_ ECONOMETRIA CUARTA EDICION Damodar N. Gujarati United States Military Academy, West Point Traduccién Demetrio Garmendia Guerrero Licenciado en Matematicas Gladys Arango Medina Economista de la Universidad de Los Andes Traductora e intérprete oficial Revision técnica Martha Misas Arango gadora Subgerencia de Estudios Econémicos Banco de la Republica MEXICO + BUENOS AIRES + CARACAS * GUATEMALA LISBOA * MADRID NUEVA YORK * SAN JUAN + SANTAFE DE BOGOTA « SANTIAGO AUCKLAND « LONDRES * MILAN * MONTREAL * NUEVA DELHI SAN FRANCISCO * SINGAPUR « ST. LOUIS * SIDNEY + TORONTOGerente de divisién: Leonardo Newball Gonzalez Gerente de producto: Ricardo del Bosque Alayén Editora de desarrollo: Olga Adriana Sanchez Navarrete Supervisor de produccién: Zeferino Garcia Garcia ECONOMETRIA Cuarta edicién Prohibida la reproduccién total o parcial de esta obra, por cualquier medio, sin autorizacién escrita del editor. McGraw-Hill Interamericana DERECHOS RESERVADOS © 2004, respecto a la cuarta edicin en espariol por McGRAW-HILL INTERAMERICANA EDITORES, S. A. de C. V. A subsidiary of The McGraw-Hill Companies, Inc. Cedro Num. 512, Col. Atlampa Delegacién Cuauhtémoc, 06450 México, D. F. Miembro de la Camara Nacional de la Industria Editorial Mexicana, Reg. Num. 736 ISBN 970-10-3971-8 Traducido de la cuarta edicion en inglés de Ia obra: BASIC ECONOMETRICS Published by McGraw-Hill/Inwin © 2003, 1995, 1988, 1978 by The McGraw-Hill Companies, Inc. Al rights reserved. ISBN 0-07-233542-4 1234567890 09876532104 Impreso en México Printed in Mexico cahepers nanosAmiesposa, Pushpa, y a mis hijas, Joan y DianeACERCA DEL AUTOR Después de enseftar durante mas de 28 aitos en la City University of New York, Damodar N. Gujarati es actualmente profesor de Economia en el Departamen- to de Ciencias Sociales de la U. S. Military Academy en West Point, Nueva York. El Dr. Gujarati recibié el grado de M.Com de la Universidad de Bombay en 1960, el grado M. B. A. de la Universidad de Chicago en 1963 vel grado de Ph.D. de la Universidad de Chicago en 1965. El Dr. Gujarati ha publicado sus trabajos ampliamente en revistas reconocidas a nivel nacional e internacional, tales como Review of Economics and Statistics, el Economic Journal, el Journal of Financial and Quantitative Anadysis, el Journal of Business, el American Statistician y el Journal of Industrial and Labor Relations. El Dr. Gujarati es arbitro editorial para diversas revistas y libros, y fue miembro del Consejo Editorial del Journal of Quantitative Economics, publicacién oficial de la Sociedad Econométrica de la India. El Dr. Gujarati es también el autor de Pensions and the New York Fiscal Crisis (Las pensiones y las crisis fiscal de la ciudad de Nueva York) (The American Enterprise In: ite, 1978), Gobernment and Business (El gobierno y las empre- sas) (McGraw-Hill, 1984) y Essentials of Econometrics (McGraw-Hill, 1999). Los libros del Dr. Gujarati sobre econometria han sido traducidos a diversos idio- mas. EI Dr. Gujarati fue profesor visitante en la Universidad de Sheffield, Inglate- 1ra (1970-1971), profesor visitante Fulbright en India (1981-1982), profesor vi- sitante en la Facultad de Administraci6n de la Universidad Nacional de Singapur (1985-1986) y profesc inte de econometria de la Universidad de Nueva Gales del Sur, Australia (durante el verano de 1988). Como participante activo del programa de conferencias en el exterior de la USIA, el Dr: Gujarati ha dicta- do numerosas conferencias sobre temas micro y macroeconémicos en paises como Australia, Bangladesh, China, Alemania, India, Israel, Mauricio y la Re- publica de Corea del Sur: El Dr. Gujarati también ha dictado seminarios y expo- siciones en Canada y México,CONTENIDO BREVE PARTE | PARTE 1! 10 " 12 13 PARTE Il 4 15 PREFACIO Introduccién MODELOS DE REGRESION UNIECUACIONALES Naturaleza del andlisis de regresi6n Analisis de regresién con dos variables: algunas ideas basicas Modelo de regresién con dos variables: problema de estimacion Modelo clasico de regresién lineal normal (MCRLN) Regresién con dos variables: estimacién de intervalos y prueba de hipétesis Extensiones del modelo de regresién lineal de dos variables Analisis de regresién mltiple: problema de estimacién Analisis de regresién miltiple: el problema de la inferencia, Modelos de regresién con variables dicétomas VIOLACION DE LOS SUPUESTOS DEL MODELO CLASICO Mutticolinealidad: qué pasa si las regresoras estan correlacionadas? Heteroscedasticidad: .qué pasa cuando la varianza del error no es constante? Autocorrelacién: zqué sucede si las términos error estén correlacionados? Diseno de modelos econométricos: especiticacién del modelo y prueba de diagnéstico TEMAS DE ECONOMETRIA Modelos de regresién no lineales Modelos de regresién de respuesta cualitativa, xix 15 7 26 56 103 114 158 195, 239 285 321 327 372 425 487 541 543 560CONTENIDO BREVE 16 17 PARTE IV 18 19 20 PARTE V 21 22 Modelos de regresién con datos en panel Modelos econométricos dinémicos: modelos autorregresivos yy de rezagos distribuidos MODELOS DE ECUACIONES SIMULTANEAS Modelos de ecuaciones simultaneas El problema de la identificacion Metodos de ecuaciones simulténeas ECONOMETRIA DE SERIES DE TIEMPO Econometria de series de tiempo: algunos conceptos basicos Econometria de series de tiempo: pronésticos BIBLIOGRAFIA SELECTA INDICES 613 632 689 691 709 735 765 767 809 951 955CONTENIDO M4 12 La. La Is 16 \7 PARTE | 14 12 13 14 15 16 17 PREFACIO Introduccién LQUE ES LA ECONOMETRIA? 4POR QUE UNA DISCIPLINA APARTE? METODOLOGIA DE LA ECONOMETRIA Planteamiento de la teoria o hipdtesis Especticacion del modelo matematico de consumo Expecticacién del modolo economeétrica de consume CObtencién de informacion Estimacién del modelo econométrico Prueba de hipétosis, Proyeccién o pregiccién 8. Uso del modelo para fines de contro o de politica Eleceién entre modelos on competencia TIPOS DE ECONOMETRIA PRERREQUISITOS MATEMATICOS Y ESTADISTICOS EL PAPEL DE LA COMPUTADORA SUGERENCIAS PARA LECTURAS POSTERIORES MODELOS DE REGRESION UNIECUACIONALES Naturaleza del andlisis de regresién ORIGEN HISTORICO DEL TERMINO REGRESION NTERPRETACION MODERNA DE LA REGRESION RELACIONES ESTADISTICAS VS. RELACIONES DETERMINISTICAS REGRESION VS. CAUSALIDAD REGRESION VS. CORRELACION ‘TERMINOLOGIA Y NOTACION NATURALEZA Y FUENTES DE INFORMACION PARAEL ANALISIS ECONOMETRICO Tipos de datos xxix waronanoans 15 7 7 18 ai 22. 23 23, 24 25CONTENIDO 18 24 2.2 23 24 25 26 27 28 34 32 33 34 35 36 a7, 38 39 At 3A2 sag a4 SAS Fuentes de informacion Precision de la informacion Una observacion sobre las escalas de medicién de las varlables RESUMEN Y CONCLUSIONES EVERCICIOS Anélisis de regresi6n con dos variables: algunas ideas basicas, EJEMPLO HIPOTETICO CONCEPTO DE FUNCION DE REGRESION POBLACIONAL (FRP) SIGNIFICADO DEL TERMINO “LINEAL” Linaalidad en las variables Linealidad en los parametros ESPECIFICACION ESTOCASTICA DE LA FRP SIGNIFICADO DEL TERMINO “PERTURBACION ESTOCASTICA" FUNCION DE REGRESION MUESTRAL (FRM) UN EJEMPLO ILUSTRATIVO RESUMEN Y CONCLUSIONES EJERCICIOS Modelo de regresi6n con dos variables: problema de estimacién METODO DE MINIMOS CUADRADOS ORDINARIOS (MCO) MODELO CLASICO DE REGRESION LINEAL: SUPUESTOS, DETRAS DEL METODO DE MINIMOS CUADRADOS: {Qué tan reales son estos supuestos? PRECISION O ERRORES ESTANDAR DE LOS MINIMOS CUADRADOS ESTIMADOS PROPIEDADES DE LOS ESTIMADORES DE MINIMOS, CUADRADOS: TEOREMA DE GAUSS-MARKOV COEFICIENTE DE DETERMINACION r° UNA MEDIDA DE LA “BONDAD DEL AJUSTE” EJEMPLO NUMERICO EJEMPLOS ILUSTRATIVOS UNA OBSERVACION SOBRE LOS EXPERIMENTOS, MONTE CARLO RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 3A, DERIVACION DE LOS MINIMOS CUADRADOS ESTIMADOS PROPIEDADES DE LINEALIDAD E INSESGAMIENTO DE LOS ESTIMADORES DE MINIMOS CUADRADOS: VARIANZAS Y ERRORES ESTANDAR DE LOS ESTIMADORES DE MINIMOS CUADRADOS: COVARIANZA ENTRE fi, ¥ fi. ESTIMADOR DE MINIMOS CUADRADOS DE o” ar 28 29 30 31 38 36 39 40 40 4a 42 43 45, 43 50 50 56 56 63 72 73 76 78 84 86 88 89 20 96 98 96 7 98 983A6 3A7 44 42 43 44 48 aaa 4az BA 52 53 54 55 56 87 58 59 CONTENIg PROPIEDAD DE VARIANZA MINIMA DE LOS ESTIMADORES: DE MINIMOS CUADRADOS CONSISTENCIA DE LOS ESTIMADORES MINIMOS CUADRADOS, Modelo clasico de regresién lineal normal (MCRLN) DISTRIBUCION DE PROBABILIDAD DE LAS. PERTURBACIONES u, SUPUESTO DE NORMALIDAD Por qué razén debe formularse el supuesto de normalidad? PROPIEDADES DE LOS ESTIMADORES MCO BAJO EL SUPUESTO DE NORMALIDAD METODO DE MAXIMA VEROSIMILITUD (MV) RESUMEN Y CONCLUSIONES APENDICE 4A ESTIMACION DE MAXIMA VEROSIMILITUD DEL MODELO DE REGRESION CON DOS VARIABLES ESTIMACION MAXIMA DEL GASTO ALIMENTICIO EN INDIA APENDICE 4A EJERCICIOS y prueba de hipstesis PRERREQUISITOS ESTADISTICOS ESTIMACION DE INTERVALOS: ALGUNAS IDEAS BASICAS INTERVALOS DE CONFIANZA PARA LOS COEFICIENTES DE REGRESION f, Y f Intervalo de confianza para f. Intervalo de confianza para f, Intervaio de confianza para fy f: simulténeamente INTERVALO DE CONFIANZA PARA o* PRUEBA DE HIPOTESIS: COMENTARIOS GENERALES PRUEBA DE HIPOTESIS: METODO DEL INTERVALO. DE CONFIANZA Prueba de dos lados o dos colas. Prueba de un lado o de una cola PRUEBA DE HIPOTESIS: METODO DE PRUEBA DE SIGNIFICANCIA Prueba de significancia de los coeficientes de regresién: la prueba t Prueba de significancia para o*: la prueba y? PRUEBA DE HIPOTESIS: ALGUNOS ASPECTOS PRACTICOS El significado de “aceptar” 0 “rechazar’ una hipétesis Hipétesis nula 0 “cero” y regia préctica “ Formacién de las hipétesis nulla y alterna Seleccién del nivel de significancia « Nivel exacto de signiticancia: valor po “P-value! Signticancia estadistica versus signticancia préctica Seleccién entre los métodos del intervalo de confianza y la prueba de significancia en la prueba de hipotes's ANALISIS DE REGRESION Y ANALISIS DE VARIANZA 100 101 103 103 104 105 106 108 109 108 109 2 "3 114 114 115 116 116 119 119 119 120 121 121 123 123 123 126 128 128 129 130 130 131 132 133 134CONTENIDO 5.10 5.1 5.12 5.13 5A 5A 5A3 5SA4 64 62 63 64 65 66 67 68 69 69 6At AZ 7A 72 APLICACION DEL ANALISIS DE REGRESION: PROBLEMA DE PREDICCION Prediccion media Prediccion individual INFORME DE RESULTADOS DEL ANALISIS DE REGRESION EVALUACION DE RESULTADOS DEL ANALISIS DE REGRESION Prueba de normalidad tras pruebas sobre la bondad del modelo RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 5A. DISTRIBUCIONES DE PROBABILIDAD RELACIONADAS CON LA DISTRIBUCION NORMAL DERIVAGION DE LA ECUACION (5.3.2) DERIVACION DE LA ECUACION (5.9.1) DERIVACION DE LAS ECUACIONES (5.10.2) Y (5.10.6) Varianza de la prediccién media Varianza de la prediccion indivigual Extensiones de! modelo de regresién lineal de dos variables REGRESION A TRAVES DEL ORIGEN para el modelo de regresion a través del origen ESCALAS Y UNIDADES DE MEDICION Una nota sobre la interpretacién REGRESION SOBRE LAS VARIABLES ESTANDARIZADAS: FORMAS FUNCIONALES DE LOS MODELOS DE REGRESION COMO MEDIR LA ELASTICIDAD: MODELO LOG-LINEAL MODELOS SEMILOGARITMICOS: LOG-LIN Y LIN-LOG Cémo madir la tasa de crecimiento: Modelo Log-Lin EI modelo Lin-Log MODELOS RECIPROCOS Modelo log hipérbola 0 reciproce logaritmico ELECCION DE LA FORMA FUNCIONAL NOTA SOBRE LA NATURALEZA DEL TERMINO ERROR ESTOCASTICO: TERMINO DE ERROR ESTOCASTICO ADITIVO VS, MULTIPLICATIVO RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 6. DERIVACION DE LOS ESTIMADORES DE MINIMOS CUADRADOS PARA LA REGRESION A TRAVES DEL ORIGEN DEMOSTRACION DE QUE LA VARIABLE ESTANDARIZADA TIENE UNA MEDIA CERO Y UNA VARIANZA UNITARIA Analisis de regresién multiple: problema de estimacion MODELO DE TRES VARIABLES: NOTACION Y SUPUESTOS INTERPRETACION DE LA ECUACION DE REGRESION MULTIPLE 136 137 138 139 140 141 143 144 145 182 152 155 155 156 156 186 158 158 161 163, 166 167 169 169 172 172 175 7 182 183 185 186 187 191 191 193 198 195 19873 74 75 76 7 78 79 7.10 mm 712 TAA 7A2 7A3 7A4 7AS at a2 a3 a4 as CONTENIDO SIGNIFICADO DE LOS COEFICIENTES DE REGRESION PARCIAL ESTIMACION MCO Y MY DE LOS COEFICIENTES DE REGRESION PARCIAL Estimadores MCO Varianzas y errores estandar de los estimadores MCO Propiedades de los estimadores MCO Estimadores de maxima verosimiitud EL COEFICIENTE DE DETERMINACION MULTIPLE A® Y EL COEFICIENTE DE CORRELACION MULTIPLE R EJEMPLO 7.1: MORTALIDAD INFANTIL RESPECTOAL PIB PER CAPITA Y ALA TASA DE ALFABETIZACION EN LAS MUJERES Ragresion sobre variables estandarizadas LAREGRESION SIMPLE EN EL CONTEXTO DE REGRESION MULTIPLE: INTRODUCCION AL SESGO DE ESPECIFICACION RP Y Re AJUSTADA CComparacion de dos valores de R* Asignacion de A? entre as regresoras El "juego" de maximizacién de F® EJEMPLO 7.3: LA FUNCION OE PRODUCCION COBB-DOUGLAS: MAS SOBRE LA FORMA FUNCIONAL MODELOS DE REGRESION POLINOMIAL, COEFICIENTES DE CORRELACION PARCIAL Explicacién de los coeticlentes de correlacién simple y parcial Interpretacién de os coeficientes de correlacion simple y parcial RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 7A DERIVACION DE LOS ESTIMADORES MCO DADOS. EN LAS ECUACIONES (7.4.3) Y (7.4.5) IGUALDAD ENTRE LOS GOEFICIENTES DEL PIBPC DE (7.3.5) Y DE (7.6.2) DERIVACION DE LA ECUACION (7.4.19) ESTIMACION DE MAXIMA VEROSIMILITUD DEL MODELO DE REGRESION MULTIPLE LISTADO SAS DE LA FUNCION DE PRODUCCION COBB-DOUGLAS (7.9.4) Andlisis de regresién miltiple: el problema de la inferencia UNA VEZ MAS, EL SUPUESTO DE NORMALIDAD EJEMPLO 8.1: EL EJEMPLO DE LA MORTALIDAD INFANTIL, RECONSIDERADO PAUEBA DE HIPOTESIS EN REGRESION MULTIPLE: COMENTARIOS GENERALES PRUEBA DE HIPOTESIS SOBRE COEFICIENTES. INDIVIDUALES DE REGRESION PARCIAL PRUEBA DE SIGNIFICANCIA GLOBAL DE LA REGRESION MUESTRAL E] método del anaiisis de varianza en las pruebas de signiicancia global do una regrasién miltiple obsorvada: la prueba F 198 200 200 201 203 204 204 206 207 208 209 an 214 214 215 217 221 221 222 228 224 234 234 235 236 236 238 239 239 240 at 241 244CONTENIDO 86 87 88 89 8.10 att a12 o4 9.2 93 94 08 96 a7 98 99 9.10 att 9.12 Prueba de significancia global de una regresion multiple: la prueba F Una relacion importante entre Ry F Prueba de significancia global de una regresion multiple ‘en términos de R* La contrioucion “incremental” o “marginal” de una variable explicativa PRUEBA DE IGUALDAD DE DOS COEFICIENTES DE REGRESION MINIMOS CUADRADOS RESTRINGIDOS: PRUEBA SOBRE RESTRICCIONES DE TIPO IGUALDAD LINEAL, El método de la prueba t Método de la prueba F: minimos cuadrados restringidos Prueba F global PRUEBA PARA LA ESTABILIDAD ESTRUCTURAL © PARAMETRICA DE LOS MODELOS DE REGRESION: LA PRUEBA CHOW PREDICCION CON REGRESION MULTIPLE LA TRIADA DE LAS PRUEBAS DE HIPOTESIS: RAZON DE VEROSIMILITUD (RV), WALD (W) Y MULTIPLICADOR DE LAGRANGE (ML) PRUEBA DE LA FORMA FUNCIONAL DE LA REGRESION: SELECCION ENTRE MODELOS DE REGRESION LINEAL YLOG-LINEAL RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 8A Prueba de la razén de verosimilitud (RV) Modelos de regresién con variables dicétomas NATURALEZA DE LAS VARIABLES DICOTOMAS. MODELOS ANOVA Precaucién en el uso de las variables dicétomas MODELOS ANOVA CON DOS VARIABLES CUALITATIVAS, REGRESION CON UNA MEZCLA DE REGRESORAS CUALITATIVAS Y CUANTITATIVAS: LOS MODELOS ANCOVA LA VARIABLE DIGOTOMA ALTERNATIVA ALA PRUEBA CHOW EFECTOS DE INTERACCION AL UTILIZAR VARIABLES: DICOTOMAS USO DE LAS VARIABLES DICOTOMAS EN EL ANALISIS ESTACIONAL REGRESION LINEAL POR SECCIONES MODELOS DE REGRESION CON DATOS EN PANEL ALGUNOS ASPECTOS TECNICOS DE LA TECNICA DE LA VARIABLE DICOTOMA La intorpretacion de las variables dicétomas on las rogresiones semilogaritmicas Vatiables diedtomas y heteroscedastcidad Variables dicétomas y autocorrelacién Qué sucede sila variable cependiente es una variable dicétoma? ‘TEMAS PARA ESTUDIO POSTERIOR RESUMEN Y CONCLUSIONES 248 248 250 251 255 257 257 258 261 263 269 269 270 272 272 283 285 285 286 289 201 292 204 297 299 304 307 307 307 308 309 309 309 310PARTE I! 10 10.1 10.2 10.3 10.4 10.5 10.6 10.7 10.8 10.9 10.10 10.11 " WA 12 13 4 CONTENIOO EJERCICIOS APENDICE 84 Regresién semiogaritmica con regresora dicétoma VIOLAGION DE LOS SUPUESTOS DEL MODELO CLASICO Multicolinealida correlacionadas? equé pasa si las regresoras estén NATURALEZA DE LA MULTICOLINEALIDAD ESTIMACION EN PRESENCIA DE MULTICOLINEALIDAD PERFECTA ESTIMACION EN PRESENCIA DE MULTICOLINEALIDAD “ALTA” PERO “IMPERFECTA” MULTICOLINEALIDAD: {MUCHO TRABAJO PARA NADA? CONSECUENCIAS TEORICAS DE LA MULTICOLINEALIDAD CONSECUENCIAS PRACTICAS DE LA MULTICOLINEALIDAD Estimadores MCO con varianzas y covarianzas grandes Intervalos de contianza mas amplios Razones tno signticativas" Un FF alto pero pocas razones t significativas Sensibilidad de los ostimadores MCO y sus exroros estandar ‘ pequofios cambios en la informacion Consecuencias de la micronumerosidad EJEMPLO ILUSTRATIVO: GASTOS DE CONSUMO EN RELACION CON EL INGRESO Y LA RIQUEZA DETECCION DE LA MULTICOLINEALIDAD MEDIDAS CORRECTIVAS No hacer nada Procedimiontas practicos GES LA MULTICOLINEALIDAD NECESARIAMENTE MALA? POSIBLEMENTE NO, SI EL OBJETIVO ES SOLAMENTE. LAPREDICCION UN EJEMPLO AMPLIADO: LOS DATOS LONGLEY RESUMEN Y CONCLUSIONES EJERCICIOS Heteroscedasticidad: .qué pasa cuando la varianza del error no es constante? NATURALEZA DE LA HETEROSCEDASTICIDAD ESTIMACION MCO EN PRESENCIA DE HETEROSCEDASTICIDAD EL METODO DE MINIMOS CUADRADOS GENERALIZADOS (MCG) Diferencia entre MCO y MCG CONSECUENCIAS DE UTILIZAR MCO EN PRESENCIA DE HETEROSCEDASTICIDAD Estimacion MCO considerando la heteroscedastcidad Estimacion MCO ignorando la heteroscedastcidad Una nota técnica au 320 321 307 328 331 333 334 336 339 340 342 344 349 349 355 356 360 361 372 372 378 379 381 383 383 383 385CONTENIOO 16 "7 118 ne Az MAS Aa 12 124 12.2 123 12.4 125 126 127 128 129 12.10 12. 12.12 DETECCION DE LA HETEROSCEDASTICIDAD Métodos informales Métodos formales MEDIDAS CORRECTIVAS Cuando a es conocida: método de minimos cuadrados ponderados ‘Cuando a no se conoce EJEMPLO PARA CONCLUIR ADVERTENCIA RESPECTO A LA RESPUESTA EXAGERADA ANTE LA HETEROSCEDASTICIDAD RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 114 11A.1_ PRUEBA DE LAECUACION (11.2.2) METODO DE MINIMOS CUADRADOS PONDERADOS, PRUEBA DE QUE E(6”) ¢ 0? EN LA PRESENCIA DE HETEROSCEDASTICIDAD ERRORES ESTANDAR ROBUSTOS DE WHITE, Autocorrelacién: zqué sucede si los términos error estan correlacionados? NATURALEZA DEL PROBLEMA ESTIMACION MCO EN PRESENCIA DE AUTOCORRELACION ESTIMADOR MELI EN PRESENCIA DE AUTOCORRELACION CONSECUENCIAS DE UTILIZAR MCO EN PRESENCIA DE AUTOCORRELACION Estimacién MCO con autocorrelacién Estimacin MCO sin la autocorrelacién RELACION ENTRE SALARIOS Y PRODUCTIVIDAD. EN EL SECTOR DE NEGOCIOS DE ESTADOS UNIDOS, 195¢ 1998 DETECCION DE LA AUTOCORRELACION Método grafico |. Prusba de “as rachas" II. Prueba d de Durbin-Watson IV. Una prueba general de autocorreiacion: la prueba Breusch-Godtrey (BF) {Por qué tantas pruebas para la autocorrelacion? ~QUE HACER CUANDO HAY AUTOCORRELACION?: MEDIDAS CORRECTIVAS MALA ESPECIFICACION DE MODELO VERSUS AUTOCORRELACION PURA CORRECCION DE LA AUTOCORRELACION (PURA): EL METODO DE LOS MINIMOS CUADRADOS. GENERALIZADOS (MCG) Cuando se conoce p Cuando p no es conocida EL METODO NEWEY-WEST PARA CORREGIR ERRORES: ESTANDAR MCO MCO VERSUS MCGF Y