2| | o + = , no hay forma de estimar la influencia separada de
i
X
1
y
i
X
2
sobre Y.

En la práctica, en los datos para el análisis empírico siempre habrá un nivel de
correlación entre las variables explicativas; lo que re requieres es que no sean
exactas.


Fecha: 2007- 09-11

Estimación de los Coeficientes de Regresión Parcial

Traer el ejercicio de la tabla 6.4

La FRP en este caso es la siguiente:
i i i i
u X X Y + + + =
2 2 1 1 0
| | |

“Notación Universal:
1
| y
2
| corresponden a la primera y segunda variable
respectivamente. En el texto de Damodar Gujarati existe una diferencia, en cuanto a la
notación”.

La FRM es la siguiente:

i i i i
u X X Y ˆ
ˆ ˆ ˆ
2 2 1 1 0
+ + + = | | | ,

donde
i i i
X X Y
2 2 1 1 0
ˆ ˆ ˆ ˆ
| | | + + = ,

y
i i i
Y Y u
ˆ
ˆ ÷ = .

Entonces, mediante la utilización del método de Gauss:

¿ ¿ ¿
¿ ¿ ¿
¿
¿
¿
¿ ¿ ¿
+ + =
= ÷ ÷ ÷
= ÷ ÷ ÷
= ÷ ÷ ÷ ÷ =
c
c
÷ ÷ ÷ = ÷ =
i i i
i i i
i i i
i i i
i
i i i i i i
X X n Y
X X n Y
X X Y
X X Y
u
X X Y Y Y u
2 2 1 1 0
2 2 1 1 0
2 2 1 1 0
2 2 1 1 0
0
2
2
2 2 1 1 0
2 2
ˆ ˆ ˆ
0
ˆ ˆ ˆ
0 )
ˆ ˆ ˆ
(
0 ) 1 )(
ˆ ˆ ˆ
( 2
ˆ
) ˆ (
)
ˆ ˆ ˆ
( )
ˆ
( ) ˆ (
| | |
| | |
| | |
| | |
|
| | |


Primera Ecuación Normal
Es necesario igualar a cero.
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 4 31/01/2008
¿ ¿ ¿ ¿
¿ ¿ ¿ ¿
¿
¿
¿
+ + =
= ÷ ÷ ÷
= ÷ ÷ ÷
= ÷ ÷ ÷ ÷ =
c
c
i i i i i i
i i i i i i
i i i i
i i i i
i
X X X X X Y
X X X X X Y
X X X Y
X X X Y
u
1 2 2
2
1 1 1 0 1
1 2 2
2
1 1 1 0 1
1 2 2 1 1 0
1 2 2 1 1 0
1
2
ˆ ˆ ˆ
0
ˆ ˆ ˆ
0 ) )(
ˆ ˆ ˆ
(
0 ) )(
ˆ ˆ ˆ
( 2
ˆ
) ˆ (
| | |
| | |
| | |
| | |
|


¿ ¿ ¿ ¿
¿ ¿ ¿ ¿
¿
¿
¿
+ + =
= ÷ ÷ ÷
= ÷ ÷ ÷
= ÷ ÷ ÷ ÷ =
c
c
2
2 2 2 1 1 2 0 2
2
2 2 2 1 1 2 0 2
2 2 2 1 1 0
2 2 2 1 1 0
2
2
ˆ ˆ ˆ
0
ˆ ˆ ˆ
0 ) )(
ˆ ˆ ˆ
(
0 ) )(
ˆ ˆ ˆ
( 2
ˆ
) ˆ (
i i i i i i
i i i i i i
i i i i
i i i i
i
X X X X X Y
X X X X X Y
X X X Y
X X X Y
u
| | |
| | |
| | |
| | |
|


Resolviendo el sistema de ecuaciones llegamos a:

“En el semestre pasado teníamos dos ecuaciones con dos incógnitas, ahora tenemos tres ecuaciones y tres
incógnitas su resolución es imposible. Para resolver se debe hacer desviaciones con respecto a la media.”

2 2 1 1 0
ˆ ˆ ˆ
X X Y | | | ÷ ÷ =

( )( ) ( )( )
( )( ) ( )
2
2 1
2
2
2
1
2 1 2
2
2 1
1
ˆ
i i i i
i i i i i i i
x x x x
x x x y x x y
¿ ¿ ¿
¿ ¿ ¿ ¿
÷
÷
= |

( )( ) ( )( )
( )( ) ( )
2
2 1
2
2
2
1
2 1 1
2
1 2
2
ˆ
i i i i
i i i i i i i
x x x x
x x x y x x y
¿ ¿ ¿
¿ ¿ ¿ ¿
÷
÷
= |


Varianzas y errores estándar de los coeficientes de regresión parcial

( ) ( ) ( )
( )( ) ( )
2
2
2 1
2
2
2
1
2 1 2 1
2
1
2
2
2
2
2
1
0
2
1
)
ˆ
( o | ×
|
|
.
|

\
|
÷
÷ +
+ =
¿ ¿ ¿
¿ ¿ ¿
i i i i
i i i i
x x x x
x x X X x X x X
n
Var


( )
( )( ) ( )
2
2
2 1
2
2
2
1
2
2
1
)
ˆ
( o | ×
|
|
.
|

\
|
÷
=
¿ ¿ ¿
¿
i i i i
i
x x x x
x
Var


( )
( )( )
|
|
.
|

\
|
=
¿ ¿
¿ ¿
2
2
2
1
2
2 1 2
12
i i
i i
x x
x x
r

Segunda Ecuación Normal
Tercera Ecuación Normal
¿
2
2i
x va a ser pasado a dividir.
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 5 31/01/2008
( )
( )
( )
( )
( )
( )( ) |
|
|
|
|
|
.
|

\
|
|
|
.
|

\
|
÷
=
|
|
|
|
|
.
|

\
|
÷
=
¿ ¿
¿ ¿
¿
¿
¿ ¿
¿
2
2
2
1
2
2 1 2
1
2
2
1
2
2 1 2
1
2
1
1 *
)
ˆ
(
i i
i i
i
i
i i
i
x x
x x
x
x
x x
x
Var
o o
|

( )( )
|
|
.
|

\
|
÷
=
¿
2
12
2
1
2
1
1
)
ˆ
(
r x
Var
i
o
|

( )
( )( ) ( )
2
2
2 1
2
2
2
1
2
1
2
)
ˆ
( o | ×
|
|
.
|

\
|
÷
=
¿ ¿ ¿
¿
i i i i
i
x x x x
x
Var

( )( )
|
|
.
|

\
|
÷
=
¿
2
12
2
2
2
2
1
)
ˆ
(
r x
Var
i
o
|

( ) ( )
|
|
.
|

\
|
÷
÷
=
¿ ¿
2 / 1
2
2
2 / 1
2
1
2
12
2 2
12
2 1
) 1 (
)
ˆ
,
ˆ
(
i i
x x r
r
Cov
o
| |

) 3 (
ˆ
ˆ
2
2
÷
=
¿
n
u
i
o

Propiedades de los estimadores de MCO

1. La recta de regresión pasa por las medias de
2 1
, , X X Y ; en general:

i ki k i i
u X X X Yi + + + + + = | | | | ...
2 2 1 1 0



k k
X X X Y | | | |
ˆ
...
ˆ ˆ ˆ
2 2 1 1 0
÷ ÷ ÷ ÷ =

2. La media de Y
ˆ
es igual a la media de los Y observados Y .

i i
X X i Y
2 2 1 1 0
ˆ ˆ ˆ ˆ
| | | + + =

i i
X X X X Y i Y
2 2 1 1 2 2 1 1
ˆ ˆ
)
ˆ ˆ
(
ˆ
| | | | + + ÷ ÷ =

( ) ( )
2 2 2 1 1 1
ˆ ˆ ˆ
X X X X Y i Y
i i
÷ + ÷ + = | |

i i
x x Y i Y
2 2 1 1
ˆ ˆ ˆ
| | + + =

¿ ¿ ¿
+ + =
i i
x x Y n i Y
2 2 1 1
ˆ ˆ ˆ
| |
Es 3 por que tenemos tres regresores.
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 6 31/01/2008

0 0
2 1
= =
¿ ¿ i i
x x

Y n i Y =
¿
ˆ


¿
=Y Y
n
i
ˆ
1


Nota:

( )
i i i
x x Y Y
2 2 1 1
ˆ ˆ ˆ
| | + = ÷

i i i
x x y
2 2 1 1
ˆ ˆ
ˆ | | + =

i i i
u y y ˆ ˆ + =

i i i i
u x x y ˆ
ˆ ˆ
2 2 1 1
+ + = | |



3. La media de los residuos
i
uˆ es cero.

¿ ¿ ¿
|
|
|
|
.
|

\
|
÷ + + =
|
.
|

\
|
÷ =
. . . .
.
2
2 2 1 1 0
2
i i i
i
i i
X X Y Y Y | | | µ

( ) 0 1 2
2 2 1 1 0
0
2
= ÷
|
|
|
.
|

\
|
÷ + + =
c
|
|
.
|

\
|
c
¿
¿
. . .
.
.
i i i
i
X X Y | | |
|
µ


¿
|
|
|
.
|

\
|
÷ + +
. . .
i i i
X X Y
2 2 1 1 0
| | |

¿
=
|
.
|

\
|
÷
.
0
i i
Y Y

¿
= 0 ˆ
i
u







PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 7 31/01/2008


4. Los residuos
i
uˆ no están correlacionados con los residuos
i
X
1
y
i
X
2


( ) 0 2
1 2 2 1 1 0
1
2
= ÷
|
.
|

\
|
÷ ÷ ÷ =
c
|
|
.
|

\
|
c
¿
¿
. . .
.
.
i i i i
i
X X X Y
u
| | |
|


( ) 0
1 2 2 1 1 0
=
|
.
|

\
|
÷ ÷ ÷
¿
. . .
i i i i
X X X Y | | |

( ) 0
1
=
|
.
|

\
|
÷
¿
.
i
i
i
X Y Y

0
1
=
¿
.
i
i X u

( ) 0 2
2 2 2 1 1 0
2
2
= ÷
|
.
|

\
|
÷ ÷ ÷ =
c
|
|
.
|

\
|
c
¿
¿
. . .
.
.
i i i i
i
X X X Y
u
| | |
|


( ) 0
2 2 2 1 1 0
=
|
.
|

\
|
÷ ÷ ÷
¿
. . .
i i i i
X X X Y | | |

( ) 0
2
=
|
.
|

\
|
÷
¿
.
i
i
i
X Y Y

0
2
=
¿
.
i
i X u


5. Los residuos
i
uˆ no están correlacionados con ( )
i i
Y y
ˆ
.


i i i
x x y
2 2 1 1
. . .
+ = | |

. . . . .
|
.
|

\
|
+ =
i i i i i
x x y µ | | µ
2 2 1 1


¿ ¿ ¿
. . . .
+ =
i i i i
x x y
2 2 1 1
| | µ

0
1 1
=
¿
.
i
x |
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 8 31/01/2008

0
2 2
=
¿
.
i
x |

0 =
¿
. .
i i
y µ

6. De las ecuaciones para obtener las varianzas de
2 1
ˆ
,
ˆ
| | se observa que a medida que
2
12
r se
acerca a 1, las varianzas aumentan y tienden hacia el infinito, que es el caso de la
multicolinealidad perfecta.


Fecha: 2007- 09-15

Coeficiente de Determinación R
2
: Mide el porcentaje de explicación de las variables
independientes sobre la dependiente, es decir indica cuán cerca está Y
ˆ
de Y:
STC = SEC +SRC

¿ ¿ ¿
+ =
2 2 2
ˆ ˆ
i i i
u y y

¿
¿
= =
2
2
2
ˆ
i
i
y
y
STC
SEC
R

Si SRC = 0 SEC = STC 1
2
= R Ajuste perfecto.

Si SRC ≠ 0 SEC < STC 1
2
< R Porcentaje de ajuste.

1 0
2
s s R

¿
¿
÷ = ÷ =
÷
=
2
2
2
ˆ
1 1
i
i
y
u
STC
SRC
STC
SRC STC
R

) 3 (
ˆ
ˆ
2
2
÷
=
¿
n
u
i
o

2 2
ˆ ) 3 ( ˆ o ÷ =
¿
n u
i


) 1 (
2
2
÷
=
¿
n
y
Sy
i

2 2
) 1 ( Sy n y
i
÷ =
¿



2
2
2
) 1 (
ˆ ) 3 (
1
Sy n
n
R
÷
÷
÷ =
o


La raíz cuadrada de R
2
es el coeficiente de correlación, que es una medida del grado de
asociación entre Y, y todas las variables explicativas conjuntamente, que en la práctica
tiene poca importancia.
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 9 31/01/2008


El R
2
ajustado (
2
R )

Una propiedad importante del R
2
es que a medida que aumenta el número de variables
explicativas, aumenta casi invariablemente hacia 1.


¿
¿
÷ = ÷ =
2
2
2
ˆ
1 1
i
i
y
u
STC
SRC
R


La ( )
¿ ¿
÷ =
2
2
Y Y y
i i
, es independiente del número de variables explicativas; es decir
si en un modelo aumenta, la
¿
2
i
y permanece constante. Pero la
¿
2
ˆ
i
u a medida que
aumenta el número de variables explicativas, disminuye.

Para comparar dos R
2
se debe tomar en cuenta el número de variables explicativas en el
modelo; esto se puede hacer con el R
2
ajustado (
2
R ).


¿
¿
÷
÷
÷ =
) 1 /(
) /( ˆ
1
2
2
2
n y
k n u
R
i
i


Donde k es igual al número de regresores en el modelo incluyendo la intersección. El
término ajustado significa ajustado por los grados de libertad.

2
2
2
ˆ
1
Sy
R
o
÷ =

Donde
2
ˆ o es la varianza homocedástica de la regresión y
2
Sy es la varianza muestral
de Y.

) 1 /(
) /( ) (
1
) 1 /(
) /(
1
2
÷
÷ ÷
÷ =
÷
÷
÷ =
n STC
k n SEC STC
n STC
k n SRC
R


( )
( )
(
¸
(

¸

÷
÷
|
.
|

\
|
÷ ÷ =
k n
n
STC
SEC
R
1
1 1
2


( )
( )
( )
(
¸
(

¸

÷
÷
÷ ÷ =
k n
n
R R
1
1 1
2 2


Si k=1es decir el modelo sin intersección de la regresión simple
2 2
1
); 0
ˆ
( R R = = |



PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 10 31/01/2008
Si k>1 a medida que aumenta el número de variables explicativas el
2
R aumenta
menos que el R
2
.

En términos generales, la finalidad de un modelo de regresión no es maximizar el R
2
.
Un R
2
elevado no es evidencia en favor del modelo, y un R
2
bajo no es evidencia en su
contra.

Ejemplo: Considerando la información de la tabla 6.4:

EQ01: MI C PIB TAF

MI = 263,6416 – 0,005647PIB – 2,231586TAF
(11,59318) (0,002003) (0,209947)
22,74109 -2,818703 -10,62927

R
2
= 0,707665
2
R

= 0,698081

Incrementos en el PIB y en el TAF ejercen impactos negativos en la MI. Si el PIB se
incrementa en 100usd, manteniendo a la TAF constante, el número de muertes de niños
menores de 5 años se reducirá 5,6 por cada 1000 nacimientos vivos.

Si la TAF sube en un 1% manteniendo al PIB constante, el número de muertes de niños
menores de 5 años disminuirían a 2,23 por cada 1000 nacimientos vivos.

1
|

y
2
|
se conocen como los coeficientes de regresión parcial, veamos como se puede
visualizar.

Eliminemos la influencia que TAF ejerce sobre la mortalidad infantil y el PIB.

EQ02: MI C TAF

MI = 263,8635 – 2,390496TAF
(12,22499) (0,213263)
21,58395 -11,20917

R
2
= 0,669590
2
R

= 0,664261


EQ03: PIB C TAF

PIB = -39,30328 + 28,14268TAF
(734,9526) (12,82111)
-0,053477 2,195027

R
2
= 0,072108
2
R

= 0,057142

Si ahora se hace la regresión de R02 SOBRE R03, que están purificadas de la
influencia de TAF.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 11 31/01/2008

EQ04: R02 R03

R02 = -0,005647R03
(0,001971)
-2,864538

R
2
= 0,115238
2
R

= 0,115238

Que es el regresor del PIB en la regresión multivariada (EQ01). Por otro lado,
eliminando la influencia que el PIB ejerce sobre la MI y TAF.

EQ05: MI C PIB

MI = 157,4244+ 0,011364PIB
(9,845583) (0,003233)
15,98935 -3,515661

R
2
= 0,166217
2
R

= 0,152769


EQ06: TAF C PIB

TAF = 47,59716 + 0,002562PIB
(3,555330) (0,001167)
13,38755 2,195027

R
2
= 0,072108
2
R

= 0,057142


EQ07: R05 R06

R05 = -2,231586 R06
(0,206588)
-10,80212

R
2
= 0,649388
2
R

= 0,649388

Que es el regresor de la TAF en el caso multivariado. Ya que la regresión de R05 sobre
R06 están purificadas de la influencia del PIB.


Fecha: 2007- 09 -18

Sirealizamoselmodeloconvaraiblesestandarizadasconelejercicio7.1,tenemos:

seriesmi1=(mi-@mean(mi))/@stdev(mi)
seriespib1=(pib-@mean(pib))/@stdev(pib)
seriestaf1=(taf-@mean(taf))/@stdev(taf)

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 12 31/01/2008
EQ08:mi1pib1taf1

mi1=-0,0202570pib1–0,76388taf1
(0.071285) (0.071285)
-2.841713 -10.71604

R
2
= 0.707665
2
R = 0.702950

Si TAF permanece constante, un incremento de una desviación estándar del PIB, propicia una
disminución de 0.02026 desviaciones estándar de MI, si PIB permanece constante; un
incremento de una desviación estándar de TAF propicia una disminución de 0.7639
desviaciones estándar de MI.

Volviendo a la regresión original EQ01.

( )
2
2
2
2
2
97807 . 75 63
) 74780 . 41 ( 61
1
) 1 (
) 3 (
1 ÷ =
÷
÷
÷ =
.
Sy n
n
R
o


El numerador viene del S.E. of regresios y el denominador S.D.Dependent var.
Examen con 5 cifras decimales.

707665 . 0
2
= R


2
2
2
2
2
) 97807 . 75 (
) 74780 . 41 (
1 1 ÷ = ÷ =
.
Sy
R
o


698081 . 0
2
= R

( ) ( )
(
¸
(

¸

÷ ÷ =
(
¸
(

¸

÷
÷
÷ ÷ =
61
63
707665 . 0 1 1
) (
) 1 (
1 1
2
2
k n
n
R R

698081 . 0
2
= R
.
“Cobb Douglas, es una relación entre la remuneración del trabajador y la inversión en
activos fijos” La única manera de obtener la elasticidad, es mediante la utilización de las
funciones Cobb Douglas.

Introducción al sesgo de especificación: Control de lectura
Comparación de dos valores de R
2
: Control de lectura, incluyendo el ejemplo 7.2


La función de producción COBB-DOUGLAS:

i
e X AX Y
i i i
µ | |
2 1
2 1
=

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 13 31/01/2008
En donde Y= producto,
1
X = trabajo,
2
X = capital, = µ perturbación estocástica y e=
base del logaritmo natural.

Y
X
X
Y
X
X
Y
Y
E
YX
1
1
1
* /
1
c
c
=
c c
=


1
2 1
1 2
1
1 1
2 1
2 1
|
|
µ | |
µ | |
= =
÷
i
i
e X AX
X e X X A
i i
i i i


Y
X
X
Y
X
X
Y
Y
E
YX
2
2
2
2
*
2
c
c
=
c
c
=
2
2 2 1
2 2 2 1
* *
* *
1 2 1
1 2 1
|
|
| |
| |
= =
÷
÷
i
u
i i
i
u
i i
X e X AX
X e X AX
i
i


i i i i
u X X A Y + + + =
2 2 1 1
ln ln ln ln | |

i i i i
u X X Y + + + =
2 2 1 1 0
ln ln ln | | |

1
| es la elasticidad del producto respecto al insumo trabajo; mide el cambio porcentual
en la producción debido a una variación del 1% en el insumo trabajo, manteniendo el
insumo capital constante.
2
| es la elasticidad del producto respecto al insumo capital,
manteniendo constante al insumo trabajo.
Por otro lado, si (
1
| +
2
| )<1, rendimientos decrecientes; si (
1
| +
2
| )=1, rendimientos
constantes a escala; si (
1
| +
2
| )>1, rendimientos crecientes.

Ejemplo: Consideremos la información de la tabla 7.3.

Y = 4874.204, X
1
= 14.80656,

X
2
=

7335.481


EQ01:LYCLX1LX2

LY=-3.337389+1.498783LX1+0.48975LX2
(2.453107) (0.540596) (0.102193)
-1.360474 2.772465 4.79231

R
2
= 0.888713
2
R = 0.870165

En el sector agrícola taiwanes, manteniendo constante el capital, un aumento del 1% en
el trabajo condujo a un incremento de 1.5% del producto. De igual manera con el
capital. La suma de las elasticidades es 1.9885. lo que ubica a Taiwán en la región de
rendimientos crecientes. “Modelos de regresión polinomial: Control de lectura,
incluyendo los ejemplos 7.4 y 7.5.”

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 14 31/01/2008


FECHA: 2007- 09- 20

Coeficientes de Correlación Parcial

Recordemos que el coeficiente de correlación es una medida del grado de asociación lineal entre dos (2)
variables. En el modelo con tres variables se pueden obtener tres coeficientes de correlación:

-
01
r , entre Y y
1
X (Y es la variable 0 y
1
X la variable1)
-
02
r , entre Y y
2
X (Y es la variable 0 y
2
X la variable2)
-
12
r , entre
1
X y
2
X

Si la definición es grado de definición es de forma binaria tengo tres coeficientes de correlación.

Indicadores que se denominan coeficientes de correlación simple o de orden cero. Los coeficientes de
correlación de orden cero pertenecen a la correlación simple. Los cuales permiten el cálculo de los
coeficientes de correlación de primer orden (u órdenes mayores). Los coeficientes de correlación de
orden cero poseen una utilidad práctica.

| |
| |
| |
2 / 1
2
02
2
01
02 01 12
0 . 12
2 / 1
2
12
2
01
12 01 02
1 . 02
2 / 1
2
12
2
02
12 02 01
2 . 01
) 1 )( 1 (
) 1 )( 1 (
) 1 )( 1 (
r r
r r r
r
r r
r r r
r
r r
r r r
r
÷ ÷
÷
=
÷ ÷
÷
=
÷ ÷
÷
=



2 . 01
r = coeficiente de correlación parcial entre Y y
1
X manteniendo a
2
X constante
1 . 02
r = coeficiente de correlación parcial entre Y y
2
X manteniendo a
1
X constante
0 . 12
r = coeficiente de correlación parcial entre
1
X y
2
X manteniendo a Y constante


Ejemplo.- consideremos la información de la tabla 7.3

| |
| |
| |
187343 . 0
) 817428 . 0 1 )( 675718 . 0 1 (
) 904117 . 0 ( 822020 . 0 486671 . 0
810445 . 0
) 486671 . 0 1 )( 675718 . 0 1 (
) 697618 . 0 ( 822020 . 0 904117 . 0
624858 . 0
) 486671 . 0 1 )( 817428 . 0 1 (
) 697618 . 0 ( 904117 . 0 822020 . 0
2 / 1
0 . 12
2 / 1
1 . 02
2 / 1
2 . 01
=
÷ ÷
÷
=
=
÷ ÷
÷
=
=
÷ ÷
÷
=
r
r
r



En el examen final se debe hace grupo con el software e-views.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 15 31/01/2008



Además, se procede con:

equation eq01.ls ly c lx2

Dependent Variable: LY
Method: Least Squares
Date: 09/20/07 Time: 09:15
Sample: 1958 1972
Included observations: 15


Variable Coefficient Std. Error t-Statistic Prob.


C 3.146467 0.911302 3.452714 0.0043
LX2 0.687405 0.090102 7.629200 0.0000


R-squared 0.817428 Mean dependent var 10.09660
Adjusted R-squared 0.803384 S.D. dependent var 0.207922
S.E. of regression 0.092196 Akaike info criterion -1.806242
Sum squared resid 0.110500 Schwarz criterion -1.711835
Log likelihood 15.54682 F-statistic 58.20470
Durbin-Watson stat 0.539611 Prob(F-statistic) 0.000004



equation eq02.ls lx1 c lx2


Dependent Variable: LX1
Method: Least Squares
Date: 09/20/07 Time: 09:16
Sample: 1958 1972
Included observations: 15


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 16 31/01/2008
Variable Coefficient Std. Error t-Statistic Prob.


C 4.326081 0.379931 11.38648 0.0000
LX2 0.131877 0.037564 3.510685 0.0038


R-squared 0.486671 Mean dependent var 5.659445
Adjusted R-squared 0.447185 S.D. dependent var 0.051697
S.E. of regression 0.038437 Akaike info criterion -3.556011
Sum squared resid 0.019207 Schwarz criterion -3.461604
Log likelihood 28.67008 F-statistic 12.32491
Durbin-Watson stat 0.514764 Prob(F-statistic) 0.003835




Nociones Básicas de Algebra Matricial (Leer el Apéndice B)

Operaciones con vectores:

1. Dado un vector columna u de (m,1) el producto u’u es la suma de cuadrados de los
elementos de u.

Ejemplo: los residuos de MCO.


A la sumatoria de los residuos al cuadrado sacamos la primera derivada e igualamos a
cero.


2. Dado un vector columna u de (m, 1), el producto uu’ es una matriz simétrica de (m,m).

Ejemplo: las perturbaciones estocásticas u.




| |
(
(
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

=
2
2 1
2
2
2 2 1
1 2 1
2
1
2 1
2
1
... * ´
n n n
n
n
n
n
u u u u u
u u u u u
u u u u u
u u u
u
u
u
uu

  







. .
u u´ =
(
¸
(

¸

=
(
(
(
(
(
¸
(

¸

(
¸
(

¸

. . .
.
.
.
. . .
2 2
2
2
1
2
1
2 1 .... n
n
n u u u
u
u
u
u u u 



Propiedades de la transpuesta:

1) (A´ )´=A
2) (A+B)´= A´+B´
3) (AB)´ = B´A´; (ABC)´=C´B´A´
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 17 31/01/2008
4) Si A=A´ es una matriz simétrica.

) , ( ) , ( ) , ( ) , ( ) , ( ) , (
´ * ´ ´* ) * * (
m n n p p q q p P N n m
A B C C B A =

Propiedades de la inversa:

1) ( ) A A =
÷
÷
1
1

2) ( ) ( )
1 1 1
1
1 1
1
;
÷ ÷ ÷
÷
÷ ÷
÷
= = A B C ABC A B AB
3) ( ) )´ ( ´
1 1 ÷ ÷
= A A

4) Si una matriz no tiene inversa, se llama “singular”; el determinante de la matriz es igual a cero
porque sus vectores filas o columnas son linealmente dependientes.

5) Si una matriz tiene inverso, se llama, “no singular”; el determinante de la matriz es diferente
de cero porque sus vectores filas o columnas son linealmente independientes.

Vectores dependientes son los que están en la misma línea de acción.
Vectores independientes cuando utilizan distintas líneas de acción.

6) La inversa es:

) . (
) det(
1
1
A adj
A
A =
÷


Derivación de matrices:

Sea Y =
n n
X a X a X a + + + 
2 2 1 1



(
(
(
(
¸
(

¸

=
n
n
a
a
a
a

2
1
) 1 , (

(
(
(
(
¸
(

¸

=
n
n
X
X
X
X

2
1
) 1 , (


1) Si Y = a X


a
X
Y
=
c
c
´
´
a
X
Y
=
c
c



2) Si Y=X´X

´ 2 ´ ´
´
X X X
X
Y
= + =
c
c


X X X
X
Y
2 = + =
c
c


´
´
X
a
Y
=
c
c
X
a
Y
=
c
c
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 18 31/01/2008
Sea:
|
|
|
|
|
.
|

\
|
|
|
|
|
|
.
|

\
|
=
n mn m m
n
n
n
X
X
X
a a a
a a a
a a a
X X X AX X


  


2
1
2 1
2 22 21
1 12 11
2 1
) ,..., , ( ´


3) Si Y = X´AX A es simétrica : A = A´


A X A X A X A X A X A X AX
X
Y
´ 2 ´ ´ ´ ' ´ ´ )´ ( = + = + = + =
c
c


AX AX AX X A AX A X AX
X
Y
2 ' )' ´ (
´
= + = + = + =
c
c



FECHA: 2007- 09- 25

Enfoque Matricial en el Modelo de Regresión Lineal

Modelo de Regresión de k variables explicativas

La FRP con k variables explicativas:
i ki k i i i
u X X X Y + + + + + = | | | | .........
2 2 1 1 0
que es una expresión abreviada del siguiente
conjunto de n ecuaciones simultaneas:
n kn k n n n
k k
k k
u X X X Y
u X X X Y
u X X X Y
+ + + + + =
+ + + + + =
+ + + + + =
| | | |
| | | |
| | | |
.........
.... .......... .......... .......... .......... .......... .......... ..........
.........
.........
2 2 1 1 0
2 2 22 2 12 1 0 2
1 1 21 2 11 1 0 1


Que en forma matricial
(
(
(
(
¸
(

¸

+
(
(
(
(
¸
(

¸

(
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

n k
kn
Esta matriz representa al sistema de ecuaciones.

Donde k es el número de variables explicativas y (k+1) es el número de regresores.
) 1 , ( ) 1 , 1 )( 1 , ( ) 1 ( n k k n n
u X Y

E


Ejemplo: Con la muestra 1

Si es que yo no incluyo la columna de unidades yo estoy haciendo un modelo que le estoy forzando a que
pase por el origen. Si yo le quito la unidad.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 19 31/01/2008
(
(
(
(
(
(
(
(
(
(
(
(
(
(
¸
(

¸

+
(
¸
(

¸

(
(
(
(
(
(
(
(
(
(
(
(
(
(
¸
(

¸

(
(
(
(
(
(
(
(
(
(
(
(
(
(
¸
(

¸

n
u
u








1
1
0
ˆ
ˆ
260 1
240 1
220 1
200 1
180 1
160 1
140 1
120 1
100 1
80 1
150
155
140
120
115
110
95
90
65
70
|
|

(10,1) (10,2) (2,1) (10,1)

(10,1)

Supuestos del Modelo.

1. El valor esperado del vector de perturbaciones u es cero.
Algebraicamente: 0 ) ( =
i
u E La expectativa de E (
i
u )=
¿ i
u
n
1


Matricialmente: 0 ) ( = u E

| | 0
0
0
0
) (
) (
) (
* ) (
2
1
2
1
=
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

=
(
(
(
¸
(

¸

=
n n
u E
u E
u E
u
u
u
E u E

Nota:
1
u en el primer nivel de ingreso,
2
u en el segundo nivel de ingreso. El promedio
de las perturbaciones estocásticas en todos los niveles de ingreso es igual a cero. Los
promedios están sobre la función de regresión poblacional, si tenemos un promedio
igual a cero, ese punto está sobre la regresión de población.


2. Ausencia de “autocorrelación” entre las perturbaciones y presencia de la homoscedasticidad:


Algebraicamente: 0 ) ; ( ) ; ( = =
j i j i
u u E u u Cov
2 2
) ( ) ( o = =
i i
u E u Var

Matricialmente: I u u E
2
) ' , ( o =


La varianza de las distribuciones de las perturbaciones se define como:

| | | | { } ) ' , ( ) ( ) ( ) (
'
u u E u E u u E u E u Var = ÷ ÷ =
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 20 31/01/2008
| |
I u u E u Var
I
u E u u E u u E
u u E u E u u E
u u E u u E u E
u u u u u
u u u u u
u u u u u
E u u u
u
u
u
E u u E
u u E u Var
n n n
n
n
n n n
n
n
n
n
2
2 2
2
2
2
2
2 1
2
2
2 2 1
1 2 1
2
1
2
2 1
2
2
2 2 1
1 2 1
2
1
2 1
2
1
) ' , ( ) (
1 0 0
0 1 0
0 0 1
0 0
0 0
0 0
) ( ) ( ) (
) ( ) ( ) (
) ( ) ( ) (
) ' , (
) ' , ( ) (
o
o o
o
o
o
= =
=
(
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

=
(
(
(
(
¸
(

¸

=
=

 




 




 




 







Es la matriz de varianza covarianza de las distribuciones de las perturbaciones.

Es la matriz de var-cov de las distribuciones de las perturbaciones
i
u

3. Se establece que la matriz X consta de números fijos.

4. Las columnas de la matriz X son linealmente independientes, es decir no hay multicolinealidad
perfecta. Puede existir multicolinealidad casi perfecta.


Estimación del Modelo:

Los regresores:

La transpuesta de una suma es la suma de las transpuestas.
En matrices, no se aplica el enunciado algebraico sobre el orden de los factores no altera al producto.
Se debe mantener el orden de multiplicaciones.


La función de regresión de la muestra con k variables explicativas:
i ki k i i i
X X X Y µ | | | | ˆ ...
2 2 1 1 0
+ + + + + =
. . . .

. .
+ = µ | X Y
. .
÷ = | µ X Y

Para obtener los regresores:

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 21 31/01/2008
Alg: minimizar
¿
.
2
i
µ
Mat: minimizar
.
.
µ µ
'


|
.
|

\
|
÷
|
.
|

\
|
÷ =
. . .
.
| | µ µ X Y X Y
´
'

|
.
|

\
|
÷
|
|
.
|

\
|
|
.
|

\
|
÷ =
. . .
.
| | µ µ X Y X Y
'
' '

|
.
|

\
|
÷
|
|
.
|

\
|
÷ =
.
.
.
.
| | µ µ X Y X Y
' ' ' '

Nota: el orden es importante, no equivocarse.
|
|
.
|

\
|
+ ÷ ÷ =
.
. .
. .
.
| | | | µ µ X X Y X X Y Y Y
' ' ' ' ' ' '


( )
0 )´ ´ ´
ˆ
(
ˆ
´ ´ )´ ´ (
ˆ
ˆ ´ ˆ
= + + ÷ ÷ =
c
c
X X X X Y X X Y
u u
| |
|


0
ˆ
´
ˆ
´ ´ ´ = + + ÷ ÷ = | | X X X X Y X Y X

0
ˆ
´ 2 ´ 2 = + ÷ | X X Y X

|
ˆ
´ ´ X X Y X =

( ) ( ) ( ) ( ) Y X X X X X X X ´ ´
ˆ
´ ´
1 1 ÷ ÷
= |


( ) ( ) Y X X X I ´ ´
ˆ
1 ÷
= |


( ) ( ) Y X X X ´ ´
ˆ
1 ÷
= |


) ´ )( ´ .(
) ´ det(
1
Y X X X Adj
X X
=
.
|

La Matriz Var (β)

El promedio de todos los |
ˆ
es igual a | .

) ´ ( ) ´ (
1
Y X X X
÷
.
= | u X Y + = |
| | u X X X X X X X u X X X X ´ ) ´ ( ) ´ ( ) ´ ( ´ ) ´ (
1 1 1 ÷ ÷ ÷
.
+ = + = | | |
Identidad
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 22 31/01/2008

u X X X ´ ) ´ (
1 ÷
.
+ = | |
| | u X X X E E u X X X E E ´ ) ´ ( ) ( ´ ) ´ ( ) (
1 1 ÷ ÷
.
+ =
(
¸
(

¸

+ = | | |
) ( ´ ) ´ ( ) (
1
u E X X X E
÷
.
+ = | |
| | =
.
) ( E
¦
)
¦
`
¹
¦
¹
¦
´
¦ '
(
¸
(

¸

÷
(
(
¸
(

¸

÷ =
. . . . .
) ( ) ( ) ( | | | | | E E E Var
¦
)
¦
`
¹
¦
¹
¦
´
¦
'
(
¸
(

¸

÷ +
(
¸
(

¸

÷ + =
÷ ÷
.
| | | | | u X X X u X X X E Var ´ ) ´ ( ´ ) ´ ( ) (
1 1


| || |
'
=
÷ ÷
.
u X X X u X X X E Var ´ ) ´ ( ´ ) ´ ( ) (
1 1
|


( ) ( ) ( ) | | { }
´
1 1
´ ´ ´ ´
ˆ
÷ ÷
= X X X UU X X X E Var |

Nota:

( ) | | ( ) | | ( )
1 1 1
´ ´ ´ ´
÷ ÷ ÷
= = X X X X X X

( ) ( ) ( ) | |
1 1
´ ´ ´ ´
ˆ
÷ ÷
= X X X UU X X X E Var |



( ) ( ) ( ) ( )
1 1
´ ´ ´ ´
ˆ
÷ ÷
= X X X UU E X X X Var |

( ) ( ) ( )
1 2 1
´ ´ ´
ˆ
÷ ÷
= X X X X X X Var o |

( ) ( ) ( )( )
1 1 2
´ ´ ´
ˆ
÷ ÷
= X X X X X X Var o |

( ) ( )
1 2
´
ˆ
÷
= X X Var o |

k n ÷
=
.
.
.
µ µ
o
'
2


Donde n es el número de observaciones y k es el número de regresores, no de variables
explicativas, cambia la dimensión de la k.


O
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 23 31/01/2008
|
|
|
|
|
|
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
|
.
|

\
|
=
|
.
|

\
|
. . . . .
. . . . .
. . . . .
.
k k k
k
k
Var Cov Cov
Cov Var Cov
Cov Cov Var
Var
| | | | |
| | | | |
| | | | |
|
...
...
...
1 0
1 1 1 0
0 1 0 0
  




FECHA: 2007-09-27

Ejemplo: Con la muestra u u ˆ ' ˆ .


(
¸
(

¸

=
32200 1700
1700 10
) ´ ( X X
(
¸
(

¸

=
205500
1110
) ´ ( Y X

Det (X´X)=330000


(
¸
(

¸

÷
÷
=
(
¸
(

¸

÷
÷
=
0000303 . 0 0051515 . 0
0051515 . 0 9757575 . 0
10 700 . 1
700 . 1 322000
330000
1
) ´ ( X X


|
|
.
|

\
|
=
|
|
.
|

\
|
=
|
|
.
|

\
|
|
|
.
|

\
|
÷
÷
=
.
.
.
1
0
508485 . 0
457575 . 24
205500
1110
0000303 . 0 0051515 . 0
0051515 . 0 9757575 . 0
|
|
|

X Y 5085 . 0 457575 . 24 + =

493 . 6 15909 . 42
8
2727 . 337
'
2
= = =
÷
=
.
.
.
.
o
µ µ
o
k n


|
|
.
|

\
|
÷
÷
=
|
|
.
|

\
|
÷
÷
=
|
.
|

\
|
.
001278 . 0 217183 . 0
0217183 . 13705 . 41
0000303 . 0 0051515 . 0
0051515 . 0 9757575 . 0
45909 . 42 var |


Var( )
ˆ
(
o
| =41.13705 ee )
ˆ
(
o
| =6.413817

Var( )
ˆ
(
1
| =0.001278 ee )
ˆ
(
1
| =0.035743

Cov )
ˆ
,
ˆ
(
1 0
| | =0.217183


Propiedades de los residuos:
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 24 31/01/2008

La FRP: u X Y + = |
La FRM:
. .
+ = u X Y |
. .
÷ = | X Y u

. .
= | X Y
.
= | X Y


1.- Los errores estimados son ortogonales (perpendiculares) a las variables explicativas.

0 ) ˆ ( ) ˆ ( = ' = ' X u u X
) ( ) )( (
ˆ
)
ˆ
( ˆ
1
Y X X X X X Y X X X Y X X Y X u X ' ' ' ÷ ' = ' ÷ ' = ÷ ' = '
÷
| |
Y X Y X u X ' ÷ ' = 'ˆ
0 ˆ = 'u X
X X X Y X X Y X X Y X u ' ' ÷ ' = ' ' ÷ ' = ' ÷ = ' | | |
ˆ
)
ˆ
( )
ˆ
( ˆ
( ) | | ( ) ) ( ) ( ˆ
1 1
X X X X X Y X Y X X Y X X X X Y X u ' ' ' ÷ ' = '
'
' ' ÷ ' = '
÷ ÷

0 ˆ = ' ÷ ' = ' X Y X Y X u

SRC SEC STC SEC STC SRC + = ÷ = ÷
* * * *
. 2


ˆ
ˆ
ˆ
ˆ
X Y u Y u + = + = |
( )( ) ˆ
ˆ
´ ˆ ´
ˆ
) ˆ
ˆ
( ) ˆ
ˆ
( Y Y'
'
u Y u Y u Y u Y + + = + + =
u u u u ˆ ' ˆ Y
ˆ
' ˆ ˆ Y
ˆ
Y
ˆ
' Y
ˆ
Y Y'
'
+ + + =

ˆ
uˆ )
ˆ
( uˆ Y'
´ ´ ´
X X | | = = = 0
0
ˆ
uˆ Y uˆ
´ ´
= = | X

u u Y Y Y Y ˆ ˆ
ˆ ˆ
´
´ ´
+ =

3.-SRC = STC – SEC STC = SEC + SRC

u X Y ˆ
ˆ
+ = |
|
ˆ
X Y =

( ) u Y Y u X X Y Y ˆ )
ˆ
( ˆ
ˆ ˆ
+ ÷ = + ÷ = ÷ | |

( ) ( ) ( ) u u Y Y Y Y Y Y Y Y ˆ ˆ
ˆ ˆ
)
ˆ
(
´
´
´
+ ÷ ÷ = ÷ ÷


Para el examen: Al final del apéndice C, existe un ejercicio con tres variables.
In sesgados quiere decir que son simétricos.


4)
* *
SEC STC SEC STC SRC ÷ = ÷ =

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 25 31/01/2008
) )( ( ) )( ( ) ( ) ( ) ( ) (
_
' '
_
' ' '
_
'
_
'
÷ .
.
÷ ÷ . . ÷ .
.
÷ ÷ ÷ ÷ ÷ = ÷ ÷ ÷ ÷ ÷ = Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y µ µ
_
_
'
_
'
_
' '
_
_
'
_
'
_
' ' '
Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y ÷ + + ÷ + ÷ ÷ ==
.
.
.
.
.
.
µ µ

|
.
|

\
|
÷ ÷
|
.
|

\
|
÷ ÷ ÷ =
|
.
|

\
|
÷ ÷
|
|
.
|

\
|
÷ ÷ ÷ =
. . .
.
.
.
.
.
.
.
Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y Y
_
'
_
'
' '
_
'
_
' ' ' ' '
µ µ
.
.
.
.
.
.
÷ ÷ ÷ = µ µ µ µ
_
'
_
' ' ' '
Y Y Y Y Y Y
0
ˆ
ˆ ˆ = ' = ' | X u Y u 0 ˆ ' '
ˆ
ˆ )
ˆ
( ˆ = = ' =
'
u X u X u Y | |
Y Y Y Y u u
ˆ ˆ
ˆ ˆ ' ÷ ' = '

*NOTA: el orden es importante, no cambiarlo.


Propiedades de los estimadores de MCO:


1.- Son lineales con la variable Y:

Por definición: ) ( ) (
ˆ
1
Y X X X ' ' =
÷
|

2.-Son insesgados:

Y X X X ' ' =
÷1
) (
ˆ
| u X Y + = |
u X X X X X X X u X X X X ' ' + ' ' = + ' ' =
÷ ÷ ÷ 1 1 1
) ( ) ( ) ( ) ( ) (
ˆ
| | |
u X X X ' ' + =
÷1
) (
ˆ
| |
( ) | | ( ) ( ) ( ) 0
' ' ' '
= + = + =
|
.
|

\
|
.
µ µ | µ | | E E X X X X X X E E
| | =
|
.
|

\
|
.
E


3.-GAUSS MARKOV.- los estimadores de MCO son eficientes, es decir, tienen varianza
mínima

Supongamos que * | es cualquier otro estimador lineal de | .
| |Y C X X X + =
÷
' ) ' ( *
1
|

Donde C es una matriz de constantes, y recordando que u X Y + = |

| || |
Cu CX u X X X
Cu CX u X X X X X X X
u X C X X X
+ + + =
+ + + =
+ + =
÷
÷ ÷
÷
| | |
| | |
| |
' ) ' ( *
' ) ' ( ' ) ' ( *
' ) ' ( *
1
1 1
1


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 26 31/01/2008
Para que * | sea un estimador insesgado de | debe darse que CX=0 porque:

| |
| | | | | |
Cu u X X X
E
u CE CXE u E X X X E
Cu E CX E u X X X E E E
Cu CX u X X X E E
+ + =
=
+ + + =
+ + + =
+ + + =
÷
÷
÷
÷
' ) ' ( *
*) (
) ( ) ( ) ( ' ) ' ( *) (
' ) ' ( ) ( *) (
' ) ' ( *) (
1
1
1
1
| |
| |
| | |
| | |
| | |


Ahora se analiza la varianza

| || | { }
| | | |
| | | |
| | | |
| |
| |
' )
ˆ
( *) (
' ) ' ( *) (
0 )' ( ' '
' ' ) ' ( ' ' ' ) ' ( ' ) ' ( ' ) ' ( ' *) (
' ) ' ( ' ' ) ' ( ) ' ( ' ) ' ( *) (
' ) ' ( ) ' ( ) ' ( ' ) ' ( ' ) ' ( ) ' ( ) ' ( ' ) ' ( *) (
' ' ) ' ( ' ' ' ' ) ' ( ) ' ( ' ' ) ' ( *) (
' ' ) ' ( ' ' ) ' ( *) (
' ' ) ' ( ' ) ' ( *) (
' ' ) ' ( ' ) ' ( *) (
*) ( * *) ( * *) (
2
2 1 2
2 1 2 1 2 1 1 2
2 1 2 2 1 1 2 1
1 1 1 1
1 1 1 1
1 1
1 1
1 1
'
CC Var Var
CC X X Var
CX C X
CC X X CX C X X X X X X X X X Var
C C X X X C C X X X X X X X X X Var
C uu CE X X X uu CE C uu E X X X X X X uu E X X X Var
C Cuu X X X cuu C uu X X X X X X uu X X X E Var
C u X X X u Cu u X X X E Var
Cu u X X X Cu u X X X E Var
Cu u X X X Cu u X X X E Var
E E E Var
o | |
o o |
o o o o |
o o o o |
|
|
|
|
| | | | |
| | | | |
+ =
+ =
= =
+ + + =
+ + + =
+ + + =
+ + + =
+ + =
+ + =
÷ + + ÷ + + =
÷ ÷ =
÷
÷ ÷ ÷ ÷
÷ ÷ ÷ ÷
÷ ÷ ÷ ÷
÷ ÷ ÷ ÷
÷ ÷
÷ ÷
÷ ÷
)
ˆ
( *) ( | | Var Var >




SEGUNDA PARTE

FECHA: 2007 - 10 - 02


Análisis de regresión múltiple: el problema de la inferencia

Aunque los conceptos desarrollados en los capítulos anteriores pueden ser aplicados al
modelo de regresión múltiple estos modelos poseen características adicionales que le
son únicas.
Se mantiene el supuesto que los
i
µ sigue la distribución normal con media cero y
varianza constante
2
o . Con el supuesto de normalidad, se asegura que
. . .
2 1 0
, , | | |
también están normalmente distribuidos.


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 27 31/01/2008
Pruebas de hipótesis: coeficiente individual de regresión parcial

i ki k i i i
X X X Y µ | | | | + + + + + = ...
2 2 1 1 0


|
.
|

\
|
|
.
|

\
|
÷
=
.
.
i
i i
i
ee
t
|
| |


Lo que se desea probar es la hipótesis de que
i
X , manteniendo el resto de las variables
explicativas constantes no tiene influencia alguna sobre Y:

0 :
1 0
= | H 0 :
1 1
= | H


|
.
|

\
|
=
.
.
i
i
i
ee
t
|
|


Si 2  t : se rechaza
0
H , se acepta
1
H

Si 2  t : no se rechaza
0
H


Prueba de significación global de la regresión:

Examina la significación de todas las pendientes en conjunto, simultáneamente; la
intersección, queda fuera de la prueba.

i ki k i i i
u X X X Y + + + + + = | | | | 
2 2 1 1 0

0 :
2 1 0
= = = =
k
H | | |  0 :
2 1 0
= = = =
k
H | | | 
) (
) 1 (
. . .
. . .
k n
SRC
k
SEC
l de g
SRC
l de g
SEC
F
÷
÷
= =

Donde k= #de regresores

Si F> valor crítico de de la tabal F, se rechaza
0
H y se acepta
1
H .
Si F< valor crítico de de la tabal F se acepta
0
H .