CHA PRONOSTICO CON TERMINOS DE ERROR AUTOCORRELACIONADOS 385 400 401 402 407 aut 412 413, 421 421 4ai 423, 423 425 426 433 436 437 438 438 443, 445 445 448, 450 455, 457 457 458 459 459 460 466 467 46712.13 12.14 128.1 12A.2 13 13.4 132 133 13.4 13.5 13.6 137 13.8 13.9 13,10 13.11 13.12 cONTENIO ASPECTOS ADICIONALES DE LAAUTOCORRELACION Variables dicétomas y autocorrelacion Modelos ARCH y GARCH ‘Coexistencia de la autocorrelacién y la heteroscedasticidad RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 124 PRUEBA DE QUE EL TERMINO DE ERROR WEN (12.1.11) ESTA AUTOCORRELACIONADO PRUEBAS DE LAS ECUACIONES (12.2.3), (12.2.4) Y (12.2.5) Diseio de modelos econométricos: especificacién del modelo y prueba de diagnéstico CRITERIO DE SELECCION DEL MODELO TIPOS DE ERRORES DE ESPECIFICACION CONSECUENCIAS DE LOS ERRORES DE ESPECIFICACION COmisién de una variable relevante (especitcacién insuficiente de un modelo) Inciusién de una variable rrelovante (sobreespeeiticacién de un modelo} PRUEBAS DE ERRORES DE ESPECIFICACION Deteccién dela presencia de variables innecesarias Pruebas para variables omitidas y para una forma funcional incorecta ERRORES DE MEDICION Errores de medicién en la variable dependiente ¥ Errores de medicién en la variable explicativa X ESPECIFICACION INCORRECTA DEL TERMINO DE ERROR ESTOCASTICO MODELOS ANIDADOS EN COMPARACION CON LOS NO ANIDADOS PRUEBA DE HIPOTESIS NO ANIDADAS E| método de diseriminacién El método de discernimiento CRITERIOS PARA LA SELECCION DE MODELOS: El riterio A ajustada, Griterio de informacion Akaike (CIA) Criterio de informacion Schwarz (CIS) Crterio C, de Mallow Una advertencia respecto a las criterias para la seleccién de modelos Pronéstico j-cuadrada (y) TEMAS ADICIONALES EN LA ELABORACION DE MODELOS ECONOMETRICOS Factores lejanos, apalancamiento @ influencia ‘Minimos euadrados recursivos Prueba dela fala de pradiocién de Chow UN EJEMPLO CONCLUYENTE UNA ADVERTENCIA AL PRACTICANTE 469 469 470 470 47 472 495 485 437 488 489 491 491 494 495 496 498 505 505 506 508 508 510 51 Bit 516 516 817, 517 517 518 518 519CONTENIDO 13.13, 1304 13A2 13.3 130.4 PARTE Ill 4 144 142 143 14.4 145 14.6 1404 142 1403 15 184 152 16.3 1584 185 15.6 18.7 RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 184, LA PRUEBA DE QUE E(b,.) = B+ Babs» [ECUACION (13.3.3)] CONSECUENCIAS DE LA INCLUSION DE UNA VARIABLE IRRELEVANTE: PROPIEDAD DE INSESGAMIENTO LA PRUEBA DE LA ECUACION (13.5.10) LA PRUEBA DE LA ECUACION (13.6.2) TEMAS DE ECONOMETRIA Modelos de regresién no lineales MODELOS DE REGRESION INTRINSECAMENTE LINEALES E INTRINSECAMENTE NO LINEALES ESTIMACION DE MODELOS DE REGRESION LINEALES Y NO LINEALES ESTIMACION DE MODELOS DE REGRESION NO LINEALES: EL.METODO DE ENSAYO Y ERROR, METODOS PARA ESTIMAR MODELOS DE REGRESION NO LINEALES Busqueda directa 0 método de ensayo y ertor 0 de bre derwvacion Optimizactén directa Método de linealzacién iterativa EJEMPLOS ILUSTRATIVOS RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 14A DERIVACION DE LAS ECUACIONES (14.2.4) Y (14.2.5) METODO DE LINEALIZACION ‘APROXIMACION LINEAL DE LA FUNCION EXPONENCIAL DADA EN (14.2.2) Modelos de regresién de respuesta cualitativa NATURALEZA DE LOS MODELOS DE RESPUESTA CUALITATIVA MODELO LINEAL DE PROBABILIDAD (MLP) ‘No normalidad de las perturbaciones u, Varianzas heleroscedasticas de las perturbaciones No cumplimiento de 0s E(¥;| X)<1 FF valor cuestionable como medida de bondad del ajuste APLICACIONES DE MLP ALTERNATIVAS AL MLP EL MODELO LOGIT ESTIMACION DEL MODELO LOGITZ Informacién del nivel individual Datos agrupados o replicados MODELO LOGIT AGRUPADO: EJEMPLO NUMERICO Interpretacién del modelo logit estimado 827 528 535 536 537 538 541 543, 943 546 548 548 548, 549 549 952 553 554 560 562 564 564 565 566 569 872 574 576 576 87 579 87915.8 15.9 18.10 16.11 15.12 15.13, 15.14 15A.1 16 16.1 16.2 16.3 16.4 165 166 16.7 7 174 CONTENIDO EL MODELO LOGIT PARA DATOS INDIVIDUALES, ONO AGRUPADOS MODELO PROBIT Estimacién probit con datos agrupados: gprobit | modelo probit para datos no agrupados o individuales El efecto marginal de una unidad de cambio en el valor de una regresora sobre los diversos modelos de regresion MODELOS LOGIT Y PROBIT MODELO ToBIT llustiacién del modelo Tobit: mot extramaritales ELABORACION DE MODELOS PARA DATOS DE CUENTA: EL MODELO DE REGRESION DE POISSON ‘TEMAS ADICIONALES DE LOS MODELOS DE REGRESION CON RESPUESTA CUALITATIVA Modelos ordinales logit y probit Modelos multinamiales logit y probit Modelos de duracién RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 154, ESTIMACION DE MAXIMA VEROSIMILITUD DE LOS MODELOS, PROBIT Y LOGIT PARA DATOS INDIVIDUALES (NO AGRUPADOS) jo de Ray Fair para las relaciones Modelos de regresién con datos en pane! “POR QUE DATOS EN PANEL? DATOS EN PANEL: UN EJEMPLO ILUSTRATIVO ESTIMACION DE LOS MODELOS DE REGRESION CON DATOS EN PANEL: EL METODO DE EFECTOS FLIOS 1, Todos los cootciontos son constantes respecte a los indviduos yeltiempo 2. Costcientes de pendientes constantes, pero la intersecciéa varia para cada indivisuo: el modelo do rograsion do efectos fos 0 de minimos cuadrados con variable dicétoma (MMCVO) 3. Los coeficentes de pendientes son constantes pero la interseccién varia conforme los individu y ol tempo 4, Todos los cootcientes varian respecto a os individuos ESTIMACION DE LOS MODELOS DE REGRESION CON DATOS EN PANEL: EL METODO DE EFECTOS ALEATORIOS, EL MODELO DE EFECTOS FIJOS (MCVD) VERSUS EL MODELO DE EFECTOS ALEATORIOS REGRESIONES CON DATOS EN PANEL: ALGUNOS COMENTARIOS CONCLUYENTES RESUMEN Y CONCLUSIONES EJERCICIOS Modelos econométricos dindmicos: modelos autorregresivos y de rezagos distribuidos EL PAPEL DEL “TIEMPO”. O DEL “REZAGO". EN ECONOMIA, 583 586 588 591 592 593 594 596 597 601 601 602 602 602 603 610 610 613, 614 615 617 618 619 621 621 624 27 628 629 630 32 633CONTENIDO 172 173 174 175 176 177 178 179 17.10 171 17.42 17.43, 17.44 17.45 17AA PARTE IV 18 18.4 182 133 184 185 19 19.1 RAZONES PARALOS REZAGOS ESTIMACION DE MODELOS DE REZAGOS DISTRIBUIDOS Estimacién ad hoc de los modelos de rezagos distribuidos METODO DE KOYCK PARA LOS MODELOS DE REZAGOS DISTRIBUIDOS Mediana de los rezagos Rezago medio RACIONALIZACION DEL MODELO DE KOYCK: EL MODELO DE EXPECTATIVAS ADAPTATIVAS OTRA RACIONALIZACION DEL MODELO DE KOYCK: EL MODELO DE AJUSTE DE EXISTENCIAS © DEAJUSTE PARCIAL COMBINACION DE LOS MODELOS DE EXPECTATIVAS. ADAPTATIVAS Y DE AJUSTE PARCIAL ESTIMACION DE MODELOS AUTORREGRESIVOS METODO DE VARIABLES INSTRUMENTALES (IV) DETECCION DE AUTOCORRELACION EN MODELOS AUTORREGRESIVOS: PRUEBA h DE DURBIN EJEMPLO NUMERICO: LA DEMANDA DE DINERO. EN CANADA DE -1979 A IV-1988 EJEMPLOS ILUSTRATIVOS EL METODO DE ALMON PARA LOS MODELOS DE REZAGOS DISTRIBUIDOS: REZAGO DISTRIBUIDO POLINOMIAL © DE ALMON (RDP) CAUSALIDAD EN ECONOMIA: PRUEBA DE CAUSALIDAD. DE GRANGER Prueba de Granger Una nota sobre la causalidad y la exogeneidad RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 17A LA PRUEBA SARGAN PARA LA VALIDEZ DE LOS INSTRUMENTOS MODELOS DE ECUACIONES SIMULTANEAS. Modelos de ecuaciones simultneas NATURALEZA DE LOS MODELOS DE ECUACIONES SIMULTANEAS. EJEMPLOS DE MODELOS DE ECUACIONES SIMULTANEAS: ‘SESGO EN LAS ECUACIONES SIMULTANEAS: INCONSISTENCIA DE LOS ESTIMADORES MCO_ ‘SESGO DE LAS ECUACIONES SIMULTANEAS: EJEMPLO NUMERICO RESUMEN Y CONCLUSIONES EJERCICIOS EI problema de a identificacién NOTACION Y DEFINICIONES 630 641 644, 644, 646 648 651 651 653 655 656 660 662 ert 671 676 677, 678 687 687 689 691 691 92 698 701 703 704 709 70919.2 19.3 19.4 19.5 196 20 20.1 20.2 20.3 20.4 20.5 20.6 20.7 208.1 208.2 PARTE V 21 214 21.2 21.3 21.4 215 216 CONTENIDO PROBLEMA DE IDENTIFICACION Subidentiieacién Identificacion precisa 0 exacta Sobreidentficacion REGLAS PARA LA IDENTIFICACION Condiclén de orden de la identiicacion Condicion de rango de la identiticabilidad PRUEBA DE SIMULTANEIDAD Prueba de especificacion de Hausman PRUEBAS DE EXOGENEIDAD RESUMEN Y CONCLUSIONES EJERCICIOS Métodos de ecuaciones simulténeas METODOS PARA LA ESTIMACION MODELOS RECURSIVOS Y MINIMOS CUADRADOS ORDINARIOS ESTIMACION DE UNA ECUACION EXACTAMENTE IDENTIFICADA: EL METODO DE MiNIMOS CUADRADOS INDIRECTOS (MCI) Ejemplo iustrativo Propiedades de los estimadores MCI ESTIMACION DE UNA ECUACION SOBREIDENTIFICADA, METODO DE MINIMOS CUADRADOS EN DOS ETAPAS (MC2E) MC2E: EJEMPLO NUMERICO EJEMPLOS ILUSTRATIVOS RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 208, SESGO EN LOS ESTIMADORES DE MINIMOS CUADRADOS INDIRECTOS ESTIMACION DE LOS ERRORES ESTANDAR DE LOS, ESTIMADORES MC2E ECONOMETRIA DE SERIES DE TIEMPO Econometria de series de tiempo: algunos conceptos basicos UNA QJEADA A ALGUNAS SERIES DE TIEMPO ECONOMICAS DE ESTADOS UNIDOS CONCEPTOS CLAVE PROCESOS ESTOCASTICOS Proceso estocastico estacionario Procesos astacasticas no estacionarios PROCESO ESTOCASTICO DE RAIZ UNITARIA PROCESOS ESTOCASTICOS DE TENDENCIA ESTACIONARIA (TE) Y DE DIFERENCIA ESTACIONARIA (DE) PROCESOS ESTOCASTICOS INTEGRADOS Propiedados do las sorios intogradas m3 713 716 79 721 Tet 723 727 727 729 730 731 735 738 737 739 740 743 743 747 750 787 787 762 762 763 765 767 768 ™ al 772 773 775 777 779 778CONTENIOO aur 218 219 21.10 nat 21.12 21.13 22 224 222 22.3 22.4 225 226 22.7 228 22.9 EL FENOMENO DE REGRESION ESPURIA PRUEBAS DE ESTACIONARIEDAD 1, Prueba grfica 2, Funeion de autocorrelacién (FAG) y correlagrama Imporancia estadistica de los coeticientes de autocorrelacion PRUEBA DE RAIZ UNITARIA La prueba Dickey-Fuller aumentada (DFA) Prueba de la significancia de mas de un cosficiente: la prueba F Las pruebas de raiz unitaria Philips-Perron (PP) Una critica de las pruebas de raiz unitaria ‘TRANSFORMACION DE LAS SERIES DE TIEMPO NO ESTACIONARIAS Procesos estacionarios en diferencias Proceso estacionario con tendencia COINTEGRACION: REGRESION DE UNA SERIE DE TIEMPO CON RAIZ UNITARIA SOBRE OTRA SERIE DE TIEMPO CON AAIZ UNITARIA Prueba para la cointegracién Correccion de errores (ECM) cointegracion y mecanismo ALGUNAS APLICACIONES ECONOMICAS RESUMEN Y CONCLUSIONES EJERCICIOS APENDICE 214 21.A1 UN MODELO DE CAMINATA ALEATORIA Econometria de series de tiempo: pronésticos. ENFOQUES PARA LA PREDICCION ECONOMICA Metodos de alisamiento exponencial Modelos de regresién uniecuacionales Modelos de regresién de ecuaciones simulténeas Modelos ARIMA Modelos VAR ELABORACION DE MODELOS AR, MA Y ARIMA PARA SERIES DE TIEMPO Proceso autorregresivo (AR) Proceso de media movil (MA) Proceso autorregresivo y de media mévil (ARMA) Proceso autorregresive integrado de media mévil (ARIMA) METODOLOGIA DE BOX-JENKINS (BJ) IDENTIFICACION ESTIMACION DEL MODELO ARIMA VERIFICACION DE DIAGNOSTICO PRONOSTICO ASPECTOS ADICIONALES DE LA METODOLOGIA BJ VECTORES AUTORREGRESIVOS (VAR) Estimador de VAR redecir el modelo VAR, VAR y causalidad 780 781 782 782 785 788 791 792 792 792 794 794 794 795 796 798 799 803 804 807 807 809 810 810 810 810 ent eit 12 812 813, 813 813, aia 815, 819 820 821 822 822 823 825 82622.10 22.11 22.12 Aa AS AG AT CONTENIDO ‘Algunas problemas en la elavoracion de modelos VAR. Une aplicaci6n VAR: modelo VAR de ia economia de Texas MEDICION DE LA VOLATILIDAD DE LAS SERIES: DE TIEMPO FINANCIERAS: LOS MODELOS ARCH Y GARCH {LQué hacer cuando esta presante ARCH? Una palabra acerca de la. de Durbin-Watson y el efecto ARCH Una nota sobre el modelo GARCH EJEMPLOS CONCLUYENTES RESUMEN Y CONCLUSIONES: EJERCICIOS Revisi6n de algunos conceptos estadisticos OPERADORES DE SUMATORIA Y DE PRODUCTO. ESPACIO MUESTRAL, PUNTOS MUESTRALES Y EVENTOS PROBABILIDAD Y VARIABLES ALEATORIAS Probabiidad Variables aleatorias FUNCION DE DENSIDAD DE PROBABILIDAD (FOP) Funcién de densidad de probabilidad de una variable aleatoria discreta Funcién de densidad de probabilidad de una variable aleatoria continua Funciones de densidad de probabilidad conjunta: Funcién de densidad de probabilidad marginal Independencia estadistca CARACTERISTICAS DE LAS DISTRIBUCIONES DE PROBABILIDAD Valor esperado Propiedades del valor esperado Varianza Propiedades de la varianza Covarianza Propiedades de la covarianza Coeticiente de correlacién Esperanza condicional y varianza condicional Propiedades de la esperanza y a varianza condicionales Momentes superiores de las distibuciones de probabiidad ALGUNAS DISTRIBUCIONES DE PROBABILIDAD TEORICAS IMPORTANTES Distibucién normal Distibucion 7? (iecuadrada) Distibucion te Student Distibucion F La dstribucién binomial de Bernoulli Distibucion binomial Distibucion de Poisson INFERENCIA ESTADISTICA: ESTIMACION Estimacién puntual Estimacién de intervalos ‘Métodos de estimacion Propiedadas de muestra pequena Propiedades de muestra grande 826 828 829 835 835 835 836 838 839 841 eat a2 842 42 843 844 844 845 846 846 848, 850 850 851 851 53 853 54 55 856 857 857CONTENIO AB Apéndice B Ba B2 B3 Ba BS BS Apéndice C ct c2 cs INFERENCIA ESTADISTICA: PRUEBA DE HIPOTESIS Método del interval de contianza Método de la pruoba de signiticancia REFERENCIAS Nociones basicas de algebra matricial DEFINICIONES Matiz Vector columna Vector rengién Transposicién Submatriz TIPOS DE MATRICES Matriz cuadrada Matiz diagonal Matriz escalar Matrizidentidad 0 unitaria Matriz simétrica Matriz nula Vector nulo Matrices iguales OPERACIONES MATRICIALES Adicion de matrices Resta de matrices ‘Muttipicacion por escalar Muttipicacion de matrices Propiedades de la multipicacion de matrices Transposicin de matrices Inversion de matrices DETERMINANTES Evaluacién de un determinante Propiedades de los determinantes ango de una matriz, Menor Cofactor FORMA DE ENCONTRAR LA INVERSA DE UNA MATRIZ CUADRADA DIFERENCIACION MATRICIAL, REFERENCIAS Enfoque matricial en el modelo de regresién lineal MODELO DE REGRESION LINEAL DE k VARIABLES SUPUESTOS DEL MODELO CLASICO DE REGRESION LINEAL EN NOTACION MATRICIAL ESTIMACION MCO_ Una itustracion, Matriz de varianza-covarianza de B Propiedades dol vector MCO e76 877 81 883 884 884 284 885 885 885 886 886 886 86 886 867 887 887 887 387 887 9887 838 888 888 889 890 891 891 892 893 894 394 895 895 897 897 808 898 900 903 905 906 908ca cs ce c7 ce ca c.10 cat C12 cA cae cas cA4 Apéndice D Apéndice E CONTENIDO COEFICIENTE DE DETERMINACION A* EN NOTACION MATRICIAL, MATRIZ DE CORRELACION PRUEBA DE HIPOTESIS SOBRE COEFICIENTES INDIVIDUALES DE REGRESION EN NOTACION MATRICIAL PRUEBA DE SIGNIFICANCIA GLOBAL DE LA REGRESION: ANALISIS DE VARIANZA EN NOTACION MATRICIAL PRUEBA DE RESTRICCIONES LINEALES: PRUEBA F GENERAL UTILIZANDO NOTACION MATRICIAL PREDICCION MEDIANTE REGRESION MULTIPLE: FORMULACION MATRICIAL Prediccién media Varianza de la prediccion media Prediccion individual Varianza de la prediccién individual RESUMEN DEL ENFOQUE MATRICIAL: UN EJEMPLO ILUSTRATIVO MINIMOS CUADRADOS GENERALIZADOS (MCG) RESUMEN Y CONCLUSIONES: EJERCICIOS APENDICE CA DERIVACION DE k ECUACIONES NORMALES O SIMULTANEAS DERIVACION MATRICIAL DE LAS ECUACIONES NORMALES MATRIZ DE VARIANZA-COVARIANZA DE B. PROPIEDAD MELI DE LOS ESTIMADORES MCO Tablas estadisticas Datos econémicos en la World Wide Web BIBLIOGRAFIA SELECTA inDICES 908 909 910 910 12 12 913, 913, 14 14 914 s19 920 921 927 927 928 928 929 931 04g, 951 955PREFACIO ANTECEDENTES Y PROPOSITO Como en las tres anteriores ediciones, el objetivo principal de la cuarta edicin de Econometria es proporcionar una introduccién elemental pero completa a la econometria, sin tener que recurrir al dlgebra matricial, al célculo o a la esta- distica, mas all de un nivel elemental. En esta edicién he intentado incorporar algunos de los desarrollos en la teo- fa y la practica de la econometria que han tenido lugar desde la publicacién de la tercera edicién en 1995. Con la disponibilidad del complejo software estadistico de uso facil, como Eviews, Limdep, Microfit, Minitab, PcGive, SAS, Shazam y Stata. En la actualidad, es posible analizar diversas técnicas econométricas que no se pudieron incluir en las ediciones anteriores del libro. He aprovechado al maximo estos paquetes estadisticos para ilustrar varios ejemplos y ejercicios de esta edicién. Me sorprendié gratamente descubrir que mi libro lo utilizan no sélo estu- diantes de economia y negocios, sino también estudiantes e investigadores de otras disciplinas, como estudios politicos, relaciones internacionales, agricultura yciencias de la salud. Los estudiantes de esas carreras encontraran que les resulta muy Gtil el andlisis ampliado de distintos tema LA CUARTA EDICION Los principales cambios en esta edicién son los siguientes: 1. En el capitulo introductorio, después de analizar los pasos involucrados en la metodologia econométrica tradicional, estudio el muy importante tema de como uno elige entre los modelos econométrices rivales. 2. Enel capitulo 1, examino de manera sucinta la escala de medicién de las variables econémicas. Es importante conocer si las variables son una escala de razén, una escala de intervalo o una escala nominal, ya que eso determinara la técnica econométrica que resulta apropiada para una situacion determinada. 3. Los apéndices del capitulo 3 incluyen ahora las propiedades de los esti- madores MCO para muestras grandes, en particular la propiedad de consistencia.PREFACIO 4, El apéndice al capitulo 5 conjunta ahora en un solo lugar las propieda des ¢ interrelaciones entre las cuatro distribuciones de probabilidad importan- tes que se utilizan con mucha frecuencia en este libro; a saber: las distribuciones normal, t, ji cuadrada y F. 5. El capitulo 6, que trata las formas funcionales de los modelos de regre- sion, ahora incluye un andlisis de la regresi6n sobre variables estandarizadas. 6. Para hacer mas accesible este libro a los no especialistas, he trasladado el estudio del enfoque matricial de la regresi6n lineal del capitulo 9 anterior al apéndice C, el cual se ampli6 un poco més para incluir cierto material avanzado a fin de beneficiar a los estudiantes que tienen una mayor inclinacion hacia las matemiticas. Ahora, el nuevo capitulo 9 estudia los modelos de regresin con variable dicétoma. 7. El capitulo 10, sobre la multicolinealidad, abarca un analisis ampliado de los famosos datos Longley, los cuales arrojan una considerable luz sobre la naturaleza y el alcance de la multicolinealidad. 8. El capitulo 11, sobre la heteroscedasticidad, incluye en el apéndice de esta edicién un examen intuitivo de los errores estandar robustos de White. 9. El capitulo 12, sobre la autocorrelaci6n, ahora contiene un estudio del método Newey-West para corregir los errores estandar MCO, a fin de tomar en. cuenta la probable autocorrelacién en el término de error. Los errores estan- dar corregidos se conocen como errores estandar HAC. Este capitulo también estudia brevemente el tema del pronéstico con términos de error autocorre- lacionados. 