En otras palabras, la prueba F mide si Y está relacionada o no linealmente con
1
X y
2
X
simultáneamente. El valor P, tiene el mismo significado que en el caso de la t de
Student.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 28 31/01/2008

) 1 ( 1
) (
) 1 )( (
) (
) 1 (
) (
÷
|
.
|

\
|
÷
÷
=
÷ ÷
÷
=
÷
÷
=
k
STC
SEC
k n
STC
SEC
k SEC STC
k n SEC
k SRC
k n SEC
F
) (
) 1 (
) 1 (
2
2
k n
R
k
R
F
÷
÷
÷
=


La F tiene relación con el
2
R , de donde se deduce que la prueba F también mide la
significación de
2
R ; en consecuencia:

0 :
2
0
= R H 0 :
2
1
= R H

Si 0
2
= R F=0
Si
2
R = 1 F=·

Cuanto mayor sea el
2
R , mayor será el valor de la F. Lo anterior saca a relucir una
importante observación empírica respecto a los datos transversales, donde por lo general
se obtiene un
2
R bajo; si pasa la prueba F no se debe preocupar.

En una regresión con series de tiempo por lo general se tiene un
2
R alto, ahí viene la
importancia de esta prueba, si se hace la prueba F y si no pasa (por lo geneal no suele
pasar por el problema de la auto correlación).
En los cortes transversales, por lo general el
2
R es bajo, si pasa la prueba F el
2
R está
bien.


La contribución “incremental” de una var. Explic.

En la mayoría de las investigaciones empíricas, el investigador no puede estar seguro si
se justifica agregar una variable X al modelo. Lo que se desea es saber si al añadir una
variable al modelo se aumenta la SEC (y por tanto
2
R ) significativamente en relación
con la SRC; es lo que se denomina la contribución incremental tal de una var.explic.

) (
) (
k n
SRC
m
SEC SEC
F
n
V n
÷
÷
=

Donde m= #de nuevas variables y (n-k)= g. de l. del nuevo modelo.


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 29 31/01/2008
( )
) ( k n
STC
SEC STC
m
STC
SEC
STC
SEC
F
n
v n
÷
÷
|
|
.
|

\
|
÷
=

F=
) (
) 1 (
) (
2
2 2
k n
R
m
R R
n
v n
÷
÷
÷


Ejemplo: consideremos el caso de la M.I

MI= 263.8635 – 2.390496(TAF)
(12.22499) (0.213263)
20.58395 -11.20917

2
R = 0.669590 F=125.6455

MI= 157.4244 – 0.011364(PIB)
(9.845583) (0.003233)
15.98935 -3.515661

2
R =0.166217 F=12.35987

MI= 263.6416 – 0.005647(PIB) – 2.231586(TAF)
(11.59318) (0.002003) (0.209947)
22.74109 -2.818703 -10.62927

2
R =0.707665

61
) 707665498 . 0 1 (
2
707665498 . 0
÷
= F =73.83254


El valor crítico de la F al 95% con 2 y 6.1 g. de l. es 3,15; se aceptan
1
H .
La contribución incremental de TAF es:
61
) 707665498 . 0 1 (
) 166216985 . 0 707665498 . 0 (
÷
÷
= F
Que es justamente: 9814 . 112 ) 62927 . 10 (
2
=
La contribución del PIB es:

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 30 31/01/2008
61
) 707665498 . 0 1 (
1
) 669589717 . 0 707665498 . 0 (
÷
÷
= F

Que es justamente: 9451 . 7 ) 818703 . 2 (
2
=
En ambos casos, el valor crítico de la F al 95% con 61 g. de l. es 4,00; el aumento de la
nueva variable es significativo.



FECHA: 2007-10-09

Pruebas de igualdad de los coeficientes

i i i i i
u X X X Y + + + + =
3 3 2 2 1 1 0
| | | |

3 2 0
: | | = H ( ) 0
3 2
= ÷ | |

3 2 1
: | | = H ( ) 0
3 2
= ÷ | |

Por ejemplo si Y= cantidad demandada de un bien,
1
X =precio del bien;
2
X =ingreso
del consumidor y
3
X =riqueza del consumidor; la
0
H significa que los coeficientes de
ingreso y riqueza son los mismos.
Si Y y los X' s están expresadas en forma logarítmica, la
0
H implicaría que las
elasticidades son iguales.

Para probar la
0
H , recordemos que:

( ) 2
1
(
¸
(

¸

|
.
|

\
|
|
.
|

\
|
÷
=
|
.
|

\
|
÷
=
.
. .
i
i i
i
i i
i
Var
ee
t
|
| |
|
| |


( )
2
1
3 2
3 2
2
1
3 2
3 2 3 2
(
¸
(

¸

|
.
|

\
|
÷
|
.
|

\
|
÷
=
(
¸
(

¸

|
.
|

\
|
÷
÷ ÷
|
.
|

\
|
÷
=
. .
. .
. .
. .
| |
| |
| |
| | | |
Var Var
t


|
.
|

\
|
÷
. .
3 2
| | Var =
|
.
|

\
|
.
2
| Var +
|
.
|

\
|
.
3
| Var -2cov
|
.
|

\
|
. .
3 2
, | |


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 31 31/01/2008
Si : 2  t se rechaza
0
H , se acepta
1
H

Se : 2  t no se rechaza
0
H


Ejemplo: consideremos la información de la tabla 7.4:

P = Producción, CT= Costo Total

P2 =
3 ^ 2
3 ^ P P P =

CT = 141.7667 + 63.47766(P) – 12.96154(
2
P ) + 0.939588(
3
P )

(6.375322) (4.778607) (0.985665) (0.059106)

22.23678 13.28372 -13.15005 15.89677

998339 . 0
2
= R

“A medida que aumentan los regresores el
2
R tiene a 1”

( )
( ) | |
5 . 0
057642 . 0 2 003493 . 0 971535 . 0
939588 . 0 96154 . 12
÷ ÷ +
÷ ÷
= t

t = -12.81082

Se rechaza
0
H , se acepta
1
H : son diferentes


Dependent Variable: CT
Method: Least Squares
Date: 10/08/07 Time: 07:54
Sample: 1 10
Included observations: 10


Variable Coefficient Std. Error t-Statistic Prob.


C 141.7667 6.375322 22.23678 0.0000
P 63.47766 4.778607 13.28372 0.0000
P2 -12.96154 0.985665 -13.15005 0.0000
P3 0.939588 0.059106 15.89677 0.0000


R-squared 0.998339 Mean dependent var 276.1000
Adjusted R-squared 0.997509 S.D. dependent var 65.81363
S.E. of regression 3.284911 Akaike info criterion 5.505730
Sum squared resid 64.74382 Schwarz criterion 5.626764
Log likelihood -23.52865 F-statistic 1202.220
Durbin-Watson stat 2.700212 Prob(F-statistic) 0.000000

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 32 31/01/2008

Prueba sobre restricciones lineales

i
e X AX Y
i i i
µ | |
2 1
2 1
=

i i i i
X X A Y µ | | + + + =
2 2 1 1
ln ln ln ln
i i i i
X X Y µ | | | + + + =
2 2 1 1 0
ln ln ln No Restringida.

Y= producción capital X trabajo X = =
2 1


Si existe rendimientos constates a escala

( ) 1
2 1
= + | |

El método de la prueba t:

Se estima la regresión con MCO, lo que se llama “regresión no restringida” y se realiza
la siguiente prueba de hipótesis:

1 :
2 1 0
= + | | H 1 :
2 1 1
= + | | H

( )
2
1
2 1
2 1
2
1
2 1
2 1 2 1
1
(
¸
(

¸

|
.
|

\
|
+
÷
|
.
|

\
|
+
=
(
¸
(

¸

|
.
|

\
|
+
+ ÷
|
.
|

\
|
+
=
. .
. .
. .
. .
| |
| |
| |
| | | |
Var Var
t

|
.
|

\
|
+
|
.
|

\
|
+
|
.
|

\
|
=
|
.
|

\
|
+
. . . . . .
2 1 2 1 2 1
, cov 2 | | | | | | Var Var Var
Si 2 > t : se rechaza la
0
H , se acepta
1
H
Si 2 < t : no se rechaza
0
H .


El método de la prueba f:

La idea es incorporar la restricción en la estimación de la regresión original:

2 1
1 | | ÷ =
1 2
1 | | ÷ =

i 2i 2 1i 2 0
u X ln )lnX 1 ( ln + + ÷ + = | | |
i
Y

i 1i 2i 2 1i 0
u ) X ln lnX ( lnX ln + ÷ + + = | |
i
Y Restringida

i 1i 2i 2 0 1i
u ) X ln lnX ( ) lnX (ln + ÷ + = ÷ | |
i
Y

i 1i 2i 2 0 1i
u ) X / X ( ln ) /X ln( + + = | |
i
Y
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 33 31/01/2008

Donde, ) /X (
1i i
Y es la razón producto/trabajo, que son indicadores económicos
importantes. Una vez que se estima
2
| ,
1
| es de fácil acceso.
Este procedimiento es conocido como “mínimos cuadrados restringidos” y tiene la
cualidad de asegurar que la suma de las elasticidades es igual a 1.


La suma total de cuadrados no tienes nada que ver con las variables explicativas.


( )
( ) k n
SRC
m
SRC SRC
F
NR
NR R
÷
÷
=

( ) ( ) | |
( ) ( ) k n SEC STC
m SEC STC SEC STC
F
NR
NR R
÷ ÷
÷ ÷ ÷
=
/
/


( )
( ) ( ) k n SEC STC
m SEC STC SEC STC
F
NR
NR R
÷ ÷
+ ÷ ÷
=
/
/


( )
( ) ( ) k n SEC STC
m SEC SEC
F
NR
R NR
÷ ÷
÷
=
/
/


( ) k n
STC
SEC
m
STC
SEC
STC
SEC
F
NR
R NR
÷
|
|
.
|

\
|
÷
|
|
.
|

\
|
÷
=
/ 1
/


( )
( ) ( ) k n R
m R R
F
NR
R NR
÷ ÷
÷
=
/ 1
/
2
2 2



Donde
2 2
R R
NR
= de la regresión no restringido.
2 2
R R
R
= de la regresión restringida
m=k de restricciones lineales
(n-k)= g de l de la regresión no restringida
Si F> valor crítico de la F, se rechaza
0
H , se acepta
1
H
Si F< valor crítico de la F, se acepto
0
H (se confirma que la sumatoria de las 2
elasticidades es igual a 1)



PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 34 31/01/2008

FECHA: 2007-10-16

Consideremos la información de la tabla 8.8:

P= Producto interno bruto, T= trabajo, K= capital

LP = -1.652419 + 0.339732 (LT) + 0.845997 (LK)
(0.606198) (0.185692) (0.093352)
-2.725873 1.829548 9.062488


R
2
= 0.995080 SRC = 0.013604

2 / 1
)] 017034 . 0 ( 2 008715 . 0 034481 . 0 [
1 ) 845997 . 0 339732 . 0 (
÷ + +
÷ +
= t


t = 1.943981


equation eq01.ls lp c lt lk

Dependent Variable: LP
Method: Least Squares
Date: 10/15/07 Time: 07:26
Sample: 1955 1974
Included observations: 20


Variable Coefficient Std. Error t-Statistic Prob.


C -1.652419 0.606198 -2.725873 0.0144
LT 0.339732 0.185692 1.829548 0.0849
LK 0.845997 0.093352 9.062488 0.0000


R-squared 0.995080 Mean dependent var 12.22605
Adjusted R-squared 0.994501 S.D. dependent var 0.381497
S.E. of regression 0.028289 Akaike info criterion -4.155221
Sum squared resid 0.013604 Schwarz criterion -4.005861
Log likelihood 44.55221 F-statistic 1719.231
Durbin-Watson stat 0.425667 Prob(F-statistic) 0.000000




Lo que quiere decir que no se rechaza la Ho; es decir, estadísticamente la suma de las
dos elasticidades es 1. Existen rendimientos constantes a escala.

i
u K T + + + = ln ln lnP
2 1 0
| | |

i
u K T + + ÷ + = ln ln ) 1 ( lnP
2 2 0
| | |
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 35 31/01/2008

Nota= Mas adelante se revisará la prueba F, en ella hay un rango de tres a cinco, en
caso de tener se tiene una gran número de observaciones caso contrario si es cercana a
cinco hay número pequeño de observaciones.

i o
u T K T P + ÷ + + = ) ln (ln ln ln
2
| |

i o
u T K T P + ÷ + = ÷ ) ln (ln ) ln (ln
2
| |

i
u T K T P + + = ) / ln( ) / ln(
2 0
| |

LPT=log(P/T) LKT=log(K/T)

LPT=-0.494718+1.015301(LKT)
(0.121816) (0.036124)
-4.061175 28.10564
977721 . 0
2
= R SRC=0.016629

equation eq02.ls LPT C LKT

Dependent Variable: LPT
Method: Least Squares
Date: 10/16/07 Time: 09:27
Sample: 1955 1974
Included observations: 20


Variable Coefficient Std. Error t-Statistic Prob.


C -0.494718 0.121816 -4.061175 0.0007
LKT 1.015301 0.036124 28.10564 0.0000


R-squared 0.977721 Mean dependent var 2.923680
Adjusted R-squared 0.976483 S.D. dependent var 0.198200
S.E. of regression 0.030395 Akaike info criterion -4.054470
Sum squared resid 0.016629 Schwarz criterion -3.954897
Log likelihood 42.54470 F-statistic 789.9271
Durbin-Watson stat 0.306521 Prob(F-statistic) 0.000000




Para la prueba F no podemos utilizar la relación que involucra al
2
R porque la variable
dependiente de la regresión no restringida es diferente a la de la restringida; por tanto,
usamos la que involucra a las SRC.

( )
780138 . 3
17 / 013604 . 0
1 / 013604 . 0 016629 . 0
=
÷
= F

El valor critico de la F con 1 g. de l en el numerador y 17 grados de libertad en el
denominador es 4.45 al 96% de confianza. 5 pocas observaciones 3 muchas
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 36 31/01/2008
observaciones. En consecuencia, se acepta
0
H , estadísticamente la suma de las dos
elasticidades es 1, existen rendimientos constantes a escala.

Prueba F global: control de lectura

Econometría de series de tiempo: algunas ideas básicas


El Problema:

1) El trabajo empírico como series de tiempo supone que éstas son estacionarias; de no
ser el caso, las pruebas de hipótesis es una regresión

Notas Extra:

Estacionalidad= es un fenómeno que se encuentra persistentemente en fenómenos de cada año, por ejemplo
las ventas en febrero, mayo y las fechas de entrega de obsequios.

No se debe confundir estacionalidad con estacionariedad.

En el trabajo para la tercera nota debemos revisar más de tres años de información. El año 2000 es el año de
transición la información estadística no sirve para nada. Desde el 2002 a la fecha se debe tomar en cuenta.
El tercer parcial se debe hacer aplicaciones desde el tema del problema. La primera hora de clase del 2008
debe ser entregado el trabajo. Se debe buscar información mensual de una empresa.

2) La autocorrelación se origina debido a que las series de tiempo involucradas son no
estacionarias.

3) En las regresiones con series de tiempo con frecuencia se obtiene un R
2
muy
elevado, superior a 0.9, aunque no haya una relación significativa entre ellas.
Situación que se conoce como el problema de la regresión espuria.

4) Los modelos de regresión con series de tiempo se utilizan para pronósticos; por
tanto se desea saber si tal predicción es válida, cunado dichas series son no
estacionarias.


Producto Interno Bruto (PIB) = 630.0349
Ingreso Personal Disponible (IPD) = 477.3675
Gasto Consumo Personal (GCP) = 463.1134
Ganancias Corporativas después de impuestos (GCP) = 463.1134
Dividendos Corporativos Netos ( DIV) = 38.36447


En los exámenes se debe hacer ejercicios del GAN y el DIV.


FECHA: 2007-10-23

Procesos Estocásticos


Un proceso estocástico es una colección de variables aleatorias ordenadas en el tiempo.
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 37 31/01/2008

Si Y es una variable aleatoria continua se denota como
) (t
Y ; ejemplo, un
electrocardiograma. Si Y es una variable aleatoria discreta, se denota como
t
Y ; ejemplo
el PIB. Si Y representa al PIB, entonces se tiene
88 87 3 2 1
, ........ , , Y Y Y Y Y ; cada una de estas
Y es una variable aleatoria.

El PIB o cualquiera de las variables macroeconómicas, es un proceso estocástico porque
cada valor de cada trimestre es la realización particular de una infinidad de
posibilidades económicas y políticas.

La distinción entre un proceso estocástico y su realización es semejante a la diferencia
entre población y muestra en datos transversales. Si en datos transversales, la muestra
sirve para inferir en la población, de la misma forma, en las series de tiempo se emplea
la realización para inferir respecto al proceso estocástico subyacente.


Proceso Estocástico Estacionario


Se dice que un proceso estocástico es estacionario si su media, su varianza y su
autocovarianza (en los diferentes rezagos) permanecen iguales sin importar el momento
en el cual se midan; caso contrario el proceso estocástico es no estacionario.

Vamos a usar las imperfecciones de las series estacionarias para armar los modelos,
posteriormente. La media y la varianza oscilan entren valores.


Covarianza = correlación. Autocovarianza = autocorrelación.

Sea
t
Y una serie de tiempo estocástica:

Media: | | u Y E
t
=
) (


Varianza: | | ( )
2 2
) ( ) (
o = ÷ = u Y E Y Var
t t


Autocovarianza: ( )( ) | | u Y u Y E
k t t k
÷ ÷ =
+ ) (
¸ Si k = 0,
2
0
o ¸ =

La autocovarianza es el producto de dos desviaciones con respecto a la media.


Donde
k
¸ , es la autocovarianza al rezago k, y es la covarianza entre los valores de
t
Y y
k t
Y
+
; es decir, entre dos valores Y que están separados k periodos.

El problema de las series de tiempo no estacionarias es que solo se puede estudiar su
comportamiento durante ese periodo particular y no se puede generalizar para los otros
periodos. Para propósitos de pronósticos, las series de tiempo no estacionarias tendrán
un valor práctico insignificante.
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 38 31/01/2008


Un proceso puramente aleatorio o “ruido blanco” es aquel que tiene una media igual a
cero, una varianza constante
2
o y no está autocorrelacionada. Si el término de error
t
u
del modelo de una regresión lineal es ruido blanco, se dice que dicha regresión no
adolece de autocorrelación y está correctamente estimada.



Trabajo:


1.-Antecedentes, descripción de la variable macroeconómica, parte de que es.
Explicación de la variable (al menos dos páginas). En el caso de ser una
empresa se debe poner en contexto el marco de la empresa visión, misión,
objetivos, entre otras.


2.- Marco teórico, todas las fórmulas.


3.-Marco empírico. No se escribe las fórmulas. Cuadros y gráficos analizados.
La explicación (muy importante).



4.- Conclusiones. Comparación entre septiembre, octubre, noviembre
comparación con el campo real. Diciembre, octubre y febrero proscripción.


Revisar capítulo 21 y 22 para la realización del trabajo.


Notas:

- Para le prueba hay un entrelazamiento entre el e-views y el Excel.

- Es mejor obtener la primera y segunda diferencia en el software Excel.

- Una serie no estacionaria es una serie que aumenta paulatinamente o que
disminuye paulatinamente.

- Si una serie va disminuyendo también es no estacionario.






PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 39 31/01/2008
Ejemplo de una serie no estacionaria:



La serie no estacionaria está plagada de autocorrelación.






2800
3200
3600
4000
4400
4800
5200
70 72 74 76 78 80 82 84 86 88 90
PIB
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 40 31/01/2008
Ejemplo de una serie estacionaria:


No hay gran oscilación de la media de los valores.

Otra serie más estacionaria:



-120
-80
-40
0
40
80
120
70 72 74 76 78 80 82 84 86 88 90
D1PIB
-120
-80
-40
0
40
80
120
70 72 74 76 78 80 82 84 86 88 90
D2PIB
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 41 31/01/2008
Media
70Q1-74Q4 75Q1-79Q4 80Q1-84Q4 85Q1-89Q4

PIB 3091,78 3527,21 3886,98 4555,94
D1PIB 18,61 29,41 18,98 32,27
D2PIB -0,01 0,99 1,04 -0,68


Varianza

PIB 161,24 219,46 152,23 211,8
D1PIB 32,75 36,95 50,03 17,53
D2PIB 43,99 47,52 55,03 24,1



FECHA: 2007-10-25

Pruebas de Estacionariedad:

Prueba Gráfica:

El primer paso para analizar una serie de tiempo, es el gráfico, lo cual, proporciona una
clave inicial sobre naturaleza de esa serie.


Función de autocorrelación y correlograma:

Una prueba sencilla de estacionariedad está la basada en la “función de de
autocorrelación muestral”.

La ACF muestral al rezago K es:


ianza
arianza auto
Y Y
Y Y Y Y
t
k t t
k
k
var
cov
) (
) )( (
ˆ
ˆ
ˆ
2
0
=
÷
÷ ÷
= =
¿
¿ +
¸
¸
µ


Donde
k
µˆ = coeficiente de autocoerrelación
k
¸ˆ = autocovarianza y
0
ˆ ¸ = varianza y Y =
media muestral.

PAC= Promedios móviles.

Ejemplo:

En el correlograma del PIB está plagada de barras grises es decir de autocorrelación.
Los d1 y d2 PIB, no existe correlación. La primera es no estacionaria, mientras la
segunda y tercera son estacionarias.
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 42 31/01/2008



Si se grafica
k
.
µ frente a k se obtiene el correlograma muestral.
La elección del número de rezagos es totalmente empírica, una buena costumbre es
escoger un valor entre el tercio o cuarto de la longitud de la serie de tiempo. En nuestro
ejemplo, escogemos 25 que se encuentra entre 22 y 29.
La significación estadística de cualquier
k
.
µ puede juzgarse mediante su error
estándar.Según Barlet los coeficientes de autocorrelación muestrales son
aproximadamente.

)
1
, 0 (
N
N
k
q µ
.



Donde u es el tamaño de la muestra; al 95% del nivel de confianza.

2
1
2
1
)
1
( 96 . 1 )
1
( 96 . 1
n n
k
< < ÷
.
µ

2
1
2
1
)
88
1
( 96 . 1 )
88
1
( 96 . 1 < < ÷
.
k
µ

209 . 0 209 . 0 < < ÷
.
k
µ

0 :
0
=
.
k
H µ 0 :
1
=
.
k
H µ

Si
k
.
µ esta dentro del intervalo se acepta
0
H ; no hay autocorrelación. Si
k
.
µ está fuera
del intervalo se acepta la
1
H ; hay autocorrelación.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 43 31/01/2008
( ) ( )
2
1
2
1
87
1
96 . 1
87
1
96 . 1 < < ÷
.
k
µ

210 . 0 210 . 0 < < ÷
.
k
µ

( ) ( )
2
1
2
1
86
1
96 . 1
86
1
96 . 1 < < ÷
.
k
µ

211 . 0 211 . 0 < < ÷
.
k
µ


El coeficiente de Bartlett es la diferencia entre la línea central y la línea segmentada. Si
la franja no cruza la línea entrecortada no hay autocorrelación. En la primera diferencia
el coeficiente varia por que no disminuye en 1.


En la segunda diferencia se pierden dos observaciones y por eso varia de nuevo el
coeficiente de Bartlett.



FECHA: 2007- 10 - 30

Análisis de LJUN-BOX

Si se desea probar la hipótesis conjunta de que todos los
k
µˆ son simultáneamente
iguales a cero, se recurre al estadígrafo LJUN-BOX:

¿
=
|
|
.
|

\
|
÷
+ =
m
k
k
LB
k n
n n Q
1
2
ˆ
) 2 (
µ


Donde n es el tamaño de la muestra y m es la longitud del rezago.
LB
Q es
aproximadamente una distribución
2
_ con g de l.

H0: todos los 0 =
k
µ H1: todos los 0 =
k
µ

Si
LB
Q > valor crítico de la tabla
2
_ , se acepta H1, la serie es no estacionaria.