10. El capitulo 13, sobre elaboracién de modelos econométricos, sustituye alos capitulos 13 y 14 anteriores. Tiene varios temas nuevos que el investigador practico encontraré particularmente titiles. Incluyen un anilisis sucinto de los criterios de selecci6n de modelos, como el criterio de informacion Akaike, el cri- terio de informacion Schwarz, el criterio C, de Mallows, y el prondstico ji-cuadra- da. Asimismo, este capitulo analiza temas como los factores exiernos, el apalanca-miento, la influencia, los minimos cuadrados recursivos y la prueba de prediccién de error de Chow. Concluye con algunas advertencias para el practi- cante respecto a la teoria y la practica econométrica 11, El capitulo 14, sobre modelos de regresién no lineales, es nuevo. En vista de la facil disponibilidad de software estadistico, ya no resulta dificil esti- mar modelos de regresién que sean no lineales en sus parimetros. Algunos modelos econométricos son intrinsecamente no lineales en sus parémetros, por lo que necesitan estimarse mediante métodos iterativos. Este capitulo estudia e ilustra algunos métodos comparativamente simples para calcular modelos de regresion no lineales en los pardmetros. 12. Elcapitulo 15, donde se estudian los modelos de regresién con respuesta cualitativa, que sustituye al capitulo 16 anterior que analizaba los modelos de regresi6n con variable dependiente dicotoma, proporciona un muy amplio ané- lisis de los modelos de regresién que involucran una variable dependiente que es de naturaleza cualitativa. Los temas principales son los modelos logit y probit, asi como sus variaciones. También se analiza el modelo de regresién de Poisson, que se utiliza para hacer el modelo de datos contables, como por ejemplo el ni- mero de patentes que se le dieron a una empresa en un afo; el mimero de lla- madas telefénicas recibidas durante un intervalo de, por ejemplo, 5 minutos, etc, Este capitulo proporciona un breve analisis sobre los modelos multinomiales logit y probit, asi como sobre los modelos de duracién.PREFACIO 13. El capitulo 16, sobre modelos de regresin con datos en panel, es nue- vo. Los datos en panel combinan caracteristicas de las series de tiempo y de los, datos de transversales. En vista de la creciente disponibilidad de los datos en panel en el area de las ciencias sociales, los modelos de regresién con datos en panel, los investigadores los estan utilizando cada ver. mas en muchos cam- pos. Este capitulo proporciona un anillisis no técnico de los modelos con efectos fijos y con efectos aleatorios que se usan con frecuencia para la estimacién de modelos de regresi6n que se basan en datos en panel. 14, El capitulo 17, sobre modelos econométricos dinamicos, ahora tiene un estudio mas bien amplio de la prueba de causalidad Granger, misma que se usa (y se abusa) en forma rutinaria en la investigacion aplicada, La prueba de cau- salidad de Granger responde al ntimero de términos atrasados en el modelo. También supone que la serie de tiempo subyacente es estacionaria 15. Salvo por algunos problemas nuevos y pequefias ampliaciones de las técnicas de estimacién existentes, los capitulos 18, 19 y 20, sobre modelos con ecuaciones simultaneas, basicamente no cambiaron, Esto refleja el hecho de que el interés en tales modelos ha menguado a lo largo de los atios, debido a una diversidad de razones, incluyendo su insatifactorio desempeno para pronosticar, después de la crisis de petroleo de mediados de la década de 1970. 16. El capitulo 21 experiment6 una revision sustancial del anterior capitulo correspondiente. Algunos conceptos sobre la econometria de series de tiempo se desarrollaron y se ilustraron en este capitulo. La idea principal de este capitulo es la naturaleza e importancia de las series de tiempo estacionarias. La calidad de estacionario de una serie de tiempo resulta crucial para la aplicacién de di- versas técnicas econométricas analizadas en la obra. 17. Asimismo, el capitulo 22 también tuvo una revision sustancial, respecto al anterior. Se analiza el tema del pronéstico econémico con base en las me- todologias Box-Jenkins (ARIMA) y la autorregresion vectorial (VAR). También se estudia el tema de medir la volatilidad en las series de tiempo financieras me- diante las técnicas de la heteroscedasticidad condicional autorregresiva (ARCH) y la heteroscedasticidad condicional autorregresiva generalizada (GARCH) 18. El apéndice A, que trata de conceptos estadisticos, se ha ampliado lige- ramente. E] apéndice C analiza el modelo de regresién lineal utilizando el dlge- bra matricial. Esto es para alentar a los estudiantes mas aventajados. Como en las ediciones anteriores, todas las técnicas econométricas analizadas en el libro se ilustran mediante ejemplos, algunos de los cuales se basan en da- tos coneretos tomados de diversas disciplinas. Las preguntas y problemas que estén al final del capitulo tienen varios ejemplos y conjuntos de datos nuevos. Para el lector aventajado, hay varios apéndices téenicos dentro de los distintos capitulos que proporcionan prucbas de varios teoremas y/o f6rmulas desarro- Hadas en el texto. ORGANIZACION Y OPCIONES Los cambios en esta edicién han ampliado de manera considerable el aleance del texto. Espero que esto proporcione al maestro una sustancial flexibilidad para elegir los temas que sean apropiados para el puiblico al que se dirige. Aqui se dan algunas sugerencias respecto a cémo podria utilizarse la obra,PREFACO ‘SUPLEMENTOS CD de datos Curso de un semestre para los no especialistas: el apéndice A, los capi tulos del 1 al 9, y un repaso general de los capitulos 10, 11 y 12 (omitiendo todas las demostraciones). Curso de un semestre para los estudiantes de economia: apéndice A, capftulos del 1 al 13. Curso de dos semestres para estudiantes de economia: apéndices A, By C, capitulos del 1 al 22. Los capitulos 14 y 16 pueden estudiarse de manera opcional. Algunos de los apéndices téenicos pueden omitirse. Estudiantes de licenciatura y de posgrado e investigadores: este libro es un manual de referencia para los temas principales de la econometria. Todos los libros vienen acompatiados con un CD que contiene los datos del tex- toen formato ASCII 0 de texto, y pueden ser leidos por la mayorfa de los software. Manual de soluciones para el estudiante Eviews Sitio web El Manual de soluciones para el estudiante es gratuito para el profesor y esté a Ja venta para los estudiantes (ISBN: 0072427922) y contiene las soluciones deta- ladas de las 475 preguntas y problemas del libro. Con esta cuarta edici6n nos complace entregar la version para el estudiante del paquete Eviews 3.1 en un CD, junto con todos los datos de la obra. Se puede ad- quirir este software, junto con la obra, solicitandolo a la editorial (ISBN: 0072565705). La versin estudiantil de Eviews también puede adquirirse por separado en OMS. Visite el sitio http:/www.eviews.com para mayor informacién. Un sitio web muy completo proporciona material adicional como apoyo al estu- dio de la econometria. Vaya al sitio www.mhhe.com/econometrics/gujarati4. RECONOCIMIENTOS Desde la publicacién de la primera edicién de este libro, en 1978, he recibido valiosas sugerencias, comentarios, criticas y consejos de una diversidad de per sonas. En particular, quisiera agradecer la ayuda que recibi de: Michael McAleer, de la Universidad de Western Australia; Peter Kennedy, de la Universidad Simon Frazer en Canada; asi como de Kenneth White de la Universidad de British Columbia; George K. Zestos de la Universidad Christopher Newport; Virginia, y de Paul Offner, de la Universidad Georgetown de Washington, D.C. También estoy agradecido con varias personas que me han influido por su vocacién escolar: Quiero agradecer especialmente a Arthur Goldberger de laPREFACIO Universidad de Wisconsin, William Greene de la Universidad de Nueva York y al fallecido G, S, Maddala, Para esta cuarta edicién estoy especialmente en deuda con los revisores que proporcionaron su invaluable conocimiento, criticas y su- gerencias: Michael A. Grove, de la Universidad de Oregon; Harumi Ito, de la Universidad Brown; Phanindra V. Wunniva, del Middlebury College, y George K. Zestos de la Universidad Christopher Newport. Diversos autores influyeron en mi obra, en particular, estoy agradecido con los siguientes: Chandan Mukherjee, director del Centro para los Estudios del Desarrollo, de Trivandrum, India; Howard White y Mare Wuyts, del Instituto de Estudios Sociales de Holanda; Badi H. Baltagi, de la Universidad Texas A&M; B. Bhaskara Rao, de la Universidad de Nueva Gales del Sur, Australia; R. Carter Hill, de la Universidad de Louisiana; William E. Griffiths de la Universidad de Nueva Inglaterra; George G. Judge, de la Universidad de California en Berkeley; Marno Verbeek, del Centro de Estudios Econémicos, de KU Leuven; Jeffrey Wooldridge, de la Universidad Estatal de Michigan; Kerry Patterson, de la Uni- versidad de Reading, Inglaterra; Francis X. Diebold, dé la Escuela Wharton, perteneciente a la Universidad de Pensilvania; Wojciech W. Charemza y Derek F. Deadman; de la Universidad de Leicester, Inglaterra, y con Gary Koop de la Universidad de Glasgow. Estoy muy agradecido con varios de mis colegas de West Point por su apoyo yaliento a lo largo de los afios. En particular, estoy agradecido con: el brigadier general Daniel Kaufman, el coronel Howard Russ, el teniente coronel Mike Meese, el teniente coronel Casey Wardynski, el mayor David Trybulla, el mayor Kevin Foster, Dean Dudley y Dennis Smallwood. Me gustaria dar las gracias a los estudiantes y maestros de todo el mundo que no sélo han utilizado mi obra, sino que se han comunicado conmigo en cuanto a diversos aspectos de este libro, Porsu ayuda tras bambalinas en McGraw-Hill, estoy agradecido con Lucille Sutton, Aric Bright y Catherine R. Schultz. George F. Watson, el corrector de estilo, hizo un maravilloso trabajo al co- rregir un manuscrito mas bien largo y exigente. Por tal raz6n, estoy muy en deuda con él. Por ultimo, pero no por eso menos importante, me gustaria darle las gracias a mi esposa, Pushpa, asf como a mis hijas Joan y Diane por su constante apoyo y entusiasmo en la preparaci6n de ésta y las anteriores ediciones. Damodar N. GujaratiINTRODUCCION ua 2QUE ES LA ECONOMETRIA? Literalmente, econometria significa “medicién econdmica”. Sin embargo, si bien es cierto que la medicién es una parte importante de la econometria, el aleance de esta disciplina es mucho mas amplio, como puede deducirse de las siguien- tes citas La econometrfa, resultado de cierta perspectiva sobre el papel que juega la econo- fa, consiste en la aplicaci6n de la estadistica matematica a la informacién econd- mica para dar soporte empirico a los modelos construidos por la economia ‘matematica y obténer resultados numéricos. la econometria puede ser definida como el analisis cuantitativo de fenémenos econdmicos reales, basados en el desarrollo simultaneo de la teoria y la observa- cidn, relacionados mediante métodos apropiados de inferencia.? La econometria puede ser definida como la ciencia social en la cual las herramien- tas de la teoria econémica, las matematicas ¥ la inferencia estadistica son aplicadas al anallisis de los fenémenos econémicos. La econometria tiene que ver con la determinacion empirica de las leyes econ6- micas.