Si
LB
Q < valor crítico de la tabla
2
_ , se acepta H0, la serie es estacionaria.

- El PAC mide los promedios móviles
.
- El q stat es el Ljun Box.

-Mientras se disminuye el valor deL Ljung Box sube el valor probabilístico de
igual forma que con la F.
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 44 31/01/2008


6114 . 14
2
% 95 , 25
= _

LB
Q


LB
Q

PIB

891.25 No estacionaria IPD 940.50 No estacionaria
D(PIB)

38.406 No estacionaria 1era IPD 28.130 No estacionaria
D
(PIB,2)

54.861 No estacionaria 2da IPD 65.266 No estacionaria

La diferencia entre 38.406 y 14.6114 es reducida. Por lo que podemos tener la idea de
que tiene niveles de estacionariedad.

En software e - views se visualiza de la siguiente manera en el caso del PIB:








Prueba de Raíz Unitaria


Dickey-Fuller desarrollaron la prueba de raíz unitaria; el punto de inicio es el proceso
estocástico de raíz unitaria.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 45 31/01/2008
t t t
u Y Y + =
÷1
µ





Si 1 = µ se dice que
t
Y tiene problema de raíz unitaria, y por tanto la serie es no
estacionaria. Sin embargo, para concluir que 1 = µ , el estadígrafo t no tiene una
distribución normal asintótico; por tanto, Mac-Kimmer construyó el estadígrafo Tau
) (¸ a cuyos valores hay que referirse.

H0: 1 = µ H1: todos los 1 < µ

Si t t > crítico, se acepta Ho; hay problemas de raíz unitaria y la serie es no
estacionaria. Pero si hay la sospecha de que la serie es estacionaria, se sigue la prueba
usual de la t de Student.


EQ01 PIB PIB (-1) no estacionara RPIB = PIB (-1)
EQ02 D (PIB) D (PIB (-1)) estacionara R1PIB = D (PIB (-1))
EQ03 D (PIB,2) D(PIB(-1),2) estacionara R2PIB = D (PIB(-1),2)
EQ04 IPD IDP (-1) no estacionaria
EQ05 D (IPD) D (IDP (-1)) estacionaria
EQ06 D (IPD, 2) D (IDP (-1),2) estacionaria


FECHA: 2007-10-31

Por razones teóricas, Dickey y Fuller dan un paso adelante, se resta
1 ÷ t
Y , en ambos lados
de la ecuación anterior.

t t t
u Y Y + =
÷1
µ

t t t t t
u Y Y Y Y + ÷ = ÷
÷ ÷ ÷ 1 1 1
) ( µ

t t t
u Y Y + = A
÷1
o 1 ÷ = µ o

m=1
45° Yt-1
Yt
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 46 31/01/2008
0 : = o Ho 0 :
1
< o H

Si t > t crítico, se acepta la 0 : = o Ho , 1 = µ hay problemas de raíz unitaria y la
serie es no estacionaria. Pero si se sospecha de que la serie es estacionaria se sigue la
prueba de la t student.


Hacer Gráficos

PIB RPIB
D1PIB R1PIB
D2PIB R2PIB

Si se le obliga a pasar por el origen los mínimos cuadrados no se cumplen.
Esa la razón para que la prueba de hipótesis este distorsionada.
Se deben considerara los procesos no estocásticos que se debe incluir en el
marco teórico de la investigación.

En el ejemplo:


Analizando el PIB:

d(pib) pib(-1) no estacionaria

equation eq01.ls d(pib) pib(-1)


Dependent Variable: D(PIB)
Method: Least Squares
Date: 10/31/07 Time: 09:03
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


PIB(-1) 0.005765 0.000994 5.798077 0.0000


R-squared -0.015192 Mean dependent var 22.93333
Adjusted R-squared -0.015192 S.D. dependent var 35.93448
S.E. of regression 36.20640 Akaike info criterion 10.02778
Sum squared resid 112737.7 Schwarz criterion 10.05612
Log likelihood -435.2083 Durbin-Watson stat 1.340574





Vamos ahora a revisar la estacionariedad de la primera diferencia:

d(pib,2) d(pib(-1)) Por lo tanto es estacionaria. Asi que -5.181149 es estadísticamente
significativo, es decir verdadero y representa a la T student. No hay necesidad de irse al Unit
Root Test.
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 47 31/01/2008

equation eq02.ls d(pib,2) d(pib(-1))

Dependent Variable: D(PIB,2)
Method: Least Squares
Date: 10/31/07 Time: 09:13
Sample (adjusted): 1970Q3 1991Q4
Included observations: 86 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


D(PIB(-1)) -0.479621 0.092570 -5.181149 0.0000


R-squared 0.239996 Mean dependent var 0.206977
Adjusted R-squared 0.239996 S.D. dependent var 42.04441
S.E. of regression 36.65355 Akaike info criterion 10.05246
Sum squared resid 114196.1 Schwarz criterion 10.08100
Log likelihood -431.2557 Durbin-Watson stat 2.192062




Existe la sospecha de estacionariedad.


Ahora a revisaremos la estacionariedad de la tercera diferencia:

equation eq03.ls d(pib,3) d(pib(-1),2)

Como el estadígrafo no es cero tenemos una t de Student.

Dependent Variable: D(PIB,3)
Method: Least Squares
Date: 10/31/07 Time: 09:20
Sample (adjusted): 1970Q4 1991Q4
Included observations: 85 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


D(PIB(-1),2) -1.396111 0.099348 -14.05278 0.0000


R-squared 0.701542 Mean dependent var -0.770588
Adjusted R-squared 0.701542 S.D. dependent var 70.42644
S.E. of regression 38.47489 Akaike info criterion 10.14958
Sum squared resid 124346.7 Schwarz criterion 10.17832
Log likelihood -430.3573 Durbin-Watson stat 2.113405




Con respecto al IPD:

equation eq04.ls d(IPD,2) IPD(-1) es no estacionaria.


Dependent Variable: D(IPD)
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 48 31/01/2008
Method: Least Squares
Date: 10/31/07 Time: 09:26
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


IPD(-1) 0.006115 0.001072 5.705903 0.0000


R-squared -0.026675 Mean dependent var 17.89540
Adjusted R-squared -0.026675 S.D. dependent var 27.92843
S.E. of regression 28.29847 Akaike info criterion 9.534920
Sum squared resid 68869.09 Schwarz criterion 9.563264
Log likelihood -413.7690 Durbin-Watson stat 2.054157




Es no estacionaria. El delta es cero, por lo tanto es t .

Analizando con los calores críticos de MacKinnon. Advertimos que los valores críticos
dependen de los valores de confianza.


Con el UNIT ROOT TEST

Null Hypothesis: IPD has a unit root
Exogenous: None
Lag Length: 0 (Fixed)


t-Statistic Prob.*


Augmented Dickey-Fuller test statistic 5.705903 1.0000
Test critical values: 1% level -2.591813
5% level -1.944574
10% level -1.614315


*MacKinnon (1996) one-sided p-values.



Con respecto al IPD2

equation eq05.ls d(IPD,2) D(IPD(-1)) es estacionaria.


Dependent Variable: D(IPD,2)
Method: Least Squares
Date: 10/31/07 Time: 09:31
Sample (adjusted): 1970Q3 1991Q4
Included observations: 86 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 49 31/01/2008
D(IPD(-1)) -0.745190 0.104404 -7.137588 0.0000


R-squared 0.374723 Mean dependent var -0.254651
Adjusted R-squared 0.374723 S.D. dependent var 40.66999
S.E. of regression 32.15957 Akaike info criterion 9.790857
Sum squared resid 87910.24 Schwarz criterion 9.819396
Log likelihood -420.0069 Durbin-Watson stat 2.112660





Con respecto al IPD3

equation eq06.ls d(IPD,2) D(IPD(-1)) es estacionaria


Dependent Variable: D(IPD,3)
Method: Least Squares
Date: 10/31/07 Time: 09:33
Sample (adjusted): 1970Q4 1991Q4
Included observations: 85 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


D(IPD(-1),2) -1.502741 0.094321 -15.93217 0.0000


R-squared 0.751357 Mean dependent var 0.110588
Adjusted R-squared 0.751357 S.D. dependent var 70.92066
S.E. of regression 35.36399 Akaike info criterion 9.980960
Sum squared resid 105051.4 Schwarz criterion 10.00970
Log likelihood -423.1908 Durbin-Watson stat 2.437722




Por razones de inconsistencia en las dos pruebas de hipótesis anteriores
Dickey y Fuller introducen dos cambios:

1.-Inclusión de la intersección:


t t t
u Y Y + + = A
÷1 1
o |

2.- El acerca de la tendencia:

t t t
u Y T Y + + + = A
÷1 2 1
o | |

Y para ambos casos:

1 , 0 : = = µ o Ho 0 : < o Ho ; 1 < µ

Si t > t crítico, se acepta la
1
H , no hay problemas de raíz unitaria y la serie es
estacionaria.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 50 31/01/2008
Si t < t crítico, se acepta la
0
H , hay problemas de raíz unitaria y la serie es no
estacionaria.

Siguiendo con el ejemplo:

- equation eq07.ls d(pib) c pib(-1) se acepta la hipótesis nula, es decir la serie es no
estacionara.


Dependent Variable: D(PIB)
Method: Least Squares
Date: 10/31/07 Time: 09:47
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C 28.20542 24.36532 1.157605 0.2503
PIB(-1) -0.001368 0.006242 -0.219165 0.8270


R-squared 0.000565 Mean dependent var 22.93333
Adjusted R-squared -0.011193 S.D. dependent var 35.93448
S.E. of regression 36.13503 Akaike info criterion 10.03512
Sum squared resid 110987.9 Schwarz criterion 10.09181
Log likelihood -434.5278 F-statistic 0.048033
Durbin-Watson stat 1.351998 Prob(F-statistic) 0.827047






Null Hypothesis: PIB has a unit root
Exogenous: Constant
Lag Length: 0 (Fixed)


t-Statistic Prob.*


Augmented Dickey-Fuller test statistic -0.219165 0.9310
Test critical values: 1% level -3.507394
5% level -2.895109
10% level -2.584738


*MacKinnon (1996) one-sided p-values.


Augmented Dickey-Fuller Test Equation
Dependent Variable: D(PIB)
Method: Least Squares
Date: 10/31/07 Time: 09:47
Sample (adjusted): 1970Q2 1991Q4
Included observations: 87 after adjustments


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 51 31/01/2008
Variable Coefficient Std. Error t-Statistic Prob.


PIB(-1) -0.001368 0.006242 -0.219165 0.8270
C 28.20542 24.36532 1.157605 0.2503


R-squared 0.000565 Mean dependent var 22.93333
Adjusted R-squared -0.011193 S.D. dependent var 35.93448
S.E. of regression 36.13503 Akaike info criterion 10.03512
Sum squared resid 110987.9 Schwarz criterion 10.09181
Log likelihood -434.5278 F-statistic 0.048033
Durbin-Watson stat 1.351998 Prob(F-statistic) 0.827047




- equation eq08.ls d(pib,2) c d(pib(-1)) es estacionaria.


Dependent Variable: D(PIB,2)
Method: Least Squares
Date: 10/31/07 Time: 09:50
Sample (adjusted): 1970Q3 1991Q4
Included observations: 86 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C 16.00498 4.396717 3.640211 0.0005
D(PIB(-1)) -0.682762 0.102975 -6.630339 0.0000


R-squared 0.343552 Mean dependent var 0.206977
Adjusted R-squared 0.335737 S.D. dependent var 42.04441
S.E. of regression 34.26717 Akaike info criterion 9.929234
Sum squared resid 98636.06 Schwarz criterion 9.986311
Log likelihood -424.9570 F-statistic 43.96140
Durbin-Watson stat 2.034425 Prob(F-statistic) 0.000000




- equation eq09.ls d(pib,3) c d(pib(-1),2) estacionaria


Dependent Variable: D(PIB,3)
Method: Least Squares
Date: 10/31/07 Time: 09:54
Sample (adjusted): 1970Q4 1991Q4
Included observations: 85 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C -0.203950 4.198389 -0.048578 0.9614
D(PIB(-1),2) -1.396064 0.099948 -13.96796 0.0000


R-squared 0.701550 Mean dependent var -0.770588
Adjusted R-squared 0.697955 S.D. dependent var 70.42644
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 52 31/01/2008
S.E. of regression 38.70543 Akaike info criterion 10.17308
Sum squared resid 124343.1 Schwarz criterion 10.23056
Log likelihood -430.3561 F-statistic 195.1039
Durbin-Watson stat 2.113539 Prob(F-statistic) 0.000000




- Analizando el IPD, tenemos:

IPD no estacionaria.

D(IPD) estacionaria.

D(IPD,2) estacionaria.


Continuando con el ejercicio:

D(PIB) C T(-1) PIB(-1)

PIB No estacionaria.
D (PIB) No estacionaria.
D (PIB, 2) estacionaria.
IPD No estacionaria.
D (IPD) No estacionaria.
D (IPD, 2) No estacionaria.



FECHA: 2007-11-06

Si el término de error
t
u sigue autocorrelacionado, la última ecuación se modifica y
toma el nombre de Dickey-Fuller Aumentada.



t t t t
Y Y T Y c o o | | + A + + + = A
÷ ÷ 1 1 1 2 1


t t t t t
Y Y Y T Y c o o o | | + A + A + + + = A
÷ ÷ ÷ 2 2 1 1 1 2 1


El número de términos en diferencia rezagadas se determina empíricamente hasta que
el término de error sea ruido blanco. La prueba de hipótesis es la misma que la anterior.


El Dikey F. es menor que todos los valores críticos de Mackinnon.

En el ejercicio:

Lag Length: 4 (Fixed)


¿
=
÷ ÷
+ A + + + = A
m
i
t t i t t
Y Y T Y
1
1 1 2 1
c o o | |
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 53 31/01/2008
t-Statistic Prob.*


Augmented Dickey-Fuller test statistic -3.407420 0.0574
Test critical values: 1% level -4.073859
5% level -3.465548
10% level -3.159372


*MacKinnon (1996) one-sided p-values.


Quiere decir que existe hasta el 95% del nivel de confianza estacionariedad


PIB:

0 -0.685320
1 0.085875
2 -0.035363
3 -0.090404
4 -0.027794 * 2.735240

Serie no estacionaria.

)) 4 ( ( )) 3 ( ( )) 2 ( ( )) 1 ( ( ) 1 ( ) (
4 3 2 2 1
÷ + ÷ + ÷ + ÷ + ÷ + + = PIB D PIB D PIB D PIB D PIB PIB D o o o o o t | |

D (PIB):

0 0.035932
1 -0.055398
2 -0.096699
3 -0.054741
4 0.000229 * 3,407420

Estacionaria hasta el 90 % de confianza.

) 2 ), 4 ( ( ) 2 ), 3 ( ( ) 2 ), 2 ( ( ) 2 ), 1 ( ( )) 1 ( ( ) 2 , (
4 3 2 2 1
÷ + ÷ + ÷ + ÷ + ÷ + + = PIB D PIB D PIB D PIB D PIB PIB D o o o o o t | |

D (PIB, 2):

0 0.113511
1 -0.009876 * 9.104147 estacionaria
2 0.011534
3 0.033473
4 0.018194

Estacionaria hasta el 90 % de confianza.

) 3 ), 1 ( ( ) 2 ), 1 ( ( ) 3 , (
2 1
÷ + ÷ + + = PIB D PIB D PIB D o o t | |


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 54 31/01/2008
FECHA: 2007-11-08

EL PROBLEMA:

1) ¿Cómo se diseña un modelo con una serie de tiempo estacionaria?
2) ¿Cómo se utiliza el modelo para fines de pronóstico?

Enfoques para la predicción económica:

- Modelos de alisamiento exponencial: ajustan una curva apropiado a datos históricos de
una serie de tiempo. Este tipo de ecuaciones tiene aplicaciones microeconómicas.

- Modelos uniecuacionales: Tienen el problema que los errores de predicción aumentan
rápidamente en el futuro. Es un modelo con una regresión. Solo sirve para obtener
estadígrafos. No sirve para pronóstico.

- Modelos de ecuaciones simultáneas: Tuve vigencia hasta la crítica de Lucas. Además
su apogeo perduró a lo largo de las décadas de los sesenta y setenta.

Cuando la economía se calienta = La tasa de inflación al alza.

Los parámetros de un modelo econométrico dependen de la política prevaleciente y
cambiaran s hay un cambio de política los parámetros no son constantes ante cambios
de política.

La crítica de Lucas se pone en vigencia con los cambios estructurales.

-Metodología de Box-Jenkins: Sus propulsores son llamadas “ateórico”. También es
conocida como ARIMA, enfatiza el análisis de las propiedades probabilísticas de las
series de tiempo bajo la filosofía de permitir que la información hable por si misma. Y
t
puede ser explicada por valores rezagados de si mismo y por términos estocásticos de
error (am) por esta razón, reciben el nombre de modelos “a-teóricos”. Por enfatizar la
estadística.

- Metodología VAR: Propuesta por Cristopher Sims, que considera diversas variables
endógenas de manera conjunta. ; pero cada variable endógena es explicada por sus
valores agregados de las demás varables endógenas. No hay variables exógenas en el
modelo.

Enuncio acerca de:

y=f(x)
x=f(y)
Además critico al análisis con la de t Student.

Elaboración de los modelos de Proceso autoregresivo:

Elaboración de los modelos
Proceso autoregresivo (AR)

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 55 31/01/2008
Si
t
Y es una serie de tiempo estacionaria y se puede modelar como:

( ) ( )
t t t
Y Y µ o o o + ÷ = ÷
÷1 1


Donde o es la media de
t
Y y
t
µ es el vector de errores no correlacionados con media
cero y varianza
2
o (ruido blanco); entonces,
t
Y sigue un proceso autoregresivo de 1er
orden, AR (1).

( )
t t t
Y Y µ o o o + + ÷ =
÷1 1 1
1

Si
t
Y es una serie de tiempo estacionaria se puede modelar como:

( ) ( ) ( )
t t t t
Y Y Y µ o o o o o + ÷ + ÷ = ÷
÷ ÷ 2 2 1 1


t t t t
u Y Y Y + ÷ ÷ + =
÷ ÷
o o o o o
2 2 2 1 1


t t t t
u Y Y Y + + + ÷ ÷ =
÷ ÷ 2 2 1 1 2 1
) 1 ( o o o o o

En general:

t p t p t t t
u Y Y Y Y + ÷ + + ÷ + ÷ = ÷
÷ ÷ ÷
) ( ) ( ) ( ) (
2 2 1 1
o o o o o o o 

t
Y sigue un proceso autorregresivo de valores p,AR(p).


t p p t t p t
u Y Y Y Y + + + + + ÷ ÷ ÷ ÷ =
÷ ÷ ÷ 1 2 2 1 1 2 1
) 1 ( o o o o o o o  


Ejercicio de E views:

D(PIB) k=1 k=8 k=8

equation eq01.ls d(pib) c d(pib(-1)) d(pib(-8)) d(pib(-12))

) 3 : 88 4 : 88 (
ˆ
) 3 : 89 4 : 89 (
ˆ
) 2 : 91 3 : 91 (
ˆ ˆ
) 3 : 91 4 : 91 (
3 2 1
÷ + ÷ + ÷ + = ÷ | | | |
O

) 3 : 88 4 : 88 (
ˆ
) 3 : 89 4 : 89 (
ˆ
) 2 : 91 3 : 91 (
ˆ ˆ
) 3 : 91 ( ) 4 : 91 (
3 2 1
÷ + ÷ + ÷ + + = | | | |
O


) 4 : 88 1 : 89 (
ˆ
) 4 : 89 1 : 90 (
ˆ
) 3 : 91 4 : 91 (
ˆ ˆ
) 4 : 91 ( ) 1 : 92 (
3 2 1
÷ + ÷ + ÷ + + = | | | |
O


(92:1)=4868.0+28.19371+0.342768(4868.0-4862.7)-0.299466(4880.8-4859.7)-0.264371(4809.8-4779.7)

(92:1)=4883.734

D(PIB) C AR(1) AR(8) AR(12)

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 56 31/01/2008

Dependent Variable: D(PIB)
Method: Least Squares
Date: 11/08/07 Time: 09:35
Sample (adjusted): 1973Q2 1991Q4
Included observations: 75 after adjustments


Variable Coefficient Std. Error t-Statistic Prob.


C 28.19371 5.576752 5.055578 0.0000
D(PIB(-1)) 0.342768 0.098794 3.469531 0.0009
D(PIB(-8)) -0.299466 0.101599 -2.947523 0.0043
D(PIB(-12)) -0.264371 0.098582 -2.681742 0.0091


R-squared 0.293124 Mean dependent var 21.52933
Adjusted R-squared 0.263256 S.D. dependent var 36.55936
S.E. of regression 31.38030 Akaike info criterion 9.782096
Sum squared resid 69915.33 Schwarz criterion 9.905695
Log likelihood -362.8286 F-statistic 9.813965
Durbin-Watson stat 1.766317 Prob(F-statistic) 0.000017




Variables significativas

3.469531
-2.947523
-2.681742


FECHA: 2007-11-13


EQUATION EQ01.LS D(PIB) C AR(1) AR(8) AR(12)

Cambiamos la fecha:


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 57 31/01/2008


Dependent Variable: D(PIB)
Method: Least Squares
Date: 11/13/07 Time: 08:50
Sample (adjusted): 1973Q2 1991Q4
Included observations: 75 after adjustments
Convergence achieved after 3 iterations


Variable Coefficient Std. Error t-Statistic Prob.


C 23.08936 2.980356 7.747181 0.0000
AR(1) 0.342768 0.098794 3.469531 0.0009
AR(8) -0.299466 0.101599 -2.947523 0.0043
AR(12) -0.264371 0.098582 -2.681742 0.0091


R-squared 0.293124 Mean dependent var 21.52933
Adjusted R-squared 0.263256 S.D. dependent var 36.55936
S.E. of regression 31.38030 Akaike info criterion 9.782096
Sum squared resid 69915.33 Schwarz criterion 9.905695
Log likelihood -362.8286 F-statistic 9.813965
Durbin-Watson stat 1.766317 Prob(F-statistic) 0.000017


Inverted AR Roots .92-.28i .92+.28i .61-.59i .61+.59i
.31+.87i .31-.87i -.25+.88i -.25-.88i
-.57-.59i -.57+.59i -.85+.28i -.85-.28i




Observamos a las celdas vacías


Last updated: 11/13/07 - 08:52

1970Q1 2872.8

1970Q2 2860.3

1970Q3 2896.6

1970Q4 2873.7

1971Q1 2942.9

1971Q2 2947.4

1971Q3 2966

1971Q4 2980.8

1972Q1 3037.3

1972Q2 3089.7

1972Q3 3125.8

1972Q4 3175.5

1973Q1 3253.3

1973Q2 3267.6

1973Q3 3264.3

1973Q4 3289.1

1974Q1 3259.4

1974Q2 3267.6

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 58 31/01/2008
1974Q3 3239.1

1974Q4 3226.4

1975Q1 3154

1975Q2 3190.4

1975Q3 3249.9

1975Q4 3292.5

1976Q1 3356.7

1976Q2 3369.2

1976Q3 3381

1976Q4 3416.3

1977Q1 3466.4

1977Q2 3525

1977Q3 3574.4

1977Q4 3567.2

1978Q1 3591.8

1978Q2 3707

1978Q3 3735.6

1978Q4 3779.6

1979Q1 3780.8

1979Q2 3784.3

1979Q3 3807.5

1979Q4 3814.6

1980Q1 3830.8

1980Q2 3732.6

1980Q3 3733.5

1980Q4 3808.5

1981Q1 3860.5

1981Q2 3844.4

1981Q3 3864.5

1981Q4 3803.1

1982Q1 3756.1

1982Q2 3771.1

1982Q3 3754.4

1982Q4 3759.6

1983Q1 3783.5

1983Q2 3886.5

1983Q3 3944.4

1983Q4 4012.1

1984Q1 4089.5

1984Q2 4144

1984Q3 4166.4

1984Q4 4194.2

1985Q1 4221.8

1985Q2 4254.8

1985Q3 4309

1985Q4 4333.5

1986Q1 4390.5

1986Q2 4387.7

1986Q3 4412.6

1986Q4 4427.1

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 59 31/01/2008
1987Q1 4460

1987Q2 4515.3

1987Q3 4559.3

1987Q4 4625.5

1988Q1 4655.3

1988Q2 4704.8

1988Q3 4734.5

1988Q4 4779.7

1989Q1 4809.8

1989Q2 4832.4

1989Q3 4845.6

1989Q4 4859.7

1990Q1 4880.8

1990Q2 4900.3

1990Q3 4903.3

1990Q4 4855.1

1991Q1 4824

1991Q2 4840.7

1991Q3 4862.7

1991Q4 4868

1992Q1

1992Q2

1992Q3

1992Q4





Y obtenemos una serie PIB F.
PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 60 31/01/2008


Hacemos un grupo con el PIB Y EL PIB F y completamos las cuatro predicciones.