* El arte del econometrista consiste en encontrar el conjunto de supuestos que sean suficientemente especificos v realistas, de tal forma que le permitan aprovechar de la mejor manera los datos que tiene a su disposicién.” Gerhard Tintner, Methodology of Mathematical Economics and Econometrics, The University of Chicago Press, Chicago, 1968, p. 74 *'B A. Samuelson, T. C. Koopmans ¥ J. R. N. Stone, "Report of the Evaluative Committee for Econometrica’, Econométrica, vol. 22. num. 2, abril de 1954, pp. 141-146. » Arthur S, Goldberger, Economerric Theor, John Wiley & Sons, Nueva York, 1964, p. 1 “H, Theil, Principles of Economerncs, John Wiley & Sons, Nueva York, 1971, p. 1 SE, Malinvaud, Statistical Mevfiods of Econometrics, Rand MeNally, Chicago, 1966, p. 5142 INTRODUCCION Los econometristas... son una ayuda en el esfuerzo por disipar la mala imagen pai blica de la economia (cuantitativa o de otro tipo) considerada como una materia en la cual se abren cajas vacias, suponiendo la existencia de abrelatas, para revelar un contenido que sera interpretado por cada diez economistas de 11 maneras dife- rentes.* El método de la investigacién econométrica busca esencialmente una conjuncién entre la teoria econémica y la medici6n real, utilizando como puente la teoria y la téenica de la inferencia estadistica.? 1.2. @POR QUE UNA DISCIPLINA APARTE? Como lo sugieren las definiciones anteriores, la econometria es una amalgama de teorfa econémica, economia matematica, estadistica econémica y estadisti- ca matematica. Aun asf, la materia merece ser estudiada en forma separada por las siguientes razones. La teorfa econémica hace afirmaciones o formula hipétesis de naturaleza principalmente cualitativa. Por ejemplo, la teorfa microeconémica establece que, permaneciendo constantes otros factores, se espera que una reduccién en el precio de un bien aumente la cantidad demandada de ese bien. Asi, la teoria econémica postula una relacién negativa o inversa entre el precio y la cantidad demandada de un bien. Pero la teoria de por si no proporciona medida numéri- ca alguna de la relacién entre los dos; no dice en qué magnitud aumentara se reduciré la cantidad como resultado de un cambio determinado en el precio del bien. El trabajo del econometrista es proporcionar tales estimativos numéricos. Planteado de otra forma, la econometria da contenido empirico a gran parte de la teoria econémica. El interés principal de la economia matematica es expresar la teoria econd- mica en una forma matemiatica (ecuaciones) sin preocuparse por la capacidad de medicién o de verificacion empirica de la teorfa. La econometria esta intere- sada principalmente en la verificacién empirica de la teoria econémica. Como veremos, el econometrista utiliza frecuentemente las ecuaciones matematicas, propuestas por el economista matematico, pero las expresa en tal forma que éstas se prestan para la prueba empirica. Y esta conversién de ecuaciones mate- maticas en ecuaciones econométricas requiere una gran dosis de ingenio y des- “treza. La estadistica econémica se relaciona principalmente con la recoleccién, procesamiento y presentacin de las cifras econémicas en forma de graficos y tablas. Este es el trabajo del estadistico econémico, cuya actividad principal consiste en recolectar cifras sobre el PIB, el empleo, el desempleo, los precios, etc. La informacion asi recogida constituye la materia prima para el trabajo econométrico. Pero el estadistico econémico no va mas alld de la recoleccién de informaci6n, pues no le concierne la utilizacidn de las cifras recopiladas para probar la validez de las teorias econémicas o para refutarlas. Ciertamente, es el econometrista quien se ocupa de realizar esta labor. “ Adrian C, Damell yJ. Lynne Evans, The Limits of Econometrics, Edward Elgar Publishing, Hants, Inglaterra, 1990, p. 54 Haavelmo, “The Probability Approach in Econometries”, Suplemento de Econometrica, vol. 44, prefacio p. i. “IwrmopucciOn 3. Aunque la estadistica matematica proporciona muchas de las herramientas utilizadas por esta ciencia, el econometrista frecuentemente necesita métodos especiales en vista de la naturaleza tinica de la mayorfa de las cifras econémi- cas, ya que éstas no se generan como resultado de un experimento controlado. Eleconometrista, como el meteordlogo, depende generalmente de cifras que no pueden ser controladas directamente: En econometria, el que construye el modelo a menudo se enfrenta a datos observa- dos, los cuales se contraponen a los experimentales. Esto tiene dos implicaciones importantes para la creaci6n empirica de modelos en econometria. Primero, se re- quiere que el hacedor de modelos domine muy distintas habilidades en compara- ci6n con las que se necesitan para analizar los datos experimentales... Segundo, la separacién de los datos del recopilador y los del analista exige que el que elabora modelos se familiarice por completo con la naturaleza y la estructura de los datos en cuestion® 1.3 METODOLOGIA DE LA ECONOMETI ¢Cémo proceden los econometristas en el andlisis de un problema econémico? Es decir, ccual es su metodologia? Aunque existen diversas escuelas de pensa- miento sobre metodologia econométrica, se presenta aqui la metodologia tra- dicional o clasica, que predomina en la investigacién empirica en economia y en las ciencias sociales y del comportamiento.’ En términos generales, la metodologia econométrica tradicional se realiza dentro de los siguientes lineamientos: Planteamiento de la teoria o de la hipétesis Especificacién del modelo matematico de la teoria Especificacién del modelo econométrico o estat Obtencién de datos Estimaci6n de los parémetros del modelo econométrico Prueba de hipotesis Pronéstico prediccion Utilizacién del modelo para fines de control o de politica ico de la teoria SIO P EN Para ilustrar los pasos anteriores, se considera la conocida teoria keynesiana de consumo, 1. Planteamiento de la teoria o hipotesis Keynes plantea: La ley psicol6gica fundamental... consiste en que los hombres [y las mujeres] como regla general y en promedio, estan dispuestos a incrementar su consumo a medida que su ingreso aumenta, pero no en la misma cuantia del aumento en su ingreso."” “Aris Spanos, Probability Theory and Statistical Inference: Econometric Modeling with Observational Dara, Cambridge University Press, Reino Unido, 1999, p. 21 *Véase un anslisis ilustrativo, si bien avanzado, de los métodos economeétricos, en David F. Hendry Dynamic Economerries, Oxford University Press, Nueva York, 1995, Véase también Aris Spanos, op.cit "John Maynard Keynes, The General Theory of Employment, Interest and Money, Harcourt Br Jovanovich, Nueva York, 1936, p. 964 wraoouccion En pocas palabras, Keynes postula que la propensién marginal a consumir (PMC), es decir, la tasa de cambio del consumo generado por una unidad (diga- mos, un délar) de cambio en el ingreso, es mayor que cero pero menor que uno. 2. Especificacion del modelo matematico de consumo FIGURA 11 A pesar de haber postulado una relacién positiva entre el consumo y el ingreso, Keynes no especifica la forma precisa de la relaci6n funcional entre las dos. Por simplicidad, un economista matematico podria sugerir la siguiente forma de la funcién keynesiana de consumo: Y=B,+BX O X, tienen sentido. La mayorfa de las variables econémicas pertenecen a esta categorfa, Por consiguiente, resulta sensato preguntar cuan grande es el PIB de este afio, en comparacién con el del aiio anterior. Escala de intervalo Una variable de escala de intervalo satisface las dos Ailtimas propiedades de la variable de escala de proporci6n, pero no la primera. Por tanto, la distancia entre dos periodos, digamos 2000-1995, es significativa, no asf la proporcién entre dichos periodos (2000/1995). Escala ordinal Una variable pertenece a esta categoria sélo si satisface la tercera propiedad de la escala de proporcién (es decir, el orden natural). Los ejemplos son sistemas de calificaciones (A, B, C) 0 clases de ingresos (alto, me- dio, bajo). Para estas variables, existe el orden pero las distancias entre las cate- gorias no pueden cuantificarse. Los estudiantes de economia recordaran las curvas de indiferencia entre dos bienes, en donde una curva superior de indife- rencia sefala un mayor nivel de utilidad, pero no se puede cuantificar en qué medida una curva de indiferencia es mayor que otra. Escala nominal Las variables de esta categoria no tienen ninguna de las caracteristicas de las variables de escala de proporcién, Variables como el géne- ro (masculino, femenino) y el estado civil (casado, soltero, divorciado, separa- do) simplemente denotan Categorias. Pregunta: gcual es la raz6n por la que dichas variables no pueden expresarse mediante las escalas de proporcién de intervalo ode orden? Como veremos, las técnicas econométricas que pudieran ser adecuadas para las variables de escala de proporcién, tal vez. no resulten pertinentes para las variables de escala nominal. En consecuencia, resulta importante tener en mente las diferencias entre los cuatro tipos de escalas de medici6n recién analizadas. 1.8 RESUMEN Y CONCLUSIONES 1, Laidea clave detras del andlisis de regresién es la dependencia estadistica de una variable, la variable dependiente, sobre una 0 mas variables, las variables explicativas. 2. El objetivo de tal andlisis es estimar y/o predecir la media o el valor pro- medio de la variable dependiente con base en los valores conocidos o determi- nados de las variables explicativas. 3. Ena practica, el éxito del andlisis de regresién depende de la disponibi- lidad de la informaci6n apropiada, En este capitulo se analizé la naturaleza, las fuentes y limitaciones de los datos que estan disponibles para la investigacién, especialmente en las ciencias sociales. 4, En cualquier investigacién, el investigador debe describir en forma clara las fuentes de los datos utilizadas en el analisis, sus definiciones, sus métodos de recoleccién y cualquier brecha u omisin en los datos igual que cualquier revisiOn hecha sobre éstos. Recuerde que los datos macroeconémicos publica- dos por el gobierno con frecuencia son objeto de revisién.EJERCICIOS TABLA 12 (CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGAESION 31 5. Puesto que el lector puede no tener el tiempo, la energia o los recursos para llegar a la fuente original de los datos, el lector tiene el derecho de suponer que los datos utilizados por el investigador han sido reunidos de manera apro- piada y que los célculos y andlisis estan correctos. 1.1, La tabla 1.2 proporciona informacién sobre el indice de precios al consumidor (IPC) para siete paises industrializados, donde la base para dicho indice es 1982- 1984 = 100. @) A partir de los datos dados, calcule la tasa de inflacion para cada pais." 1) Grafique la tasa de inflacién para cada naci6n, en funcién del tiempo (es de- cir, utilice el eje horizontal para el tiempo y el vertical para la tasa de infla- cién), ©) Qué conchusiones generales pueden deducirse respecto a la inflacién en los ete patses? @) Qué paisal parecer tiene la tasa de inflacién mas variable?, gpuede darse una explicacién para esto? IPC DE SIETE PAISES INDUSTRIALIZADOS, 1973-1997 (1982-1984 = 100) Gran Estados Ano Canads Francia Alemania. ~— tala, Japon Bretafha_—Unidos 1973 0.80000 34.6000 62.8000 20,80000 47.9000 27.0000 4.40000 1974 45.2000 99.3000 67.1000 24.80000 59,0000 32.3000 49.0000 1975 §0.10000 43.9000 71.1000 28.80000 65.9000 40.2000 3.80000 1976 53.9000 48,10000 7420000 33.0009 °72.20000 46.60000 56.9000 1977 8.10000 52.70000 7690000 40.1009 78.1000 54.2000 60.6000 4978 63.0000 §7.50000 79.0000 45.1009 1.40000 88.7000 86.2000 1978 68.2000 63.6000 82.2000 2.10000 84.4000 66,60000 72.6000 1980 76.10000 72.3000 86.7000 63.2009 90.90000 78.5000 82.4000 1981 85.6000 81.8000 92.2000 75.40000 95.3000 87.80000 0.90000 1982 9490000 91.7000 97.1000 87.7000 98.1000 9.40000 6.50000 1983 100.4000 100.4000 100.3000 100.8000 9.80000 99.80000 99.6000 1984 106.7000 108.1000 102.7000 111.5000 102.1000 104.8000 103,900 1985 109.0000 114.4000 104.8000 121.1000 104.1000 111.1000 107.6000 1986 1135000 117.3000 104.7000 128.5000 104.8000 114.9000 109.6000 1987 118.4000 121.1000 104.9000 134.4000 104.8000 119.7000 113.6000 1988 123.2000 1244000 106.3000 141.1000 105.6000 125.6000 118.3000 1989 128.3000 1287000 109.2000 150.4000 108.1000 135.9000 124.0000 1990 1355000 133.0000 112.2000 159.000 111.4000 148.2000 130.7000, 4981 143.1000 137.2000 116.3000 169.8000 115.0000 156.9000 136.2000 1992 148.3000 140.5000 122.1000 178.8000 116.9000 162.7000 140.3000 1993 147.9000 143.5000 127.6000 186.4000 118.4000 165.3000 144.6000 1994 148.2000 145.8000 131.1000 193.7000 119.3000 169.4000 148.2000 1995 151.4000 148.4000 133.5000 204.1000 119.1000 175.1000 152.4000 1996 153.8000 1514000 195.5000 212.0000 119.9000 179.4000 156.9000 1997 156.3000 153.2000 187.8000 215.7000 121.3000 188.0000 180.6000 "® Reste del IPC del afio en cuestién el IPC del ato anterioy, divida Ia diferencia entre el IPC del aio anterior y multiplique el resultado por 100. Asf, la tasa de inflacién de Canada en 1974 es [(45.2 ~ 40.8)/40.8] x 100 = 10.78% aproximadamente.32 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES. TABLAS. 12. 1.3. 14. 15. @) Grafique la tasa de inflacién para Canadé, Francia, Alemania, Italia, Japon y Gran Bretafa, contra la de Estados Unidos. 4) Comente en términos generales el comportamiento de la tasa de inflacién de los seis paises, en comparacién con la de Estados Unidos. ©) Sidescubre que la tasa de inflaci6n de esos seis paises se mueven en la misma direccién que la de Estados Unidos, cesto sugerirfa que la inflacién en Esta- dos Unidos “provoca’ la inflacién en las demas naciones?, ¢por qué si, 0 por qué no? Enla tabla 1.3 se dan los tipos de cambio para siete pafses industrializados duran- te los afios 1977-1998. Excepto para Gran Bretafia, la tasa de cambio se define como las unidades de divisas equivalentes a un délar estadounidense; para ese pais, se define como el niimero de délares estadounidenses que se cambian por una libra inglesa. 4) Grafique las tasas de cambio en funci6n del tiempo y comente el comporta- miento general de las tasas de cambio durante el periodo dado. b) Se dice que el délar tiene una apreciacion si se pueden comprar més unidades de divisas. Por el contrario, se dice que sufre una depreciacién, si se pueden adquirir menos divisas. En el periodo de 1977-1998, ¢cual ha sido el compor- tamiento general del d6lar estadounidense? Por cierto, consulte cualquier tex- to de macroeconomfa 0 economfa internacional para averiguar los factores que determinan la apreciacién o depreciacién de una moneda. Los datos que aparecen en la figura 1.5 sobre la oferta de dinero M1 se proporcio- nan a continuacién en la tabla 1.4, 2Puede dar las razones por las que la oferta de dinero se ha incrementado a lo largo del periodo que se muestra en la tabla? Suponga que va a desarrollar un modelo econémico para actividades criminales, digamos las horas invertidas en tales actividades (por ejemplo, en la venta de dro- gas ilegales). ¢Qué variables consideraria al desarrollar dicho modelo? Vea si su ‘TASAS DE CAMBIO PARA SIETE PAISES: 1997-1998 Gran Afo Canada Francia Alemania Japon. Suecia Suiza —_—Bretaia 197 1.083300 4.916100 2.329600 268.6200 4.480200 2.406500 1.744900 1978 1.140500 4509100 2.009700 210.3900 4.520700 1.790700 1.918400 1979 1.171300 4.256700 1.894900 219.0200 4.289900 1.864400 2.122400 1980 1.169300 4.225100 1.817500 226.6900 4.231000 1.877200 2.328600 1981 1.199000 5.439700 2263200 220.6300 5.066000 1.967500 2.024300 1982 1.234400 6.579400 2.428100 249.0600 6.283900 2.082700 1.748000 1983 1.232500 7.620400 2.553900 297.5500 7.671800 2.100700 1.515900 1984 1295200 8.735600 2.845500 237.4600 8.270800 2.950000 1.396800, 1985 1.365900 8.980000 2.942000 238.4700 8.603200 2.455200 1.287400 1986 1.389600 6.925700 2.170500 168.3500 7.127300 1.797900 1.467700 1987 11325900 6.012200 1.798100 144.6000 «6.346900 1.491800 1.639800 1988 1.230600 5.959500 1.757000 128.1700 6.137000 1.464300 1.781300 1989 1.184200 6.380200 1.880800 138.0700 6.455900 1.836900 1.638200 1990 1.166800 §.446700 1.616600 146.0000 5.923100 1.990100 1.784100 1991 11146000 5.646800 1.661000 134.5900 6.052100 1.495600 1.767400 1992 1.208500 5.293500 1.561800 126.7800 5.825800 1.406400 1.766300 1983 1.290200 5.666900 1.654500 111.0800 7.795600 1.478100 1.501600 1934 1.366400 5.545600 1.621600 102.1800 7.716100 1.366700 1.531900 1995 1.372500 4.986400 1.492100 93.9600 7.140600 1.181200 1.578500 1996 1.369800 5.115800 1.504900 108.7800 6.708200 1.296100 1.560700 1997 1.384900 5.839300 1.734800 121.0600 7.844600 1.451400 1.637600 1998 1.483600 5.899500 1.759700 130.9900 7.952200 1.850600 1.657300 ‘Fuente: Economic Report ofthe Presiden, enero de 2000 enero de 2001TABLA1S OFERTA DE DINERO AJUSTADA M1 POR TEMPORADA: 01/1959-09/1999 (MILES DE MILLONES DE DOLARES) 1959:01 1959.07 1960.01 196007 1961-01 1961:07 1962.01 1962:07 1963:01 1963:07 1964:01 1964:07 1965.01 1965:07 1966:01 1966.07 1967.01 1967.07 1968:01 1968:07 1969:01 1969:07 1970.01 1970.07 1971.01 1971.07 197201 1972.07 197301 1973.07 1974.01 1974.07 1975.01 1975:07 1976.01 1976.07 197-01 197.07 1978.01 1978:07 1979.01 1979.07 1980:01 1980:07 1981-01 1981:07 1982:01 1982:07 1983:01 1985:07 1984:01 1984:07 1985:01 1985:07 1986-01 +198,2900 141.7000 499.9800 140.1800 141.0800 +142,9200 145.2400 146.4600 148.2600 451.3400 153.7400 156.8000 160.7100 163.0500 169.0800 170.3100 171.8600 178.1300 184.3300 190.4900 198.6900 201.6600 208.2200 207.9800 218.5400 224.8500 230.0900 238.7900 251.4700 287.5400 283.7600 269.2700 273.9000 83,6800 288.4200 297.2000 308.2600 320.1900 334.4000 347.6300 356.6000 377.2100 385.8500 394.9100 410.8300 427.9000 442.1300 449.0900 476.6800 508.9600 24,4000 542.1300 '555,6600 