Nota: La aplicaciones de “Dynamic” son para convergencia. El test de convergencia no
es infalible.

En el static se utiliza los valores digitados.


Según Chistopher Sims el 1.79 es válido EL CASO DEL ipd.
El mejor es el promedio.


D(PIB) C AR(1) AR(8) AR(12)

D(PIB,2) C AR(1) AR(8) AR(12)

D(IPD) C AR(25)

D(IPD) C AR(5)

D(IPD) C AR(21) AR(25)




D(IPD) D(IPD,2)
AR(25) AR(5) AR(21,25) AR(1) AR(20) AR(25)
Q1 3566,306 3574,018 3561,018
Q2 3591,854 3599,857 3588,737
Q3 3618,695 3616,657 3601,634
Q4 3629,643 3638,328 3617,329


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 61 31/01/2008

D(PIB) D(PIB,2)
AR(1,8,12) AR(1,8,12)
Q1 4883,734 4877,902
Q2 4905,506 4889,48
Q3 4936,774 4909,662
Q4 4986,392 4947,918



FECHA: 2007-11-20

Proceso de Media Móvil

Si
t
Y es una serie de tiempo estacionaria, y se puede modelar como:

1 1 0 ÷
+ + =
t t t
u u Y | | ¸

Donde ¸ es una constante y
t
u es el vector de errores estocásticos, ruido blanco, se dice
que
t
Y sigue un proceso de media móvil de primer orden, MA (1).

Si
t
Y es una serie de tiempo estacionaria, y se puede modelar como:

2 2 1 1 0 ÷ ÷
+ + + =
t t t t
u u u Y | | | ¸

Se dice que
t
Y sigue un proceso de media móvil de segundo orden MA (2).

En general:

k t k t t t t
u u u u Y
÷ ÷ ÷
+ + + + = | | | | ¸ ........
2 2 1 1 0


Se dice que
t
Y sigue un proceso de media móvil de q orden MA (q).


EQ01: D(PIB) c MA(1) MA(8) MA(12)

EQ02: D(PIB,2) c MA(1) MA(2) MA(8) MA(12) MA(24)

EQ03: (PIB,2) c MA(1) MA(8) MA(24)


FECHA: 2007-11-27

Proceso Autorregresivo y de Media Móvil (ARMA)

Se debe tomar en cuenta que el análisis es al nivel cuando es estacionaria.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 62 31/01/2008
En ocasiones una serie de tiempo
t
Y es estacionaria al nivel y puede tener
características de AR y MA, simultáneamente; entonces es un proceso ARMA.

Si
t
Y es una serie de tiempo estacionaria al nivel y se puede modelar como:

1 1 0 1 1 ÷ ÷
+ + + =
t t t t
u u Y Y | | o ¸

t
Y sigue un proceso autorregresivo de 1er orden y media móvil de 1er orden ARMA
(1,1).

En general, en un proceso ARMA (p, q) habrá p términos autorregresivos y q términos
de media móvil.

Proceso Autorregresivo Integrado de Media Móvil (ARIMA)

La diferencia entre el ARMA y el ARIMA consiste en que en el segundo se trabaja con
la primera y la segunda diferencia.

Se incerta la d, para conocer si se trata de la primera o la segunda diferencia.

Si
t
Y es una serie de tiempo que en (d) diferencias se vuelve estacionaria, se dice que la
original es ARIMA (p, d, q), un proceso autorregresivo integrado de media móvil donde
p es el número de términos autorregresivos, (d) es el número de veces que debe ser
diferenciada para volverse estacionaria y (q) es el número de términos de media móvil.

El objetivo de Jenkins es identificar un modelo estadístico que pueda ser interpretado
como generador de la información muestral.

Si ese modelo se utiliza para predicción, se debe suponer que sus características son
estables o constantes en el tiempo, especialmente en el futuro.

Si tenemos una serie descendente o ascendente es no estacionaria.

Si la serie va ascendiendo sabemos que las características de cada trama son
cambiantes, por lo tanto no podemos trabajar de ese modo.
En el caso de que sea estacionara los estadígrafos probabilísticas son semejantes y las
características en el futuro se van a mantener.


FECHA: 2007-11-29

Vectores Autorregresivos (VAR):

En los modelos uniecuacionales y de ecuaciones simultáneas las variables deben ser
identificadas como endógenas o exógenas, decisión que según Christopher Sims, a
menudo es subjetiva y más bien no debe haber ninguna distinción.


PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 63 31/01/2008

“Toda teoría económica responder a una decisión política”. “Las diferentes personas
que trabaja en un tema pueden tener criterios encontrados”

En los modelos VAR el término autorregresivo se refiere a la aparición de los valores
rezagados de la variable dependiente en el lado derecho de la regresión.

Supongamos el caso de GCP e IPD.

t
i
i t i
i
i t i t
u IPD GCP GCP + + + =
¿ ¿
=
÷
=
÷
4
1
4
1
1
¸ | o
t
i
i t i
i
i t i t
u IPD GCP IPD + + + =
¿ ¿
=
÷
=
÷
4
1
4
1
2
¸ | o

En los modelos VAR no cuenta la significación individual (t de student), solamente la
conjunta, es decir, la prueba F. Los valores críticos de la F, es de 3 a 5.

En el ejemplo:

VAR (GCP-IPD)



Los modelos ARIMA son totalmente separados de los modelos autoregresivos.

Con diez informaciones no se debe hacer un VAR, ya que con cinco grados libertad no
se hace nada.

Con veinte informaciones se hace con dos rezagos. Con más de treinta se hace con
cuatro rezagos.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 64 31/01/2008


GCP IPD PIB
Var(GCP-IDP) VAR(GCP-IPD) VAR(IPD-PIB)
Q1 3283,89 3558,195 4884,667
Q2 3298,663 3574,498 4897,425
Q3 3314,122 3590,785 4911,712
Q4 3329,653 3607,223 4926,612
VAR(GCP-PIB) VAR(IPD-PIB) VAR(GCP-PIB)
Q1 3286,835 3563,151 4881,596
Q2 3302,772 3575,642 4899,013
Q3 3315,812 3585,408 4920,299
Q4 3331,637 3597,378 4940,254


En el caso del PIB:





Nota Adicional:

Friedman expone a las expectativas adaptativas. Sin embargo Sims realiza algunas
modificaciones llegando a:

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR
APUNTES DE ECONOMETRÍA II
ECONOMISTA LINCOLN MAIGUASHCA

Daniel Carrasco.
Felipe Lemarie.
Jorge Salgado.
Juan C. Serrano. Página 65 31/01/2008

... ) 2 ( ) 1 ( ... ) 2 ( ) 1 (
2 3 2 1 0
+ ÷ + ÷ + + ÷ + ÷ + =
i i i i i
Y Y X X Y | | | | |

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA

Linealmente Independientes:

v1

v2

v1??? v2

Linealmente Dependientes: Cuando dos vectores utilizan la misma línea de acción los dos son linealmente dependientes. v2
v1 v2  2v1 v2  2v1  0

Multicolinealidad perfecta existe cuando las variables X 1 y X 2 son linealmente dependientes.

1 X 1i  2 X 2i  0
  X 1i   2  X 2i    1 Por ejemplo: si X 2i  2 X1i

Yi   0  1 X 1i   2 2 X 1i    i

Daniel Carrasco. Felipe Lemarie. Jorge Salgado. Juan C. Serrano.

Página 2

31/01/2008

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA

Yi   0  1 X 1i  2 2 X 1i   i Yi   0  1  2 2 X 1i   i Yi   0  X 1i   i

Donde   1  2 2  , no hay forma de estimar la influencia separada de X 1i y X 2i sobre Y. En la práctica, en los datos para el análisis empírico siempre habrá un nivel de correlación entre las variables explicativas; lo que re requieres es que no sean exactas.

Fecha: 2007- 09-11
Estimación de los Coeficientes de Regresión Parcial Traer el ejercicio de la tabla 6.4 La FRP en este caso es la siguiente:

Yi   0  1 X 1i   2 X 2i  ui

“Notación Universal: 1 y  2 corresponden a la primera y segunda variable respectivamente. En el texto de Damodar Gujarati existe una diferencia, en cuanto a la notación”.
La FRM es la siguiente:

ˆ ˆ ˆ ˆ Yi   0  1 X 1i   2 X 2i  ui ,
donde y

ˆ ˆ ˆ ˆ Yi   0  1 X 1i   2 X 2i ,

ˆ ˆ ui  Yi  Yi .

Entonces, mediante la utilización del método de Gauss:

ˆ  (u )   (Y  Yˆ )   (Y  ˆ  ˆ X  ˆ X ˆ   (u ) ˆ ˆ ˆ  2 (Y     X   X )(1)  0 ˆ 
2 i 2 i i i 0 1 1i 2 2 i i 0 1 1i 2 2i 0

2i

)2

Es necesario igualar a cero.

 (Y  ˆ  ˆ X  ˆ X )  0  Y  nˆ  ˆ  X ˆ  X  Y  nˆ  ˆ  X ˆ  X
i 0 1 1i 2 2i i i 0 1 1i 2 0 1 1i 2

2i 2i

0
Primera Ecuación Normal

Daniel Carrasco. Felipe Lemarie. Jorge Salgado. Juan C. Serrano.

Página 3

31/01/2008

Jorge Salgado.” ˆ ˆ ˆ  0  Y  1 X 1   2 X 2 ˆ 1   y x  x    y x  x  x  x    x x  i 1i 2 2i i 2i 2 1i 2 2i 2 1i 2i 1i x 2i  ˆ 2   y x  x    y x  x  x  x    x x  i 2i 2 1i i 1i 2 1i 2 2i 2 1i 2i 1i x 2i  Varianzas y errores estándar de los coeficientes de regresión parcial 2  ˆ )   1  X1 Var (  0 n   x   X  x   2 X X  x  x  x    x x  2 2i 2 2 2 1i 1 2 2 1i 2 2i 2 1i 2i 1i x 2i     2    ˆ Var ( 1 )       x     x  x    x x    2 2i 2 1i 2 2i 2 1i 2i 2 x 2 2i va a ser pasado a dividir. ahora tenemos tres ecuaciones y tres incógnitas su resolución es imposible.   x1i  x2i 2   r  2   x12i  x2i    2 12    Daniel Carrasco. Juan C. Página 4 31/01/2008 . Para resolver se debe hacer desviaciones con respecto a la media.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA ˆ   (u i2 ) ˆ ˆ ˆ  2 (Yi   0  1 X 1i   2 X 2i )( X 1i )  0 ˆ  1  (Y  ˆ  ˆ X  ˆ X )( X )  0  Y X  ˆ  X  ˆ  X ˆ  X  Y X  ˆ  X  ˆ  X ˆ  X i 0 1 1i 2 2i 1i i i 1i 1i 0 1i 1 2 1i 2 0 1i 1 2 1i 2 2 2i 2i X 1i  0 X 1i Segunda Ecuación Normal ˆ   (u i2 ) ˆ ˆ ˆ  2 (Yi   0  1 X 1i   2 X 2i )( X 2i )  0 ˆ   (Y  ˆ  ˆ X  ˆ X )( X )  0  Y X  ˆ  X  ˆ  X X ˆ  X  Y X  ˆ  X  ˆ  X X ˆ  X i 0 1 1i 2 2i 2i i i 2i 2i 0 2i 1 1i 2i 2 0 2i 1 1i 2i 2 2 2i 2 2i 0 Tercera Ecuación Normal Resolviendo el sistema de ecuaciones llegamos a: “En el semestre pasado teníamos dos ecuaciones con dos incógnitas. Serrano. Felipe Lemarie.

. Propiedades de los estimadores de MCO 1.   k X k 2..   k X ki  ui ˆ ˆ ˆ ˆ 0  Y  1 X 1   2 X 2  . ˆ ˆ ˆ ˆ Yi   0  1 X 1i   2 X 2i ˆ ˆ ˆ ˆ ˆ Yi  (Y  1 X 1   2 X 2 )  1 X 1i   2 X 2i ˆ ˆ ˆ Yi  Y  1 X 1i  X 1    2 X 2i  X 2  ˆ ˆ ˆ Yi  Y  1 x1i   2 x2i Yˆi  nY  ˆ  x 1 1i ˆ   2  x 2i Daniel Carrasco. X 2 . Serrano. Jorge Salgado. La recta de regresión pasa por las medias de Y . Felipe Lemarie. Página 5 31/01/2008 .. en general: Yi   0  1 X 1i   2 X 2i  .PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA    ˆ Var ( 1 )       x   x  x  x  2 1i 1i 2i 2 1i 2 2                   2     x1i  x2i 2    x12i * 1  x 2 x 2     1i  2i           2 ˆ )  Var ( 1   x 2 1  r 2   1i 12    ˆ Var (  2 )       x     x  x    x x    2 1i 2 1i 2 2i 2 1i 2 i 2   2 ˆ  Var (  2 )     x 2 1  r 2   2i 12   2   r12 2 ˆ . )   ˆ Cov( 1 2 2 1/ 2  (1  r 2 ) 12  x1i     x  2 1/ 2 2i     ˆ 2  (n  3) ˆ u 2 i Es 3 por que tenemos tres regresores. Juan C.. X 1 . La media de ˆ Y es igual a la media de los Y observados Y .

2          i2    Yi  Y i     Yi   0   1 X 1i   2 X 2i                   i2            2  Y     X   X  1  0   i 0 1 1i 2 2i      0            Yi   0   1 X 1i   2 X 2i         Yi  Yi   0    ˆ u i 0 Daniel Carrasco. Juan C. Página 6 31/01/2008 . La media de los residuos ˆ ui es cero. Serrano.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA x 1i  0 x2i  0 Yˆi  nY 1  Yˆi  Y n Nota: Yˆ  Y   ˆ x i 1 1i ˆ   2 x 2i ˆ ˆ ˆ yi  1 x1i   2 x2i ˆ ˆ yi  yi  ui ˆ ˆ ˆ yi  1 x1i   2 x2i  ui 3. Felipe Lemarie. Jorge Salgado.

Los residuos   ˆ ˆ ui no están correlacionados con yi Yi    yi  1 x1i   2 x2i        yi  i   1 x1i   2 x2i   i   y  i   i  1  x1i   2  x2i   1  x1i  0 Daniel Carrasco. Felipe Lemarie. Jorge Salgado. Juan C.  Página 7 31/01/2008 .PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA 4. Los residuos ˆ ui no están correlacionados con los residuos X 1i y X 2i  2    u i          2  Y     X   X  X   0   i 0 1 1i 2 2i  1i    1   Y        0   1 X 1i   2 X 2i  X 1i   0  i   Y   i    Y i  X 1i   0  u X i 1i 0  2    u i          2  Y     X   X  X   0  i  0 1 1i 2 2i  2i   2   Y    Y         0   1 X 1i   2 X 2i  X 2i   0     Y i  X 2i   0  i i  u i X 2i  0 5. Serrano.

que en la práctica tiene poca importancia. Juan C. que es una medida del grado de asociación entre Y. 0  R2  1 ˆ STC  SRC SRC  ui R   1  1 STC STC  yi2 2 2 ˆ   2 (n  3) ˆ u 2 i ˆ u 2 i ˆ  (n  3) 2 Sy 2  (n  1) y 2 i y 2 i  (n  1)Sy 2 R2  1  ˆ (n  3) 2 (n  1) Sy 2 La raíz cuadrada de R2 es el coeficiente de correlación.   ˆ ˆ De las ecuaciones para obtener las varianzas de 1 .PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA  2  x2i  0   yi  i  0 6.09-15 Coeficiente de Determinación R2: Mide el porcentaje de explicación de las variables ˆ independientes sobre la dependiente. Página 8 31/01/2008 . que es el caso de la multicolinealidad perfecta. Serrano. 2 Fecha: 2007. y todas las variables explicativas conjuntamente. las varianzas aumentan y tienden hacia el infinito. Daniel Carrasco.  2 se observa que a medida que r12 se acerca a 1. Felipe Lemarie. Jorge Salgado. es decir indica cuán cerca está Y de Y: STC = SEC +SRC ˆ ˆ  y  y   u 2 i 2 i 2 i SEC R   STC 2 ˆ y y 2 i 2 i Si SRC = 0 SEC = STC Si SRC ≠ 0 SEC < STC R 2  1 Ajuste perfecto. R 2  1 Porcentaje de ajuste.

R2  1  ˆ SRC  ui2 1 STC  yi2 2 La si en un modelo aumenta. es independiente del número de variables explicativas. Jorge Salgado. El término ajustado significa ajustado por los grados de libertad. R 2  R 2 Daniel Carrasco. disminuye. la  yi2 permanece constante. Felipe Lemarie.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA El R2 ajustado ( R 2 ) Una propiedad importante del R2 es que a medida que aumenta el número de variables explicativas. Página 9 31/01/2008 . Pero la aumenta el número de variables explicativas. Serrano. Juan C. R 2  1 SRC /( n  k ) ( STC  SEC ) /( n  k )  1 STC /( n  1) STC /( n  1)  SEC  n  1  R 2  1  1     STC  n  k   n  1  R 2  1   1  R2 n  k      ˆ Si k=1es decir el modelo sin intersección de la regresión simple (1  0). es decir ˆ u 2 i a medida que Para comparar dos R2 se debe tomar en cuenta el número de variables explicativas en el modelo. aumenta casi invariablemente hacia 1. R 2  1 ˆ 2 Sy 2 ˆ Donde  2 es la varianza homocedástica de la regresión y Sy 2 es la varianza muestral de Y. R 2  1 ˆ u y 2 i 2 i /( n  k ) /( n  1) Donde k es igual al número de regresores en el modelo incluyendo la intersección. esto se puede hacer con el R2 ajustado ( R 2 ).  y   Y  Y  2 i i .

74109 -2.390496TAF (12.20917 R2 = 0.005647PIB – 2. manteniendo a la TAF constante.707665 R 2 = 0. Daniel Carrasco. Un R2 elevado no es evidencia en favor del modelo. veamos como se puede visualizar.669590 R 2 = 0.818703 -10.209947) 22. y un R2 bajo no es evidencia en su contra. Juan C. EQ02: MI C TAF MI = 263.59318) (0. Eliminemos la influencia que TAF ejerce sobre la mortalidad infantil y el PIB.62927 R2 = 0. Si el PIB se incrementa en 100usd.698081 Incrementos en el PIB y en el TAF ejercen impactos negativos en la MI.30328 + 28.4: EQ01: MI C PIB TAF MI = 263.053477 2. el número de muertes de niños menores de 5 años disminuirían a 2.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Si k>1 a medida que aumenta el número de variables explicativas el R 2 aumenta menos que el R2. Jorge Salgado.58395 -11. En términos generales. Serrano.8635 – 2. 1 y  2 se conocen como los coeficientes de regresión parcial.6416 – 0.6 por cada 1000 nacimientos vivos.14268TAF (734. Ejemplo: Considerando la información de la tabla 6.22499) (0.9526) (12.664261 EQ03: PIB C TAF PIB = -39. que están purificadas de la Página 10 31/01/2008 .82111) -0. Si la TAF sube en un 1% manteniendo al PIB constante.213263) 21.195027 R2 = 0.231586TAF (11. el número de muertes de niños menores de 5 años se reducirá 5. Felipe Lemarie.072108 R 2 = 0.057142 Si ahora se hace la regresión de R02 SOBRE R03. influencia de TAF.002003) (0. la finalidad de un modelo de regresión no es maximizar el R2.23 por cada 1000 nacimientos vivos.

555330) (0. Por otro lado. Página 11 31/01/2008 . tenemos: series mi1=(mi-@mean(mi))/@stdev(mi) series pib1=(pib-@mean(pib))/@stdev(pib) series taf1=(taf-@mean(taf))/@stdev(taf) Daniel Carrasco. EQ05: MI C PIB MI = 157. Serrano.057142 EQ07: R05 R06 R05 = -2.845583) (0.003233) 15.231586 R06 (0.115238 R 2 = 0.59716 + 0.011364PIB (9.001971) -2.38755 2.649388 R 2 = 0. Ya que la regresión de R05 sobre R06 están purificadas de la influencia del PIB.002562PIB (3.864538 R2 = 0.005647R03 (0.072108 R 2 = 0.195027 R2 = 0.001167) 13. Fecha: 2007. Felipe Lemarie.4244+ 0.98935 -3.152769 EQ06: TAF C PIB TAF = 47.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA EQ04: R02 R03 R02 = -0.09 -18 Si realizamos el modelo con varaibles estandarizadas con el ejercicio 7.1.515661 R2 = 0.80212 R2 = 0. Juan C. Jorge Salgado.166217 R 2 = 0.115238 Que es el regresor del PIB en la regresión multivariada (EQ01). eliminando la influencia que el PIB ejerce sobre la MI y TAF.649388 Que es el regresor de la TAF en el caso multivariado.206588) -10.

97807) 2 2 2 R  0. un incremento de una desviación estándar de TAF propicia una disminución de 0.74780) 2 R2  1  1 2 (n  1) Sy 2 6375. propicia una disminución de 0. (n  3)  2 61(41. es una relación entre la remuneración del trabajador y la inversión en activos fijos” La única manera de obtener la elasticidad.97807  El numerador viene del S.74780) 2 R  1 2  1 Sy (75.71604 R2 = 0. Página 12 31/01/2008 .PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA EQ08: mi1 pib1 taf1 mi1= -0.7639 desviaciones estándar de MI.841713 (0. incluyendo el ejemplo 7.071285) -10. of regresios y el denominador S. Juan C.707665 61  (n  k )     2   R  0.Dependent var. Examen con 5 cifras decimales. Serrano. Felipe Lemarie. es mediante la utilización de las funciones Cobb Douglas.071285) -2.702950 Si TAF permanece constante.2 La función de producción COBB-DOUGLAS:  Yi  AX 11 X 2i2 ei i Daniel Carrasco.707665 R 2 = 0.02026 desviaciones estándar de MI.  R 2  0.E. un incremento de una desviación estándar del PIB. Volviendo a la regresión original EQ01.76388taf1 (0. “Cobb Douglas. Jorge Salgado. 2 Introducción al sesgo de especificación: Control de lectura Comparación de dos valores de R2: Control de lectura.698081 .698081 2  (n  1)  63   R  1  1 R2   1  1  0.D.0202570pib1 – 0. si PIB permanece constante.707665  (41.

un aumento del 1% en el trabajo condujo a un incremento de 1. si ( 1 +  2 )=1. Juan C.870165 (0. “Modelos de regresión polinomial: Control de lectura. mide el cambio porcentual en la producción debido a una variación del 1% en el insumo trabajo. X 1 = trabajo.481 EQ01: LY C LX1 LX2 LY = -3. Página 13 31/01/2008 . si ( 1 +  2 )>1. rendimientos crecientes. rendimientos decrecientes.453107) (0.204.   perturbación estocástica y e= base del logaritmo natural. Y = 4874.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA En donde Y= producto. rendimientos constantes a escala.888713 R 2 = 0.498783 LX1 + 0. si ( 1 +  2 )<1.9885.  2 es la elasticidad del producto respecto al insumo capital.79231 En el sector agrícola taiwanes.” Daniel Carrasco. X 2 = capital. manteniendo constante al insumo trabajo. Por otro lado. Felipe Lemarie.5% del producto.48975 LX2 (2.4 y 7. incluyendo los ejemplos 7.540596) -1. Jorge Salgado. Serrano. X2 = 7335. X1 = 14.102193) 4.5.337389 + 1. EYX1  Y X 1 Y X 1 /  * Y X X 1 Y  A1 X 11 1 X 2i2 e i X 1i i   1  AX 11 X 2i2 e  i i EYX 2 Y Y X 2  Y  * X 2 X 2 Y X2   AX 11 *  2 X 2i21 * eui X 2i i  2  AX 11 * X 2i21 * eui X 2i i ln Yi  ln A  1 ln X 1i   2 ln X 2i  ui ln Yi   0  1 ln X 1i   2 ln X 2i  ui 1 es la elasticidad del producto respecto al insumo trabajo. Ejemplo: Consideremos la información de la tabla 7. lo que ubica a Taiwán en la región de rendimientos crecientes.80656. manteniendo constante el capital. La suma de las elasticidades es 1.360474 2. manteniendo el insumo capital constante.772465 R2 = 0. De igual manera con el capital.3.

Jorge Salgado. Daniel Carrasco. En el modelo con tres variables se pueden obtener tres coeficientes de correlación: r01 . Juan C. entre X 1 y X 2 Si la definición es grado de definición es de forma binaria tengo tres coeficientes de correlación. Los cuales permiten el cálculo de los coeficientes de correlación de primer orden (u órdenes mayores).PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA FECHA: 2007.904117(0. Serrano. Página 14 31/01/2008 .1  0.1  r12.2  (1  0.r02 .697618)  0. Felipe Lemarie.2 = coeficiente de correlación parcial entre Y y X 1 manteniendo a X 2 constante r02.2  r02. r01.486671)1 / 2 0. entre Y y X 2 (Y es la variable 0 y X 2 la variable2) .675718)(1  0.810445 r12. Indicadores que se denominan coeficientes de correlación simple o de orden cero. Los coeficientes de correlación de orden cero pertenecen a la correlación simple. Los coeficientes de correlación de orden cero poseen una utilidad práctica..675718)(1  0.187343 En el examen final se debe hace grupo con el software e-views.904117  0.1 = coeficiente de correlación parcial entre Y y X 2 manteniendo a X 1 constante r12.09.817428)1 / 2 0.697618)  0.20 Coeficientes de Correlación Parcial Recordemos que el coeficiente de correlación es una medida del grado de asociación lineal entre dos (2) variables.904117)  0.0 = coeficiente de correlación parcial entre X 1 y X 2 manteniendo a Y constante Ejemplo.486671)1 / 2 (1  0.486671  0. entre Y y X 1 (Y es la variable 0 y X 1 la variable1) .822020(0.817428)(1  0.624858 r02.822020(0.3 r01.r12 .consideremos la información de la tabla 7.0  (1  0.822020  0.0  (1  r (1  r (1  r r01  r02 r12 2 02 2 )(1  r12 )  1/ 2 r02  r01r12 2 01 2 )(1  r12 )  1/ 2 r12  r01r02 2 01 2 )(1  r02 )  1/ 2 r01.

0. Página 15 31/01/2008 .806242 -1. Error 0.110500 15.000004 Mean dependent var S. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) equation eq02.207922 -1.817428 0.0000 10.092196 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 3.911302 0. Jorge Salgado.146467 0. Felipe Lemarie.ls ly c lx2 Dependent Variable: LY Method: Least Squares Date: 09/20/07 Time: 09:15 Sample: 1958 1972 Included observations: 15 Variable C LX2 R-squared Adjusted R-squared S.09660 0. se procede con: equation eq01.687405 0.090102 t-Statistic 3.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Además.ls lx1 c lx2 Dependent Variable: LX1 Method: Least Squares Date: 09/20/07 Time: 09:16 Sample: 1958 1972 Included observations: 15 Daniel Carrasco.0043 0.E.803384 0. Juan C. Serrano.20470 0.54682 0.539611 Std.711835 58.452714 7.D.629200 Prob.

dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Nociones Básicas de Algebra Matricial (Leer el Apéndice B) Operaciones con vectores: 1..32491 0.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Variable C LX2 R-squared Adjusted R-squared S.019207 28.379931 0.659445 0.447185 0. Jorge Salgado.. 1).510685 Prob.D.. 0. (ABC)´=C´B´A´ Daniel Carrasco..E.326081 0. A la sumatoria de los residuos al cuadrado sacamos la primera derivada e igualamos a cero.514764 Std. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 4. Juan C. Serrano.486671 0. 2.556011 -3. Ejemplo: los residuos de MCO. Error 0.461604 12. Página 16 31/01/2008 . u n    1 2     u1u n  u1u 2 2 u2  u 2u n    u1u n   u 2u n    2  un       u´u = u 1 u 2    u1   2   u 2    .0000 0.037564 t-Statistic 11.m).003835 Mean dependent var S.131877 0. Dado un vector columna u de (m.  u1  u  uu´  2  * u1 u 2    u n   u12  uu .1) el producto u’u es la suma de cuadrados de los elementos de u. u n     u 1      u   n 2 2 u2  un   Propiedades de la transpuesta: 1) (A´ )´=A 2) (A+B)´= A´+B´ 3) (AB)´ = B´A´. Dado un vector columna u de (m.051697 -3. Ejemplo: las perturbaciones estocásticas u..0038 5.38648 3. el producto uu’ es una matriz simétrica de (m.038437 0. Felipe Lemarie.67008 0.

Vectores dependientes son los que están en la misma línea de acción. ( A * B * C )  C ´* B´ * A´ ( m. Juan C. 6) La inversa es: A 1  1 (adj. Felipe Lemarie. A) det( A) Derivación de matrices: Sea Y = a1 X 1  a2 X 2    an X n  a1  a  a   2 ( n . el determinante de la matriz es diferente de cero porque sus vectores filas o columnas son linealmente independientes.n ) ( N . el determinante de la matriz es igual a cero porque sus vectores filas o columnas son linealmente dependientes. p) ( p . se llama “singular”.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA 4) Si A=A´ es una matriz simétrica.P) ( p .1)      X n  1) Si Y = a X Y Y  X´ X a´ a Y Y a  a´ X X ´ 2) Si Y=X´X Y  X ´ X ´ 2 X ´ X ´ Y  X  X  2X X Daniel Carrasco. ABC 3)  A´   1  C 1 B 1 A1 1  ( A1 )´ 4) Si una matriz no tiene inversa.n ) ( n. Página 17 31/01/2008 .m) Propiedades de la inversa: A   A 2) AB   B 1) 1 1 1 1 A1 . Jorge Salgado.q ) (q. “no singular”. Vectores independientes cuando utilizan distintas líneas de acción. se llama. Serrano.1)    a n   X1  X  X   2 ( n . 5) Si una matriz tiene inverso.

....1) (n.... Felipe Lemarie.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Sea:  a11  a X ´ AX  ( X 1 .................... Yn   0  1 X 1n   2 X 2 n  .... Página 18 31/01/2008 ... Y XE u (n 1) (n.....   k X ki  ui que es una expresión abreviada del siguiente Y1   0  1 X 11   2 X 21  ...09....1) Ejemplo: Con la muestra 1 Si es que yo no incluyo la columna de unidades yo estoy haciendo un modelo que le estoy forzando a que pase por el origen............. X n ) 21   a  m1 a12  a1n  X 1    a 22  a 2 n  X 2         a m 2  a mn  X n    3) Si Y = X´AX A es simétrica : A = A´ Y  ( AX )´ X ´ A  X ´ A' X ´ A  X ´ A  X ´ A  2 X ´ A X Y  AX  ( X ´ A)'  AX  A' X  AX  AX  2 AX X ´ FECHA: 2007. Jorge Salgado... k 1)(k 1...........25 Enfoque Matricial en el Modelo de Regresión Lineal Modelo de Regresión de k variables explicativas La FRP con k variables explicativas: Yi   0  1 X 1i   2 X 2i  ....... Serrano....... Si yo le quito la unidad.... Donde k es el número de variables explicativas y (k+1) es el número de regresores......   k X k1  u1 Y2   0  1 X 12   2 X 22  ..... Daniel Carrasco......   k X k 2  u 2 ... Juan C..   k X kn  un conjunto de n ecuaciones simultaneas: Que en forma matricial                        kn         k        n  Esta matriz representa al sistema de ecuaciones.... X 2 ...........

Algebraicamente: E (ui )  0 La expectativa de E ( ui )= 1  ui n Matricialmente: E (u)  0  u1   E (u1 )  0 E (u )  E * u2    E (u2 )  0  0       un   E (un ) 0       Nota: u1 en el primer nivel de ingreso. Felipe Lemarie. Los promedios están sobre la función de regresión poblacional.1) (10. El promedio de las perturbaciones estocásticas en todos los niveles de ingreso es igual a cero. u j )  0 Matricialmente: Var (ui )  E (ui2 )   2 E (u.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA  70  1  65  1    90  1    95  1 110 1   115 1 120 1   140 1 155 1     150 1 80   u1    100     120     140   ˆ 160    0          ˆ 180   1      200    220    240       260 u n  (2. u' )   Daniel Carrasco. Juan C.2) Supuestos del Modelo. u 2 en el segundo nivel de ingreso. ese punto está sobre la regresión de población.1) (10. 2.1) (10. u' )   2 I La varianza de las distribuciones de las perturbaciones se define como: Var (u)  E u  E (u) u  E (u) '  E (u. Jorge Salgado.1) (10. u j )  E (ui . Página 19 31/01/2008 . El valor esperado del vector de perturbaciones u es cero. 1. Ausencia de “autocorrelación” entre las perturbaciones y presencia de la homoscedasticidad: Algebraicamente: Cov(ui . Serrano. si tenemos un promedio igual a cero.

Juan C.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Var (u )  E (u . u ' )  E  2 u1 u2  un   E  1 2    u u un     1 n  E (u12 ) E (u1u2 )  E (u1un )   2  E (u u ) E (u 2 )  E (u u )  0 2 n 1 2 2          E (u u ) E (u u ) E (u 2 )   0 1 n 2 n n    1 0  2  0  0 1  0 0 0 2   I  1  u1u2  u1un  2 u 2  u 2u n      2  u 2u n  u n  0  0  2 0      0   2  Var (u )  E (u . 4.. Se establece que la matriz X consta de números fijos. no se aplica el enunciado algebraico sobre el orden de los factores no altera al producto.   k X ki  i Y  X          Y  X    Para obtener los regresores: Daniel Carrasco. Puede existir multicolinealidad casi perfecta. La función de regresión de la muestra con k variables explicativas: ˆ Yi  0  1 X1i   2 X 2i  . Felipe Lemarie. Se debe mantener el orden de multiplicaciones.. Página 20 31/01/2008 . Las columnas de la matriz X son linealmente independientes. ui Estimación del Modelo: Los regresores: La transpuesta de una suma es la suma de las transpuestas. En matrices. Jorge Salgado. es decir no hay multicolinealidad perfecta. Es la matriz de var-cov de las distribuciones de las perturbaciones 3. u ' )  u12  u1  u u u  E (u . u ' )   2 I Es la matriz de varianza covarianza de las distribuciones de las perturbaciones. Serrano.

Serrano. no equivocarse. Jorge Salgado.   '   Y  X   Y  X            ' ' ' ' ' '    Y Y  Y X    X Y   X X        '  ˆˆ u´u  ˆ ˆ  (Y ´ X )´ X ´Y  X ´ X  (  ´ X ´ X )´ 0 ˆ  ˆ ˆ   X ´Y  X ´Y  X ´X  X ´X  0 ˆ  2 X ´Y  2 X ´X  0 ˆ X ´Y  X ´ X ˆ  X ´X 1  X ´X    X ´X 1  X ´Y  ˆ I   X ´X  1  X ´Y  ˆ    X ´X 1  X ´Y    1 Adj. Felipe Lemarie.   ( X ´X )1 ( X ´Y ) Y  X  u   Identidad   ( X ´X )1 X ´X  u   ( X ´X )1 ( X ´X )  ( X ´X )1 X ´u Daniel Carrasco.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Alg: minimizar Mat: minimizar     i2 '   ´        '       '    Y '   X    Y  X                    '    Y '   ' X '  Y  X          Nota: el orden es importante. Página 21 31/01/2008 .( X ´ X )( X ´Y ) det( X ´ X ) La Matriz Var (β) ˆ El promedio de todos los  es igual a  . Juan C.

Juan C. Serrano. Jorge Salgado. Daniel Carrasco. no de variables explicativas. Felipe Lemarie.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA    ( X ´ X )1 X ´u    E (  )  E   ( X ´ X ) 1 X ´u   E (  )  E ( X ´ X ) 1 X ´u      O  E (  )   ( X ´ X )1 X ´E (u ) E ( )               E (  )  Var (  )  E    E (  )                 1 1 Var (  )  E  ( X ´ X ) X ´u     ( X ´ X ) X ´u            Var (  )  E ( X ´ X )1 X ´u ( X ´ X )1 X ´u 1 1 ´ ˆ Var   E  X ´X  X ´UU´X  X ´X          Nota: X ´X    X ´X ´  X ´X  ˆ Var    E X ´X  X ´UU´X  X ´X   1 1 1 1 1  ˆ Var     X ´X  X ´ X  X ´X  ˆ Var      X ´X   X ´X  X ´X  ˆ Var      X ´X  1 2 1 2 1 2 1 1 1 ˆ Var    X ´X  X ´E UU´X  X ´X  1    2 '  nk   Donde n es el número de observaciones y k es el número de regresores. Página 22 31/01/2008 . cambia la dimensión de la k.

15909   6.001278           ˆ Var( (  o ) =41.700  0.493 8  0..0051515 0.. Felipe Lemarie.0000303     0.508485                1   Y  24. 1 ) =0.13705  .0000303  330000   1.9757575  0.413817 ˆ ee ( 1 ) =0.0051515  10   0.457575    0        0.. 1700   10 ( X ´X )    1700 32200 Det (X´X)=330000  1110  ( X ´Y )    205500 ( X ´X )  1 322000  1.0051515 0.001278 ˆ ee (  o ) =6.9757575  0. Var      0 k  1 k  k           FECHA: 2007-09-27 ˆ ˆ Ejemplo: Con la muestra u ' u .5085 X    2 '  nk     337.0051515 0.9757575  0. Juan C.217183 0..PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA            Cov  0 1  .45909   0. Página 23 31/01/2008 . Cov 1  k      Cov  0 1  Var                          Cov    Cov    .2727  42.035743 ˆ ˆ Cov (  0 .0051515  1110   24. Jorge Salgado. Serrano. Cov  0  k    Var   0                  Var  1  .13705 ˆ Var( ( 1 ) =0.700       0.217183 Propiedades de los residuos: Daniel Carrasco.0217183   var    42.0051515   41...457575  0.0000303  205500    0.

In sesgados quiere decir que son simétricos.-SRC = STC – SEC ˆ ˆ Y  X  u ˆ Y  X STC = SEC + SRC ˆ ˆ ˆ Y  Y   X  Xˆ  u  (Yˆ  Y )  u ˆ ˆ ˆ ˆˆ Y  Y  (Y  Y )  Y  Y Y  Y   u u ´ ´ ´ Para el examen: Al final del apéndice C. Jorge Salgado. Juan C.Los errores estimados son ortogonales (perpendiculares) a las variables explicativas.. Página 24 31/01/2008 . existe un ejercicio con tres variables. Felipe Lemarie. Serrano. ˆ ˆ ( X u)  (u X )  0 ˆ ˆ ˆ X u  X (Y  X )  X Y  X X  X Y  ( X X )( X X ) 1 ( X Y ) X ˆ  X   X  u Y Y ˆ X u  0 ˆ ˆ ˆ ˆ u X  (Y  X ) X  (Y    X ) X  Y X   X X  1 1 ˆ uX  Y X   X X  X Y ( X X )  Y X  Y X  X X  ( X X ) ˆ u X  Y X  Y X  0   2. 4) SRC  STC  SEC  STC *  SEC * Daniel Carrasco.  SRC  STC *  SEC * STC *  SEC *  SRC ˆ ˆ ˆ ˆ Y  X  u  Y  u ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ Y' Y  (Y  u) ' (Y  u)  Y´u´ Y  u ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ Y' Y  Y' Y  Y'u  u' Y  u' u ˆ ˆ ˆ ˆ ˆ Y' u  ( X )´ u   ´ X ´ u = 0    ˆ ˆ ˆ u´Y  u´ X  0 ˆ ˆ ˆ ˆ Y´Y  Y ´Y  u ´u 3.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA La FRP: Y  X  u La FRM: Y  X   u YX     u Y  X  YX    1.

Son lineales con la variable Y: ˆ Por definición:   ( X X ) 1 ( X Y ) 2. tienen varianza mínima Supongamos que  * es cualquier otro estimador lineal de  .los estimadores de MCO son eficientes.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA  '   (Y  Y )' (Y  Y )  (Y  Y ) ' (Y  Y )  (Y '  Y ' )(Y  Y )  (Y '  Y ' )(Y  Y )    Y Y  Y Y  Y Y  Y Y  Y Y  Y Y  Y Y  Y Y ' ' ' _    _     _ _    Y Y  Y Y   Y '  Y '  Y  Y '  Y  Y   Y 'Y  Y ' Y   Y  Y  Y  Y '  Y  Y                    ' '   ' '   _   _   _   _     ' _ _ _ _ '   '  _ ' _  ' _ _ '  '   Y 'Y  Y ' Y   ' Y  Y '   ˆ ˆ ˆ ˆ ˆ ˆ ˆ ˆ u Y  u  X   0 Y u  ( X  )u   ' X 'u  0 ˆ ˆ ˆ ˆ u u  Y Y  Y Y      _ _  *NOTA: el orden es importante.. Página 25 31/01/2008 .        *  ( X ' X ) 1 X 'C Y Donde C es una matriz de constantes. y recordando que Y  X  u  *  ( X ' X ) 1 X 'C X  u   *  ( X ' X ) 1 X ' X  ( X ' X ) 1 X ' u  CX  Cu  *    ( X ' X ) 1 X ' u  CX  Cu Daniel Carrasco. Serrano. es decir. Juan C. Propiedades de los estimadores de MCO: 1. Felipe Lemarie.-GAUSS MARKOV. no cambiarlo.-Son insesgados: ˆ   ( X X ) 1 X Y Y  X  u ˆ   ( X X ) 1 X ( X  u)  ( X X ) 1 ( X X )   ( X X ) 1 X u ˆ     ( X X ) 1 X u  E     E   X ' X X '     X ' X X ' E   E    0    E       3.. Jorge Salgado.

   Daniel Carrasco.  2 también están normalmente distribuidos. Juan C. Felipe Lemarie. Serrano. Jorge Salgado. 1 .10 . Con el supuesto de normalidad.02 Análisis de regresión múltiple: el problema de la inferencia Aunque los conceptos desarrollados en los capítulos anteriores pueden ser aplicados al modelo de regresión múltiple estos modelos poseen características adicionales que le son únicas. Se mantiene el supuesto que los  i sigue la distribución normal con media cero y varianza constante  2 .PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Para que  * sea un estimador insesgado de  debe darse que CX=0 porque: E (  *)  E   ( X ' X ) 1 X ' u  CX  Cu E (  *)  E (  )  E ( X ' X ) 1 X ' u  E CX   E Cu  E (  *)    ( X ' X ) 1 X ' E (u )  CXE (  )  CE (u ) E (  *)        *    ( X ' X ) 1 X ' u  Cu Ahora se analiza la varianza Var (  *)  E  *  E (  *) *  E (  *) Var (  *)  E   ( X ' X ) X ' u  Cu   1 1 1 1     ( X ' X ) X ' u  Cu   ' Var (  *)  E ( X ' X ) X ' u  Cu  ( X ' X ) X ' u  Cu ' Var (  *)  E ( X ' X ) X ' u  Cu  u ' X ( X ' X )  u ' C ' Var (  *)  E ( X ' X ) X ' uu ' X ( X ' X )  ( X ' X ) X ' uu ' C 'cuu ' X ( X ' X )  Cuu ' C ' Var (  *)  ( X ' X ) X ' E (uu ' ) X ( X ' X )  ( X ' X ) X ' E (uu ' )C 'CE (uu ' ) X ( X ' X )  CE (uu ' )C ' 1 1 1 1 1 1 1 1 1 1  '  Var (  *)  ( X ' X ) 1 X '  2 X ( X ' X ) 1  ( X ' X ) 1 X '  2C 'C 2 X ( X ' X ) 1  C 2C ' Var (  *) '  2 ( X ' X ) 1 X ' X ( X ' X ) 1 '  2 ( X ' X ) 1 X ' C ''  2CX ( X ' X ) 1 '  2CC ' X ' C '  (CX )'  0 Var (  *)   2 ( X ' X ) 1   2CC ' ˆ Var (  *)  Var (  )   2CC ' ˆ Var ( *)  Var ( ) SEGUNDA PARTE FECHA: 2007 . se asegura que  0 . Página 26 31/01/2008 .

Jorge Salgado. SEC  SRC (k  1) (n  k ) Donde k= #de regresores Si F> valor crítico de de la tabal F. Página 27 31/01/2008 . Daniel Carrasco.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Pruebas de hipótesis: coeficiente individual de regresión parcial Yi   0  1 X 1i   2 X 2i  .l. tiene el mismo significado que en el caso de la t de Student. El valor P.l. queda fuera de la prueba. manteniendo el resto de las variables explicativas constantes no tiene influencia alguna sobre Y: H 0 : 1  0 H 1 : 1  0 ti  i    ee  i     Si t  2 : se rechaza H 0 . Si F< valor crítico de de la tabal F se acepta H 0 . Felipe Lemarie.. g. Juan C.de.. Yi   0  1 X 1i   2 X 2i     k X ki  ui H 0 : 1   2     k  0 H 0 :  1   2     k  0 SEC F SRC g. simultáneamente. En otras palabras. la intersección. se rechaza H 0 y se acepta H 1 . Serrano. la prueba F mide si Y está relacionada o no linealmente con X 1 y X 2 simultáneamente.de. se acepta H 1 Si t  2 : no se rechaza H 0 Prueba de significación global de la regresión: Examina la significación de todas las pendientes en conjunto.   k X ki  i     i  i   ti      ee  i    Lo que se desea probar es la hipótesis de que X i .

En los cortes transversales.explic. Lo que se desea es saber si al añadir una variable al modelo se aumenta la SEC (y por tanto R 2 ) significativamente en relación con la SRC. ( SEC n  SECV ) F SRC n (n  k ) m Donde m= #de nuevas variables y (n-k)= g. si pasa la prueba F el R 2 está bien. Daniel Carrasco. Juan C. en consecuencia: H0 : R2  0 H1 : R 2  0 F=0 F=  Si R 2  0 Si R 2 = 1 Cuanto mayor sea el R 2 . Serrano. Jorge Salgado. Página 28 31/01/2008 . donde por lo general se obtiene un R 2 bajo. si se hace la prueba F y si no pasa (por lo geneal no suele pasar por el problema de la auto correlación). es lo que se denomina la contribución incremental tal de una var. si pasa la prueba F no se debe preocupar. por lo general el R 2 es bajo. En una regresión con series de tiempo por lo general se tiene un R 2 alto. En la mayoría de las investigaciones empíricas.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA SEC (n  k ) SEC (n  k ) SEC (n  k ) STC F   SRC (k  1) ( STC  SEC )(k  1)  SEC  1  (k  1)  STC  R2 (k  1) F (1  R 2 ) (n  k ) La F tiene relación con el R 2 . el investigador no puede estar seguro si se justifica agregar una variable X al modelo. de l. Explic. del nuevo modelo. Lo anterior saca a relucir una importante observación empírica respecto a los datos transversales. de donde se deduce que la prueba F también mide la significación de R 2 . Felipe Lemarie. mayor será el valor de la F. ahí viene la importancia de esta prueba. La contribución “incremental” de una var.

Felipe Lemarie.166217 F=12. es 3.390496(TAF) (12.515661 R 2 =0. de l.005647(PIB) – 2.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA  SEC SEC      STC STCv  n   F STC  SEC  STC n 2 ( Rn  Rv2 ) m (n  k ) F= 2 (1  Rn ) m (n  k ) Ejemplo: consideremos el caso de la M.6455 MI= 157.002003) (0.15.74109 -2. Página 29 31/01/2008 .209947) 22.669590 F=125. La contribución incremental de TAF es: (0.707665498) 61 El valor crítico de la F al 95% con 2 y 6.845583) (0. Jorge Salgado.62927) 2  112.22499) (0.62927 R 2 =0.011364(PIB) (9.231586(TAF) (11.35987 MI= 263.8635 – 2. Serrano. se aceptan H 1 .I MI= 263.707665 0.818703 -10.59318) (0.20917 R 2 = 0.98935 -3.166216985) F (1  0.1 g.003233) 15.9814 La contribución del PIB es: Daniel Carrasco.707665498) 61 Que es justamente: (10.6416 – 0.4244 – 0.707665498 2 =73.707665498  0.58395 -11.213263) 20.83254 F (1  0. Juan C.

00. Felipe Lemarie. Para probar la H 0 . 1 FECHA: 2007-10-09 Pruebas de igualdad de los coeficientes Yi   0  1 X 1i   2 X 2i   3 X 3i  ui H 0 :  2  3 H1 :  2   3  2   3   0  2   3   0 Por ejemplo si Y= cantidad demandada de un bien.  3          Daniel Carrasco.707665498  0. la H 0 significa que los coeficientes de ingreso y riqueza son los mismos. es 4. de l. recordemos que:       i  i    i  i     ti   1 ee i      2 Var   i          2   3    2   3   t  1     2 Var   2   3         2  3        Var   2   3      1 2           Var   2   3  = Var   2  + Var   3  -2cov   2 . X 1 =precio del bien. X 2 =ingreso del consumidor y X 3 =riqueza del consumidor.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA (0. el valor crítico de la F al 95% con 61 g.707665498) 61 Que es justamente: (2. el aumento de la nueva variable es significativo.9451 En ambos casos. Jorge Salgado. Página 30 31/01/2008 . Serrano. la H 0 implicaría que las elasticidades son iguales.818703) 2  7. Si Y y los X  s están expresadas en forma logarítmica. Juan C.669589717) F (1  0.

059106) 15.23678 R 2  0.81082 Se rechaza H 0 .52865 2.700212 Std.375322 4.220 0.0000 0.96154( P 2 ) + 0.0000 0.059106 t-Statistic 22.939588( P 3 ) (6. Jorge Salgado.28372 -13.505730 5.985665 0.939588 0. Error 6. of regression Sum squared resid Log likelihood Durbin-Watson stat Daniel Carrasco. Juan C.375322) (4. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Página 31 31/01/2008 . se acepta H 1 : son diferentes Dependent Variable: CT Method: Least Squares Date: 10/08/07 Time: 07:54 Sample: 1 10 Included observations: 10 Variable C P P2 P3 R-squared Adjusted R-squared S.5 t = -12.1000 65.284911 64.47766(P) – 12.96154 0.939588 0. Serrano.15005 (0.003493  2 0.89677 13.15005 15.998339 (0.000000 Mean dependent var S.7667 + 63.89677 Prob.985665) -13.626764 1202. Felipe Lemarie.0000 0.28372 “A medida que aumentan los regresores el R 2 tiene a 1” t  12. Coefficient 141.997509 3.D.0576420.7667 63.23678 13.81363 5.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Si t  2 : se rechaza H 0 .E.0000 276. 0. se acepta H 1 Se t  2 : no se rechaza H 0 Ejemplo: consideremos la información de la tabla 7.4: P = Producción.778607 0. CT= Costo Total P2 = P^ 2 P3  P ^3 CT = 141.998339 0.971535  0.74382 -23.47766 -12.778607) 22.96154  0.

Jorge Salgado. Juan C. Serrano. lo que se llama “regresión no restringida” y se realiza la siguiente prueba de hipótesis: H 0 : 1   2  1 H 1 : 1   2  1      1   2   1   2   t   1 2      Var   1   2          1  2  1       Var   1   2      1 2           Var   1   2   Var   1   Var   2   2 cov  1 . Felipe Lemarie. Página 32 31/01/2008 .PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Prueba sobre restricciones lineales  Yi  AX 11 X 2i2 ei i ln Yi  ln A  1 ln X 1i   2 ln X 2i  i ln Yi   0  1 ln X 1i   2 ln X 2i  i No Restringida. El método de la prueba f: La idea es incorporar la restricción en la estimación de la regresión original: 1  1   2  2  1  1 ln Yi   0  (1   2 )lnX1i   2 ln X 2i  u i ln Yi   0  lnX1i   2 (lnX 2i  ln X1i )  u i Restringida (ln Yi  lnX1i )   0   2 (lnX 2i  ln X1i )  u i ln(Yi /X 1i )   0   2 ln (X 2i / X1i )  u i Daniel Carrasco. se acepta H 1 Si t  2 : no se rechaza H 0 .  2          Si t  2 : se rechaza la H 0 . Y= producción X 1  trabajo X 2  capital Si existe rendimientos constates a escala 1   2   1 El método de la prueba t: Se estima la regresión con MCO.

se acepto H 0 (se confirma que la sumatoria de las 2 elasticidades es igual a 1) Daniel Carrasco. Una vez que se estima  2 . (Yi /X1i ) es la razón producto/trabajo. Serrano. Página 33 31/01/2008 . se rechaza H 0 .  1 es de fácil acceso. Juan C.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Donde. 2 RR  R 2 de la regresión restringida m=k de restricciones lineales (n-k)= g de l de la regresión no restringida Si F> valor crítico de la F. Jorge Salgado. Este procedimiento es conocido como “mínimos cuadrados restringidos” y tiene la cualidad de asegurar que la suma de las elasticidades es igual a 1. La suma total de cuadrados no tienes nada que ver con las variables explicativas. se acepta H 1 Si F< valor crítico de la F. que son indicadores económicos importantes. Felipe Lemarie. SRC R  SRC NR  F m SRC NR n  k  F STC  SEC R  STC  SEC NR / m STC  SEC NR / n  k  F STC  SEC R  STC  SEC NR  / m STC  SEC NR  / n  k  F SEC NR  SEC R  / m STC  SEC NR  / n  k   SEC SEC    STC  STC  / m  NR R   F  SEC  1   STC  / n  k   NR   F R  R / m 1  R /n  k  2 NR 2 R 2 NR 2 Donde RNR  R 2 de la regresión no restringido.

062488 R2 = 0.E.0144 0.005861 1719.995080 SRC = 0.943981 equation eq01.425667 Std.725873 1. T= trabajo. Página 34 31/01/2008 .606198 0.652419 0.339732 (LT) + 0.013604 t (0. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Lo que quiere decir que no se rechaza la Ho.0849 0.ls lp c lt lk Dependent Variable: LP Method: Least Squares Date: 10/15/07 Time: 07:26 Sample: 1955 1974 Included observations: 20 Variable C LT LK R-squared Adjusted R-squared S.725873 1.028289 0.845997)  1 [0.185692 0.0000 12.845997 0.008715  2(0. K= capital LP = -1. Existen rendimientos constantes a escala.155221 -4. 0.381497 -4.652419 + 0.093352) -2. Juan C.185692) (0. Serrano. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -1.231 0.000000 Mean dependent var S. Jorge Salgado.22605 0.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA FECHA: 2007-10-16 Consideremos la información de la tabla 8.829548 9.017034)]1 / 2 t = 1.093352 t-Statistic -2. es decir.D.606198) (0.034481  0.339732 0.829548 9. Error 0.55221 0. lnP   0  1 ln T   2 ln K  ui lnP   0  (1   2 ) ln T   2 ln K  ui Daniel Carrasco. Felipe Lemarie.8: P= Producto interno bruto.013604 44. estadísticamente la suma de las dos elasticidades es 1.845997 (LK) (0.994501 0.995080 0.062488 Prob.339732  0.

Serrano.780138 0.016629  0.45 al 96% de confianza. ln P   o  ln T   2 (ln K  ln T )  ui (ln P  ln T )   o   2 (ln K  ln T )  ui ln( P / T )   0   2 ln( K / T )  ui LPT=log(P/T) LKT=log(K/T) LPT=-0.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Nota= Mas adelante se revisará la prueba F. de l en el numerador y 17 grados de libertad en el denominador es 4.030395 0. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient -0.977721 SRC=0.494718+1.10564 2 R  0.198200 -4.121816) (0.494718 1.923680 0.E. en ella hay un rango de tres a cinco. Felipe Lemarie.0007 0.061175 28.000000 Mean dependent var S.061175 28.036124 t-Statistic -4. usamos la que involucra a las SRC. Juan C.54470 0. por tanto. Error 0.016629 42.0000 2.10564 Prob. F 0.054470 -3.013604 / 17 El valor critico de la F con 1 g.D. 0.036124) -4. en caso de tener se tiene una gran número de observaciones caso contrario si es cercana a cinco hay número pequeño de observaciones.015301 0. Página 35 31/01/2008 .015301(LKT) (0.954897 789.013604 / 1  3.121816 0.ls LPT C LKT Dependent Variable: LPT Method: Least Squares Date: 10/16/07 Time: 09:27 Sample: 1955 1974 Included observations: 20 Variable C LKT R-squared Adjusted R-squared S. 5 pocas observaciones 3 muchas Daniel Carrasco.016629 equation eq02. Jorge Salgado.9271 0.976483 0.977721 0.306521 Std. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Para la prueba F no podemos utilizar la relación que involucra al R 2 porque la variable dependiente de la regresión no restringida es diferente a la de la restringida.

cunado dichas series son no estacionarias. estadísticamente la suma de las dos elasticidades es 1. Felipe Lemarie.9.0349 Ingreso Personal Disponible (IPD) = 477. Desde el 2002 a la fecha se debe tomar en cuenta. las pruebas de hipótesis es una regresión Notas Extra: Estacionalidad= es un fenómeno que se encuentra persistentemente en fenómenos de cada año.36447 En los exámenes se debe hacer ejercicios del GAN y el DIV. mayo y las fechas de entrega de obsequios. de no ser el caso. por tanto se desea saber si tal predicción es válida. Jorge Salgado.1134 Dividendos Corporativos Netos ( DIV) = 38. El año 2000 es el año de transición la información estadística no sirve para nada. superior a 0.1134 Ganancias Corporativas después de impuestos (GCP) = 463. La primera hora de clase del 2008 debe ser entregado el trabajo. se acepta H 0 . Producto Interno Bruto (PIB) = 630. Prueba F global: control de lectura Econometría de series de tiempo: algunas ideas básicas El Problema: 1) El trabajo empírico como series de tiempo supone que éstas son estacionarias. 4) Los modelos de regresión con series de tiempo se utilizan para pronósticos. existen rendimientos constantes a escala. por ejemplo las ventas en febrero.3675 Gasto Consumo Personal (GCP) = 463. Situación que se conoce como el problema de la regresión espuria.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA observaciones. Se debe buscar información mensual de una empresa. En el trabajo para la tercera nota debemos revisar más de tres años de información. Daniel Carrasco. Serrano. 2) La autocorrelación se origina debido a que las series de tiempo involucradas son no estacionarias. FECHA: 2007-10-23 Procesos Estocásticos Un proceso estocástico es una colección de variables aleatorias ordenadas en el tiempo. Página 36 31/01/2008 . No se debe confundir estacionalidad con estacionariedad. 3) En las regresiones con series de tiempo con frecuencia se obtiene un R2 muy elevado. aunque no haya una relación significativa entre ellas. En consecuencia. El tercer parcial se debe hacer aplicaciones desde el tema del problema. Juan C.

se denota como Yt . La distinción entre un proceso estocástico y su realización es semejante a la diferencia entre población y muestra en datos transversales. Autocovarianza = autocorrelación. El PIB o cualquiera de las variables macroeconómicas. Sea Yt una serie de tiempo estocástica: Media: E Y(t )  u Varianza: Var Y(t )  E Y(t )  u    2 2     Autocovarianza:  k  E Y(t )  u Yt  k  u  Si k = 0..  0   2 La autocovarianza es el producto de dos desviaciones con respecto a la media. Vamos a usar las imperfecciones de las series estacionarias para armar los modelos. posteriormente. La media y la varianza oscilan entren valores. su varianza y su autocovarianza (en los diferentes rezagos) permanecen iguales sin importar el momento en el cual se midan. Donde  k . ejemplo el PIB.. Para propósitos de pronósticos. Y88 . Si Y representa al PIB. las series de tiempo no estacionarias tendrán un valor práctico insignificante.. Si Y es una variable aleatoria discreta.. Si en datos transversales. caso contrario el proceso estocástico es no estacionario.. es un proceso estocástico porque cada valor de cada trimestre es la realización particular de una infinidad de posibilidades económicas y políticas. entre dos valores Y que están separados k periodos. Y2 . es la autocovarianza al rezago k. Juan C. Covarianza = correlación.. en las series de tiempo se emplea la realización para inferir respecto al proceso estocástico subyacente. es decir. Serrano. Daniel Carrasco. de la misma forma.. entonces se tiene Y1. Jorge Salgado. un electrocardiograma. ejemplo.Y87 .   Página 37 31/01/2008 . Felipe Lemarie.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Si Y es una variable aleatoria continua se denota como Y(t ) . la muestra sirve para inferir en la población. y es la covarianza entre los valores de Yt y Yt  k . Proceso Estocástico Estacionario Se dice que un proceso estocástico es estacionario si su media. cada una de estas Y es una variable aleatoria. Y3. El problema de las series de tiempo no estacionarias es que solo se puede estudiar su comportamiento durante ese periodo particular y no se puede generalizar para los otros periodos.

4.Marco teórico.-Marco empírico. Felipe Lemarie. Revisar capítulo 21 y 22 para la realización del trabajo. Si una serie va disminuyendo también es no estacionario. Serrano. Notas:     Para le prueba hay un entrelazamiento entre el e-views y el Excel. octubre y febrero proscripción. Explicación de la variable (al menos dos páginas). Comparación entre septiembre. 3. misión. Daniel Carrasco.Conclusiones. No se escribe las fórmulas. Juan C.-Antecedentes.. En el caso de ser una empresa se debe poner en contexto el marco de la empresa visión. octubre. Si el término de error ut del modelo de una regresión lineal es ruido blanco. Diciembre. La explicación (muy importante). Cuadros y gráficos analizados. Jorge Salgado. 2. Página 38 31/01/2008 . Una serie no estacionaria es una serie que aumenta paulatinamente o que disminuye paulatinamente. Trabajo: 1. descripción de la variable macroeconómica. objetivos. noviembre comparación con el campo real. parte de que es. entre otras. todas las fórmulas. Es mejor obtener la primera y segunda diferencia en el software Excel.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Un proceso puramente aleatorio o “ruido blanco” es aquel que tiene una media igual a cero.. una varianza constante  2 y no está autocorrelacionada. se dice que dicha regresión no adolece de autocorrelación y está correctamente estimada.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Ejemplo de una serie no estacionaria: 5200 4800 4400 4000 3600 3200 2800 70 72 74 76 78 80 82 PIB 84 86 88 90 La serie no estacionaria está plagada de autocorrelación. Jorge Salgado. Serrano. Felipe Lemarie. Juan C. Página 39 31/01/2008 . Daniel Carrasco.

Felipe Lemarie.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Ejemplo de una serie estacionaria: 120 80 40 0 -40 -80 -120 70 72 74 76 78 80 82 84 86 88 90 D1PIB No hay gran oscilación de la media de los valores. Jorge Salgado. Juan C. Otra serie más estacionaria: 120 80 40 0 -40 -80 -120 70 72 74 76 78 80 82 84 86 88 90 D2PIB Daniel Carrasco. Página 40 31/01/2008 . Serrano.

99 219.99 3886.78 18.95 47.24 32.23 50. Ejemplo: En el correlograma del PIB está plagada de barras grises es decir de autocorrelación. es el gráfico.03 55.75 43. lo cual.04 4555. no existe correlación.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Media 70Q1-74Q4 75Q1-79Q4 80Q1-84Q4 85Q1-89Q4 PIB D1PIB D2PIB 3091.53 24.8 17. PAC= Promedios móviles. Juan C.61 -0.46 36. Página 41 31/01/2008 . La ACF muestral al rezago K es: la basada en la “función de de ˆ k  ˆk  ˆ0  (Y  Y )(Y  Y )  auto cov arianza var ianza  (Y  Y ) t t k 2 t ˆ Donde  k = coeficiente de autocoerrelación ˆk = autocovarianza y ˆ0 = varianza y Y = media muestral. mientras la segunda y tercera son estacionarias.21 29. Función de autocorrelación y correlograma: Una prueba sencilla de estacionariedad está autocorrelación muestral”.41 0. Los d1 y d2 PIB. Felipe Lemarie. Serrano.03 211. proporciona una clave inicial sobre naturaleza de esa serie.68 Varianza PIB D1PIB D2PIB 161. La primera es no estacionaria.98 18. Jorge Salgado.01 3527.94 32.1 FECHA: 2007-10-25 Pruebas de Estacionariedad: Prueba Gráfica: El primer paso para analizar una serie de tiempo.98 1.52 152. Daniel Carrasco.27 -0.

1 N ) Donde u es el tamaño de la muestra.  1. no hay autocorrelación. Juan C. Felipe Lemarie. hay autocorrelación. al 95% del nivel de confianza.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Si se grafica  k frente a k se obtiene el correlograma muestral.   Página 42 31/01/2008 .96( 1 ) 88 1   k  1.    k N (0. Daniel Carrasco.Según Barlet los coeficientes de autocorrelación muestrales son aproximadamente.96( 1 ) 88  1 2  0. escogemos 25 que se encuentra entre 22 y 29. Jorge Salgado. Serrano. Si  k está fuera del intervalo se acepta la H1 . una buena costumbre es escoger un valor entre el tercio o cuarto de la longitud de la serie de tiempo.96( 1 ) n 1 2    k  1. La significación estadística de cualquier  k puede juzgarse mediante su error estándar.209   k  0.209 H 0 :  k  0 H1 :  k  0   Si  k esta dentro del intervalo se acepta H 0 . En nuestro ejemplo. La elección del número de rezagos es totalmente empírica.96( 1 ) n  2  1 2  1.

Jorge Salgado. FECHA: 2007.210   k  0.30 Análisis de LJUN-BOX ˆ Si se desea probar la hipótesis conjunta de que todos los  k son simultáneamente iguales a cero.211 El coeficiente de Bartlett es la diferencia entre la línea central y la línea segmentada. Felipe Lemarie. se acepta H0. Si QLB < valor crítico de la tabla  2 .211   k  0. En la segunda diferencia se pierden dos observaciones y por eso varia de nuevo el coeficiente de Bartlett.10 . se acepta H1. la serie es estacionaria. Juan C. se recurre al estadígrafo LJUN-BOX: QLB ˆ   k2    n(n  2)    k 1  n  k  m Donde n es el tamaño de la muestra y m es la longitud del rezago.El PAC mide los promedios móviles . Página 43 31/01/2008 .96 1 86    1 2  0. .96 1 87    1 2   k  1. -Mientras se disminuye el valor deL Ljung Box sube el valor probabilístico de igual forma que con la F. la serie es no estacionaria. H0: todos los  k  0 H1: todos los  k  0 Si QLB > valor crítico de la tabla  2 . QLB es aproximadamente una distribución  2 con g de l.96 1 86    1 2   k  1.El q stat es el Ljun Box. .96 1 87    1 2  0. En la primera diferencia el coeficiente varia por que no disminuye en 1.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA  1. Serrano.210  1. Si la franja no cruza la línea entrecortada no hay autocorrelación. Daniel Carrasco.

266 No estacionaria No estacionaria No estacionaria No estacionaria La diferencia entre 38.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA 2  25. Juan C. el punto de inicio es el proceso estocástico de raíz unitaria.130 65.2) 891. Jorge Salgado.861 No estacionaria No estacionaria IPD 1era IPD 2da IPD 940.6114 QLB QLB PIB D(PIB) D (PIB.50 28.406 y 14. En software e . Daniel Carrasco. Página 44 31/01/2008 .25 38.406 54. Por lo que podemos tener la idea de que tiene niveles de estacionariedad.views se visualiza de la siguiente manera en el caso del PIB: Prueba de Raíz Unitaria Dickey-Fuller desarrollaron la prueba de raíz unitaria. Felipe Lemarie.95%  14. Serrano.6114 es reducida.

H0:   1 H1: todos los   1 Si    crítico. Yt  Yt 1  ut (Yt  Yt 1 )  Yt 1  Yt 1  ut Yt  Yt 1  ut    1 Daniel Carrasco. Felipe Lemarie. Mac-Kimmer construyó el estadígrafo Tau ( ) a cuyos valores hay que referirse. Serrano. Página 45 31/01/2008 .2) IPD D (IPD) D (IPD. Pero si hay la sospecha de que la serie es estacionaria.2) no estacionara estacionara estacionara no estacionaria estacionaria estacionaria RPIB = PIB (-1) R1PIB = D (PIB (-1)) R2PIB = D (PIB(-1). para concluir que   1 . Juan C. se resta Yt 1 .PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Yt  Yt 1  ut Yt m=1 45° Yt-1 Si   1 se dice que Yt tiene problema de raíz unitaria. Sin embargo. se acepta Ho. Jorge Salgado. el estadígrafo t no tiene una distribución normal asintótico. hay problemas de raíz unitaria y la serie es no estacionaria. en ambos lados de la ecuación anterior. 2) PIB (-1) D (PIB (-1)) D(PIB(-1). EQ01 EQ02 EQ03 EQ04 EQ05 EQ06 PIB D (PIB) D (PIB.2) IDP (-1) D (IDP (-1)) D (IDP (-1).2) FECHA: 2007-10-31 Por razones teóricas. Dickey y Fuller dan un paso adelante. y por tanto la serie es no estacionaria. por tanto. se sigue la prueba usual de la t de Student.

0. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat t-Statistic 5.93448 10.93333 35.015192 36.ls d(pib) pib(-1) Dependent Variable: D(PIB) Method: Least Squares Date: 10/31/07 Time: 09:03 Sample (adjusted): 1970Q2 1991Q4 Included observations: 87 after adjustments Variable PIB(-1) R-squared Adjusted R-squared S.2083 Std. Esa la razón para que la prueba de hipótesis este distorsionada. Error 0.0000 22.340574 Vamos ahora a revisar la estacionariedad de la primera diferencia: d(pib.E.20640 112737.D.005765 -0.   1 hay problemas de raíz unitaria y la serie es no estacionaria. Felipe Lemarie.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Ho :   0 H1 :   0 Si  >  crítico.2) d(pib(-1)) Por lo tanto es estacionaria.798077 Prob. Daniel Carrasco.7 -435. es decir verdadero y representa a la T student. En el ejemplo: Analizando el PIB: d(pib) pib(-1) no estacionaria equation eq01. Asi que -5.000994 Mean dependent var S. se acepta la Ho :   0 . Hacer Gráficos PIB RPIB D1PIB R1PIB D2PIB R2PIB Si se le obliga a pasar por el origen los mínimos cuadrados no se cumplen. Serrano. Se deben considerara los procesos no estocásticos que se debe incluir en el marco teórico de la investigación. No hay necesidad de irse al Unit Root Test.02778 10.05612 1. of regression Sum squared resid Log likelihood Coefficient 0. Juan C.015192 -0. Pero si se sospecha de que la serie es estacionaria se sigue la prueba de la t student. Página 46 31/01/2008 . Jorge Salgado.181149 es estadísticamente significativo.

2) R-squared Adjusted R-squared S.479621 0.2) d(pib(-1)) Dependent Variable: D(PIB.2557 Std. 0. Serrano. Felipe Lemarie.ls d(pib. Dependent Variable: D(IPD) Daniel Carrasco. Juan C. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Existe la sospecha de estacionariedad. Ahora a revisaremos la estacionariedad de la tercera diferencia: equation eq03.17832 2.08100 2.65355 114196.113405 Mean dependent var S.192062 Mean dependent var S.04441 10.ls d(IPD. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Con respecto al IPD: equation eq04. Jorge Salgado.3573 Std. Error 0.ls d(pib.2) IPD(-1) es no estacionaria.701542 38.14958 10. 0.42644 10.05278 Prob.239996 36. Página 47 31/01/2008 .239996 0.1 -431.3) Method: Least Squares Date: 10/31/07 Time: 09:20 Sample (adjusted): 1970Q4 1991Q4 Included observations: 85 after adjustments Variable D(PIB(-1).099348 t-Statistic -14.770588 70.7 -430.2) Method: Least Squares Date: 10/31/07 Time: 09:13 Sample (adjusted): 1970Q3 1991Q4 Included observations: 86 after adjustments Variable D(PIB(-1)) R-squared Adjusted R-squared S. of regression Sum squared resid Log likelihood Coefficient -0.E.D.0000 -0. Error 0.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA equation eq02. of regression Sum squared resid Log likelihood Coefficient -1.206977 42.3) d(pib(-1).47489 124346.2) Como el estadígrafo no es cero tenemos una t de Student.701542 0. Dependent Variable: D(PIB.05246 10.E.D.396111 0.181149 Prob.0000 0.092570 t-Statistic -5.

0.591813 -1.614315 Prob. Coefficient Std. Error t-Statistic Prob. Advertimos que los valores críticos dependen de los valores de confianza.92843 9. Analizando con los calores críticos de MacKinnon.563264 2.E.001072 t-Statistic 5. Juan C. Serrano. por lo tanto es  .705903 Prob.944574 -1. Con el UNIT ROOT TEST Null Hypothesis: IPD has a unit root Exogenous: None Lag Length: 0 (Fixed) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.026675 28.29847 68869. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Es no estacionaria. of regression Sum squared resid Log likelihood Coefficient 0.2) Method: Least Squares Date: 10/31/07 Time: 09:31 Sample (adjusted): 1970Q3 1991Q4 Included observations: 86 after adjustments Variable Daniel Carrasco. Felipe Lemarie. Página 48 31/01/2008 .09 -413.705903 -2.* 1. Error 0. Dependent Variable: D(IPD.054157 Mean dependent var S. El delta es cero.D.0000 Con respecto al IPD2 equation eq05.026675 -0.534920 9.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Method: Least Squares Date: 10/31/07 Time: 09:26 Sample (adjusted): 1970Q2 1991Q4 Included observations: 87 after adjustments Variable IPD(-1) R-squared Adjusted R-squared S. 5.006115 -0.7690 Std.ls d(IPD.89540 27. Jorge Salgado.0000 17.2) D(IPD(-1)) es estacionaria.

112660 Mean dependent var S. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Con respecto al IPD3 equation eq06. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat Por razones de inconsistencia en las dos pruebas de hipótesis anteriores Dickey y Fuller introducen dos cambios: 1.0000 0. Página 49 31/01/2008 . of regression Sum squared resid Log likelihood -0. Error 0.66999 9.92066 9.502741 0.00970 2.980960 10.094321 t-Statistic -15.E.1908 Std.36399 105051. Juan C. Felipe Lemarie. of regression Sum squared resid Log likelihood Coefficient -1.El acerca de la tendencia: Yt  1   2T  Yt 1  ut Y para ambos casos: Ho :   0..24 -420.374723 0.790857 9. se acepta la H 1 .437722 Mean dependent var S.751357 35.D.110588 70.D. no hay problemas de raíz unitaria y la serie es estacionaria.745190 0.   1 Si  >  crítico.   1 Ho :   0 .93217 Prob. 0. Serrano.0000 -0.751357 0.ls d(IPD.819396 2.254651 40.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA D(IPD(-1)) R-squared Adjusted R-squared S.0069 0.2) R-squared Adjusted R-squared S.E.15957 87910.3) Method: Least Squares Date: 10/31/07 Time: 09:33 Sample (adjusted): 1970Q4 1991Q4 Included observations: 85 after adjustments Variable D(IPD(-1).374723 32.2) D(IPD(-1)) es estacionaria Dependent Variable: D(IPD.137588 0.4 -423.104404 -7.-Inclusión de la intersección: Yt  1  Yt 1  ut 2. Daniel Carrasco. Jorge Salgado.

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA

Si  <  crítico, se acepta la H 0 , hay problemas de raíz unitaria y la serie es no estacionaria. Siguiendo con el ejemplo:
 equation eq07.ls d(pib) c pib(-1) se acepta la hipótesis nula, es decir la serie es no estacionara.

Dependent Variable: D(PIB) Method: Least Squares Date: 10/31/07 Time: 09:47 Sample (adjusted): 1970Q2 1991Q4 Included observations: 87 after adjustments Variable C PIB(-1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 28.20542 -0.001368 0.000565 -0.011193 36.13503 110987.9 -434.5278 1.351998 Std. Error 24.36532 0.006242 t-Statistic 1.157605 -0.219165 Prob. 0.2503 0.8270 22.93333 35.93448 10.03512 10.09181 0.048033 0.827047

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

Null Hypothesis: PIB has a unit root Exogenous: Constant Lag Length: 0 (Fixed) t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values. -0.219165 -3.507394 -2.895109 -2.584738 Prob.* 0.9310

Augmented Dickey-Fuller Test Equation Dependent Variable: D(PIB) Method: Least Squares Date: 10/31/07 Time: 09:47 Sample (adjusted): 1970Q2 1991Q4 Included observations: 87 after adjustments
Daniel Carrasco. Felipe Lemarie. Jorge Salgado. Juan C. Serrano.

Página 50

31/01/2008

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA

Variable PIB(-1) C R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

Coefficient -0.001368 28.20542 0.000565 -0.011193 36.13503 110987.9 -434.5278 1.351998

Std. Error 0.006242 24.36532

t-Statistic -0.219165 1.157605

Prob. 0.8270 0.2503 22.93333 35.93448 10.03512 10.09181 0.048033 0.827047

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

equation eq08.ls d(pib,2) c d(pib(-1)) es estacionaria.

Dependent Variable: D(PIB,2) Method: Least Squares Date: 10/31/07 Time: 09:50 Sample (adjusted): 1970Q3 1991Q4 Included observations: 86 after adjustments Variable C D(PIB(-1)) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 16.00498 -0.682762 0.343552 0.335737 34.26717 98636.06 -424.9570 2.034425 Std. Error 4.396717 0.102975 t-Statistic 3.640211 -6.630339 Prob. 0.0005 0.0000 0.206977 42.04441 9.929234 9.986311 43.96140 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

equation eq09.ls d(pib,3) c d(pib(-1),2) estacionaria

Dependent Variable: D(PIB,3) Method: Least Squares Date: 10/31/07 Time: 09:54 Sample (adjusted): 1970Q4 1991Q4 Included observations: 85 after adjustments Variable C D(PIB(-1),2) R-squared Adjusted R-squared
Daniel Carrasco. Felipe Lemarie. Jorge Salgado. Juan C. Serrano.

Coefficient -0.203950 -1.396064 0.701550 0.697955

Std. Error 4.198389 0.099948

t-Statistic -0.048578 -13.96796

Prob. 0.9614 0.0000 -0.770588 70.42644

Mean dependent var S.D. dependent var

Página 51

31/01/2008

PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA

S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat

38.70543 124343.1 -430.3561 2.113539

Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

10.17308 10.23056 195.1039 0.000000

Analizando el IPD, tenemos: IPD no estacionaria. D(IPD) estacionaria. D(IPD,2) estacionaria.

Continuando con el ejercicio: D(PIB) C T(-1) PIB(-1) PIB D (PIB) D (PIB, 2) IPD D (IPD) D (IPD, 2) No estacionaria. No estacionaria. estacionaria. No estacionaria. No estacionaria. No estacionaria.

FECHA: 2007-11-06 Si el término de error u t sigue autocorrelacionado, la última ecuación se modifica y toma el nombre de Dickey-Fuller Aumentada.
Yt   1   2T  Yt 1   i  Yt 1   t
i 1 m

Yt  1   2T  Yt 1  1Yt 1   t Yt  1   2T  Yt 1  1Yt 1   2 Yt 2   t
El número de términos en diferencia rezagadas se determina empíricamente hasta que el término de error sea ruido blanco. La prueba de hipótesis es la misma que la anterior.

El Dikey F. es menor que todos los valores críticos de Mackinnon.
En el ejercicio: Lag Length: 4 (Fixed)
Daniel Carrasco. Felipe Lemarie. Jorge Salgado. Juan C. Serrano.

Página 52

31/01/2008

0574 Quiere decir que existe hasta el 95% del nivel de confianza estacionariedad PIB: 0 1 2 3 4 -0.407420 -4. D( PIB.011534 0.000229 * 3. D( PIB. Página 53 31/01/2008 .PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA t-Statistic Augmented Dickey-Fuller test statistic Test critical values: 1% level 5% level 10% level *MacKinnon (1996) one-sided p-values.2)  1   2   ( PIB(1))  D( PIB(1).009876 * 9.407420 Estacionaria hasta el 90 % de confianza. Juan C. Felipe Lemarie.085875 -0.090404 -0.054741 0.104147 estacionaria 0.033473 0.113511 -0.159372 Prob.055398 -0.2)   4 D( PIB(4).685320 0. -3.073859 -3. Jorge Salgado.027794 * 2.2)   2 D( PIB(2).735240 Serie no estacionaria.035363 -0.096699 -0.2) D (PIB.2)   3 D( PIB(3).465548 -3. D( PIB)  1   2  PIB(1)  D( PIB(1))   2 D( PIB(2))   3 D( PIB(3))   4 D( PIB(4)) D (PIB): 0 1 2 3 4 0.3)  1   2  D( PIB(1).018194 Estacionaria hasta el 90 % de confianza. 2): 0 1 2 3 4 0. Serrano.* 0.035932 -0.2)  D( PIB(1).3) Daniel Carrasco.

Modelos de ecuaciones simultáneas: Tuve vigencia hasta la crítica de Lucas. Juan C. . -Metodología de Box-Jenkins: Sus propulsores son llamadas “ateórico”. . Además su apogeo perduró a lo largo de las décadas de los sesenta y setenta. Los parámetros de un modelo econométrico dependen de la política prevaleciente y cambiaran s hay un cambio de política los parámetros no son constantes ante cambios de política.Modelos de alisamiento exponencial: ajustan una curva apropiado a datos históricos de una serie de tiempo. Por enfatizar la estadística. pero cada variable endógena es explicada por sus valores agregados de las demás varables endógenas. Felipe Lemarie. No sirve para pronóstico. que considera diversas variables endógenas de manera conjunta. La crítica de Lucas se pone en vigencia con los cambios estructurales. Cuando la economía se calienta = La tasa de inflación al alza. . enfatiza el análisis de las propiedades probabilísticas de las series de tiempo bajo la filosofía de permitir que la información hable por si misma. Serrano. reciben el nombre de modelos “a-teóricos”. Jorge Salgado. Este tipo de ecuaciones tiene aplicaciones microeconómicas. No hay variables exógenas en el modelo. . Solo sirve para obtener estadígrafos. Es un modelo con una regresión. También es conocida como ARIMA. Página 54 31/01/2008 .Modelos uniecuacionales: Tienen el problema que los errores de predicción aumentan rápidamente en el futuro. Yt puede ser explicada por valores rezagados de si mismo y por términos estocásticos de error (am) por esta razón. Elaboración de los modelos de Proceso autoregresivo: Elaboración de los modelos Proceso autoregresivo (AR) Daniel Carrasco.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA FECHA: 2007-11-08 EL PROBLEMA: 1) ¿Cómo se diseña un modelo con una serie de tiempo estacionaria? 2) ¿Cómo se utiliza el modelo para fines de pronóstico? Enfoques para la predicción económica: .Metodología VAR: Propuesta por Cristopher Sims. Enuncio acerca de: y=f(x) x=f(y) Además critico al análisis con la de t Student.

342768(4868. Jorge Salgado.8-4859.ls d(pib) c d(pib(-1)) d(pib(-8)) d(pib(-12)) ˆ ˆ ˆ ˆ (91 : 4  91 : 3)   O  1 (91 : 3  91 : 2)   2 (89 : 4  89 : 3)   3 (88 : 4  88 : 3) ˆ ˆ ˆ ˆ (91 : 4)  (91 : 3)     (91 : 3  91 : 2)   (89 : 4  89 : 3)   (88 : 4  88 : 3) O 1 2 3 ˆ ˆ ˆ ˆ (92 : 1)  (91 : 4)   O  1 (91 : 4  91 : 3)   2 (90 : 1  89 : 4)   3 (89 : 1  88 : 4) (92:1)=4868.7)-0.734 D(PIB) C AR(1) AR(8) AR(12) Daniel Carrasco.0+28. Serrano.299466(4880. Juan C.AR(p). Página 55 31/01/2008 . AR (1). Felipe Lemarie.8-4779.7) (92:1)=4883.7)-0.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Si Yt es una serie de tiempo estacionaria y se puede modelar como: Yt     1 Yt 1     t Donde  es la media de Yt y  t es el vector de errores no correlacionados con media cero y varianza  2 (ruido blanco).19371+0. Yt  (1  1   2     p )  1Yt 1   2Yt 2     pY p 1  ut Ejercicio de E views: D(PIB) k=1 k=8 k=8 equation eq01. Yt  1  1   1Yt 1  t Si Yt es una serie de tiempo estacionaria se puede modelar como: Yt     1Yt 1     2 Yt  2     t Yt    1Yt 1   2Yt 2   2  ut Yt  (1  1   2 )  1Yt 1   2Yt 2  ut En general: (Yt   )  1 (Yt 1   )   2 (Yt 2   )     p (Yt  p   )  ut Yt sigue un proceso autorregresivo de valores p.264371(4809.0-4862. Yt sigue un proceso autoregresivo de 1er orden. entonces.

Juan C.LS D(PIB) C AR(1) AR(8) AR(12) Cambiamos la fecha: Daniel Carrasco. Jorge Salgado.D.905695 9.469531 -2.766317 Std.299466 -0.E.469531 -2.813965 0.947523 -2.264371 0. Felipe Lemarie.342768 -0.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Dependent Variable: D(PIB) Method: Least Squares Date: 11/08/07 Time: 09:35 Sample (adjusted): 1973Q2 1991Q4 Included observations: 75 after adjustments Variable C D(PIB(-1)) D(PIB(-8)) D(PIB(-12)) R-squared Adjusted R-squared S.55936 9.947523 -2. Error 5.0009 0.38030 69915.0091 21.263256 31. Serrano.098794 0.0000 0. 0.782096 9. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 28.52933 36.098582 t-Statistic 5.000017 Mean dependent var S. Página 56 31/01/2008 .19371 0.055578 3.8286 1.576752 0.101599 0.681742 Prob.0043 0.33 -362. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Variables significativas 3.681742 FECHA: 2007-11-13 EQUATION EQ01.293124 0.

098794 0.85-.0091 21.7 3125.8 3037.31+. Página 57 31/01/2008 .E.293124 0.6 3264.905695 9.782096 9. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Coefficient 23. 0.813965 0. Serrano.88i -.28i Mean dependent var S. Jorge Salgado.57+. Felipe Lemarie.8 3175.5 3253.1 3259.33 -362.31-.9 2947. Error 2. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) .264371 0.342768 -0.87i -.8286 1.59i -.08936 0.947523 -2.25-.681742 Prob.D.6 Daniel Carrasco.299466 -0.52933 36.3 3289.55936 9.980356 0.88i -.92-.59i .263256 31.0009 0.28i .08:52 1970Q1 1970Q2 1970Q3 1970Q4 1971Q1 1971Q2 1971Q3 1971Q4 1972Q1 1972Q2 1972Q3 1972Q4 1973Q1 1973Q2 1973Q3 1973Q4 1974Q1 1974Q2 2872.25+.28i Observamos a las celdas vacías Last updated: 11/13/07 .28i .101599 0.61-.61+.0043 0.3 3267. Juan C.0000 0.3 3089.6 2873.469531 -2.87i -.4 2966 2980.92+.3 2896.098582 t-Statistic 7.85+.59i Std.7 2942.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Dependent Variable: D(PIB) Method: Least Squares Date: 11/13/07 Time: 08:50 Sample (adjusted): 1973Q2 1991Q4 Included observations: 75 after adjustments Convergence achieved after 3 iterations Variable C AR(1) AR(8) AR(12) R-squared Adjusted R-squared S.747181 3.38030 69915.000017 .57-.766317 .4 3267.8 2860.59i -.

6 3779. Serrano.4 3864.5 4144 4166.5 3808.1 3226.8 3732.4 3249.9 3292.1 4089.2 3591.5 4387.5 3814.1 3756.3 3807. Jorge Salgado.1 3771.6 3830.4 4012.1 3754.4 3759.7 3369.5 3944.2 4221.7 4412.6 3783.6 4427.4 3525 3574.4 3154 3190.8 4309 4333.5 3886.4 4194.5 3860.6 3733. Felipe Lemarie.5 3356.1 Daniel Carrasco.5 3803.3 3466.8 3784.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA 1974Q3 1974Q4 1975Q1 1975Q2 1975Q3 1975Q4 1976Q1 1976Q2 1976Q3 1976Q4 1977Q1 1977Q2 1977Q3 1977Q4 1978Q1 1978Q2 1978Q3 1978Q4 1979Q1 1979Q2 1979Q3 1979Q4 1980Q1 1980Q2 1980Q3 1980Q4 1981Q1 1981Q2 1981Q3 1981Q4 1982Q1 1982Q2 1982Q3 1982Q4 1983Q1 1983Q2 1983Q3 1983Q4 1984Q1 1984Q2 1984Q3 1984Q4 1985Q1 1985Q2 1985Q3 1985Q4 1986Q1 1986Q2 1986Q3 1986Q4 3239.5 4390. Página 58 31/01/2008 .8 4254. Juan C.6 3780.8 3707 3735.5 3844.4 3567.2 3381 3416.

7 4809. Daniel Carrasco.3 4903.3 4855.5 4655.3 4559. Juan C.4 4845.1 4824 4840.7 4880. Serrano.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA 1987Q1 1987Q2 1987Q3 1987Q4 1988Q1 1988Q2 1988Q3 1988Q4 1989Q1 1989Q2 1989Q3 1989Q4 1990Q1 1990Q2 1990Q3 1990Q4 1991Q1 1991Q2 1991Q3 1991Q4 1992Q1 1992Q2 1992Q3 1992Q4 4460 4515. Felipe Lemarie.3 4704.7 4862. Jorge Salgado.5 4779.7 4868 Y obtenemos una serie PIB F.6 4859.8 4832.3 4625. Página 59 31/01/2008 .8 4734.8 4900.

79 es válido EL CASO DEL ipd. Juan C. Página 60 31/01/2008 . En el static se utiliza los valores digitados.018 3561. D(PIB) C AR(1) AR(8) AR(12) D(PIB. Jorge Salgado. Serrano. Nota: La aplicaciones de “Dynamic” son para convergencia.695 3616.634 3629.25) AR(1) AR(20) AR(25) 3566.018 3591.2) C AR(1) AR(8) AR(12) D(IPD) C AR(25) D(IPD) C AR(5) D(IPD) C AR(21) AR(25) Q1 Q2 Q3 Q4 D(IPD) D(IPD.854 3599.328 3617. El test de convergencia no es infalible.857 3588.2) AR(25) AR(5) AR(21.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Hacemos un grupo con el PIB Y EL PIB F y completamos las cuatro predicciones.737 3618.643 3638. Felipe Lemarie. El mejor es el promedio. Según Chistopher Sims el 1.306 3574.657 3601.329 Daniel Carrasco.

506 4936. k ut k Se dice que Yt sigue un proceso de media móvil de q orden MA (q). Daniel Carrasco. Felipe Lemarie. se dice que Yt sigue un proceso de media móvil de primer orden. y se puede modelar como: Yt     0 ut  1ut 1   2 ut 2 Se dice que Yt sigue un proceso de media móvil de segundo orden MA (2).774 4986.12) 4883. Si Yt es una serie de tiempo estacionaria. Serrano.. y se puede modelar como: Yt     0 ut  1ut 1 Donde  es una constante y ut es el vector de errores estocásticos. Jorge Salgado.12) 4877.2) c MA(1) MA(8) MA(24) FECHA: 2007-11-27 Proceso Autorregresivo y de Media Móvil (ARMA) Se debe tomar en cuenta que el análisis es al nivel cuando es estacionaria.2) c MA(1) MA(2) MA(8) MA(12) MA(24) EQ03: (PIB..662 4947.392 D(PIB... Página 61 31/01/2008 .2) AR(1. ruido blanco.48 4909. MA (1). Juan C. En general: Yt     0 ut  1ut 1   2 ut 2  ..734 4905..902 4889.. EQ01: D(PIB) c MA(1) MA(8) MA(12) EQ02: D(PIB.8.918 FECHA: 2007-11-20 Proceso de Media Móvil Si Yt es una serie de tiempo estacionaria.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Q1 Q2 Q3 Q4 D(PIB) AR(1.8.

q).1). Felipe Lemarie. Si Yt es una serie de tiempo estacionaria al nivel y se puede modelar como: Yt    1Yt 1   0 ut  1ut 1 Yt sigue un proceso autorregresivo de 1er orden y media móvil de 1er orden ARMA (1. FECHA: 2007-11-29 Vectores Autorregresivos (VAR): En los modelos uniecuacionales y de ecuaciones simultáneas las variables deben ser identificadas como endógenas o exógenas. Juan C. Daniel Carrasco. Si ese modelo se utiliza para predicción. un proceso autorregresivo integrado de media móvil donde p es el número de términos autorregresivos. por lo tanto no podemos trabajar de ese modo. d. se debe suponer que sus características son estables o constantes en el tiempo. Se incerta la d. en un proceso ARMA (p.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA En ocasiones una serie de tiempo Yt es estacionaria al nivel y puede tener características de AR y MA. Jorge Salgado. Serrano. Página 62 31/01/2008 . decisión que según Christopher Sims. para conocer si se trata de la primera o la segunda diferencia. Si tenemos una serie descendente o ascendente es no estacionaria. El objetivo de Jenkins es identificar un modelo estadístico que pueda ser interpretado como generador de la información muestral. a menudo es subjetiva y más bien no debe haber ninguna distinción. (d) es el número de veces que debe ser diferenciada para volverse estacionaria y (q) es el número de términos de media móvil. En el caso de que sea estacionara los estadígrafos probabilísticas son semejantes y las características en el futuro se van a mantener. Si Yt es una serie de tiempo que en (d) diferencias se vuelve estacionaria. q) habrá p términos autorregresivos y q términos de media móvil. En general. especialmente en el futuro. se dice que la original es ARIMA (p. entonces es un proceso ARMA. simultáneamente. Si la serie va ascendiendo sabemos que las características de cada trama son cambiantes. Proceso Autorregresivo Integrado de Media Móvil (ARIMA) La diferencia entre el ARMA y el ARIMA consiste en que en el segundo se trabaja con la primera y la segunda diferencia.

Jorge Salgado. Con más de treinta se hace con cuatro rezagos. Serrano. Felipe Lemarie. Con veinte informaciones se hace con dos rezagos. ya que con cinco grados libertad no se hace nada. Con diez informaciones no se debe hacer un VAR. Los valores críticos de la F. Daniel Carrasco. es decir. GCPt   1    i GCPt i    i IPDt i  u t IPDt   2    i GCPt i    i IPDt i  u t i 1 i 1 4 4 i 1 4 i 1 4 En los modelos VAR no cuenta la significación individual (t de student). Página 63 31/01/2008 . Supongamos el caso de GCP e IPD.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA “Toda teoría económica responder a una decisión política”. es de 3 a 5. “Las diferentes personas que trabaja en un tema pueden tener criterios encontrados” En los modelos VAR el término autorregresivo se refiere a la aparición de los valores rezagados de la variable dependiente en el lado derecho de la regresión. la prueba F. En el ejemplo: VAR (GCP-IPD) Los modelos ARIMA son totalmente separados de los modelos autoregresivos. Juan C. solamente la conjunta.

Jorge Salgado.89 3298. Sin embargo Sims realiza algunas modificaciones llegando a: Daniel Carrasco.637 IPD VAR(GCP-IPD) 3558.122 3329.299 4940.378 PIB VAR(IPD-PIB) 4884.835 3302.596 4899. Serrano.223 VAR(IPD-PIB) 3563.642 3585.013 4920.772 3315.PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Q1 Q2 Q3 Q4 Q1 Q2 Q3 Q4 GCP Var(GCP-IDP) 3283.254 En el caso del PIB: Nota Adicional: Friedman expone a las expectativas adaptativas.498 3590.663 3314. Felipe Lemarie.667 4897.812 3331.408 3597.712 4926.195 3574.425 4911.653 VAR(GCP-PIB) 3286.151 3575. Página 64 31/01/2008 .612 VAR(GCP-PIB) 4881.785 3607. Juan C.

.   3Yi (1)   2Yi (2) .PONTIFICIA UNIVERSIDAD CATÓLICA DEL ECUADOR APUNTES DE ECONOMETRÍA II ECONOMISTA LINCOLN MAIGUASHCA Yi   0  1 X i (1)   2 X i (2)  . Jorge Salgado. Juan C.. Serrano.. Página 65 31/01/2008 . Daniel Carrasco.. Felipe Lemarie.