590.8200 20.4000 +39,3900 141.9000 +39.8700 141.3100 141.6000 143.4900 145.6600 146.5700 148.9000 451.7800 1543100 187.8200 160.9400 163.6800 169.6200 170.8100 172.9900 179.7100 184.7100 191.8400 198.3500 201.7300, 208.0000, 208.9300, 217.4200 225.5800, 232.3200, 240.900, 252.1500, 257.7600 265.3100, 270.1200, 275.0000, 284.1500, 290.7600, 299.0500, 311.5400 322.2700, 335.3000, 349.6600, 359.9100, 378.8200, 389.7000, 400.0600, 414.3800, 427.8500, 441.4900, 452.4900, 483.8500, 511.6000 526.9900, 542.3900, 562.4800, 598.0600, 624.1400, 139.7400 141.0100 139.7500 141.1800 141.8700 143.7800 145.9600 148.3000 149.1700 151.9800 154.4800 158.7500 161.4700 184.8500 170.5100 171.9700 174.8100 180.6800 185.4700 192.7400 200.0200 202.1000 208.7500 211.8000 218.7700, 226.4700 234.3000 249.1800 251.6700 257.8600 286.6800 271.0500 276.4200 285.6900 292.7000 299.6700 313.9400 324.4800 336.9600 352.2600 362.4500 378.2800 388.1300 405.3600 418.6900 427.4600 442.3700 457.5000 490.1800 513.4100 530.7800 543.8600 365.7400 604.4700 632.8100 139.6900 140.4700 199.5600 140.9200 142.1900 144.1400 146.4000 146.7100 449.7000 152.5500 184.7700 199.2400 162.0300 165.9700 171.8100 171.1600 174.1700 181.8400 1188.6000 194.0200 200.7100, 202:3000, 206.7200, 212.8800, 220.0000, 227.1600, 2355800 245.0200 252.7400 259.0400, 267.2000 272.3500, 276.1700, 285.3900 294.6600 302.0400 316.0200 326.4000 339.9200 353.3500, 368.0500 380.8700, 383.4400, 409.0600, 427.0600, 428.4500, 448.7800, 464.5700, 492.7700, 517.2100 594.0300 543.8700 569.5500 607.9100 640.3500 140.6800 140.3800 199.6100 140.8600 142.6600 148.7600 146.8400 147.2900 150.3900 153.6500 155.3300 159.9600 161.7000 166.7100 171.3300 171.3800 175.6800 182.3800 187.9900 196.0200 200.8100 203.5700, 207.2200, 213.6600 222.0200 227.7600 235.8900 246.4100 254.8900 260.9800, 267.5600, 273.7100, 279.2000 2286 8300 295.9300 303.5900 317.1900 328.6400 344.8600 355.4100 369.5900 380.8100 384.6000, 410.3700, 424.4300 430.8800 448,530 471.1200, 499.7800 518.5300, 1596 5900, 347.9200, 575.0700, 611.8300 652.0100 CAPITULO UNO: NATURALEZA DEL ANALISIS DE REGRESION 33 141.1700 139.9500 139.5800 140.6900 142.8800 145.2000 146.5800 147.8200 180.4300 153.2900 185.6200 160.3000 162.1900 167.8500 171.5700 172.0800 17.0200 183.2600 149.4200 197.4100 201.2700, 203.8800 207.5400, 214.4100, 223.4500, 228.3200, 236.6200, 249.2500, 258.6900 262.8800, 268.4400 274.2000, 282.4300, 287.0700, 296.1600 308.2500 318.7100, 330.8700, 348.8000, 357.2800 373.3400 381.7700 ‘389.4600, 408.0600, 425.5000, 436.1700 447.8900, 474.3000, 504.3500 520.7900 540.540 551.190 583.1707 819.3609, 661.520 (continua)34 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES TABLA L.A (Continuacién) 1986:07 672.2000 680.7700 «688.5100 «695.2600 705.2400 724.2800 198701 729.3400 «729.8400 «733.0100 «743.3900 © 746.0000 743.7200 198707 744.9600 «746.9600 «748.6600 «756.5000 752.8300 749.6800 3988:01 788.5500 757.0700 «761.1800 «767.5700 «771.6800 779.1000 1988:07 783.4000 «785.0800 «784.8200 «783.6300 «784.4600 786.2600 190901 784.9200 783.4000 «782.7400 «778.8200 © 774.7900 774.2200 1989:07 79.7100 781.1400 «782.2000 -—«787.0500 787.9500 792.5700 199001 784.9300 797.6500 «807.2500 «806.2400 804.3600 810.3300 1990:07 811.8000 17.8500 «821.8300 «820.3000 822.0600 824.5600 1991:01 826.7300 832.4000 «838.6200 «842.7900 848.9600 858.3300 1991:07 862.9500 868.6500 «871.5600 «878.4000 887.9500 896.7000 199201 910.4900 925.1300 936.0000 943.8900 950.7800 954.7100 190207 964.6000 9757100 «88.8400 © 1004.20 © 1016.040 1.024.450 1993:01 1080.900 © 1033.150 1087.99 © 1047.470 —1088.220 1075610 1999:07 1085.880 1095560 1105.430©«1113.800©—«1123.900 1 129.310 1994-01 1192-200 © -1196.130 © 1198.9101141.420 © 1142.850 1 145.650, 1994-07 1151490 © 1151300 1152440 ©—1150.410 —1180.440 1149.75 1995-01 1150640 © 1148.740 © 1146.520 © 1149.480 © 1144.650 1 144.280 4995:07 1146500 © 1148.100 1142270 = 1196430 ©—«1103.550 1 126.730 1996-01 1122580 «1117830 1122590 1124520 © 1118,300 1115.70 1996:07 112.340 1102180 1095.610 © 1082.560 «1.080.490 1 081.340 1997-01 108.520 1076200 ©—«1072.420©—«1067.450 —«1083.370 1.085.990 1997:07 1087570 1072080 1084820 © 1062.060 1067530 1.074.870 1998-01 1073.810 —-1076020 © 1.080.650 1.082.090 «107.170 1077780 1998:07 1075370 1072210 «1074650 «1.080.400 «1.088.960 1.093.350 1999:01 1091.00 1092650 1102.010 +=—1108.400 = 1 108.7501 101.110 1999:07 1009530 1102400 «1.093.460 Fuente: Board of Govemors, Banco Federal dela Reserva, Estados Unidos, modelo se asemeja al desarrollado por el economista ganador del premio Nobel, Gary Becker.” 1.6 Experimentos controlados en economia: el 7 de abril del 2000 el presidente Clinton, convirti6 en ley una propuesta aprobada por ambas camaras legislativas estado- unidenses mediante la cual se eliminaban las limitaciones de ingresos para los derechohabientes del sistema de seguridad social. Antes de esa ley, los dere- chohabientes que tuvieran entre 65 y 69 afos y que ganaran més de $17 000 déla- res al ato, perdfan el valor de un délar de los beneficios de la seguridad social, por cada 3 délares de ingresos que excedieran los $17 000. ¢Cémo se planearfa un estudio que evaluara el impacto de este cambio en la ley? Nota: en la ley derogada, no habfa limitacién de ingresos para los derechohabientes menores de 70 afos. 1.7 Los datos proporcionados en la tabla 1.5 se publicaron en la edicién correspon- diente al primero de marzo de 1984 del periédico Wall Street Journal. Se refieren al presupuesto publicitario (en millones de délares) de 21 empresas para el afio de 1983 y a las veces que los clientes observan los comerciales de los productos en una semana (impresiones) de dichas compahias. La informacién se basa en una encuesta a 4000 adultos en la que se pidié a los usuarios de los productos que citaran un comercial que hayan visto en la semana anterior y que tuviera que ver con la categoria del producto. a) Haga una grafica poniendo las impresiones en el eje vertical y el gasto publici- tario en el horizontal 7G. S. Becker, “Crime and Punishment: An Economic Approach’, Joumal of Political Economy, vol. 76,1968, pp. 169-217,CAPITULO UNO: NATURALEZADEL ANALISIS DEREGRESION 35 TABLA15 IMPACTO DE LOS GASTOS EN PUBLICIDAD impresiones, Gasto, millones Empresa millones de délares de 1982 1. Mille Lite 324 50.1 2. Pepsi 996 744 3. Stron’s 7 193 4. Fed'l Express 219 229 5. Burger King 608 e248 8. Coca Cola 738 401 7. McDonald's 924 185.9 @. MCI 507 269 9. Diet Cola 214 204 10. Ford 404 1662 11. Levis 408 27.0 12. Bud Lite 104 456 13, ATT/Bell 889 1549 14. Calvin Klein 120 5.0 15. Wendy's 292 497 16. Polaroid 38.0 26.3 17. Shasta 100 87 18 Meow Mix 123 78 19. Oscar Meyer 234 92 20. Crest nA 324 21. Kibbies 'N Bits 44 6.1 b) {Qué se podria decir respecto a la naturaleza de la relacién entre las dos varia- Bles? ©) Alobservar la grafica, gcree que es redituable el gasto en publicidad? Piense en todos los comerciales que se transmiten en el domingo que se juega la final del fiitbol americano (Super Bowl) o durante los juegos finales del béisbol estadounidense (las Series Mundiales) Nota: exploraremos mas adelante los datos suministrados en la tabla 1.5 en los siguientes capitulos,ANALISIS DE REGRESION CON DOS VARIABLES: ALGUNAS IDEAS BASICAS En el capitulo 1 se estudié el concepto de regresién en términos generales. En este capitulo se aborda la materia mas formalmente. De manera especifica, este capitulo y los dos siguientes introduciran al lector en la teorfa que constituye la base para el analisis de regresién mas sencillo posible, el caso de dos variables, la regresi6n bivariable, o de dos variables, en la que la variable dependiente (la regresada) se relaciona con una sola variable explicativa (la regresora). Este caso es considerado primero, no necesariamente debido a su adecuacién prac- tica, sino porque presenta las ideas fundamentales del andlisis de regresion de la manera mas sencilla posible y algunas de estas ideas pueden ilustrarse con la ayuda de diagramas bidimensionales. Ademés, como se verd, el anilisis de re- gresion multiple, mas general, es en gran parte una extension légica del caso de dos variables. 2.1 EJEMPLO HIPOTETICO' 36 Como se sefialé en la seccién 1.2, el andlisis de regresién se relaciona en gran medida con la estimacién y/o prediccién de la media (de la poblacién) 0 valor promedio de la variable dependiente, con base en los valores conocidos o fijos de las variables explicativas.? Para entender la forma como esto se realiza, con- El lector, cuyo conocimiento estadistico se ha anquilosado un poco, quiz desee refrescarlo al leer el apéndice A que aborda la estadistica, antes de leer este capitulo, El valor esperado, expectativa o media poblacional de una variable aleatoria Y se denota mediante el simbolo £(Y). Por otra parte, el valor medio calculado para una muestra de valores tomada de una poblacin ¥ se denota como ¥, y se lee como "Y barra’TABLA21 FIGURA 2.1 CAPITULO 00S: ANALISIS DE REGRESION CON DOS VARIABLES: ALGUNAS IDEAS BASICS 37 INGRESO FAMILIAR SEMANAL, X, $ x yl a 100 «120 «140160180 200220240260 Gastode consumo | 55 65 78 «= «80102, 10.«120:« 195137150 familarsemanal | 60 70 84 93 107 115 136 197 145152, vs 6 74) 8085101204015 175; 7 8 94 108 116 130 144 182165178 7 85 «98108-18135 45157175180 = 8 - 13 125 140 = 160 189 185 - Fe tee tt Total 325 © 462«445«707-«G7B 750685 -1043« OBE TAIT Medias 65 77) 8S 1OY 11312517 149173, condicionales de ¥E(YIX) idere los datos de la tabla 2.1. Los datos de la tabla se refieren a la poblacin total de 60 familias de una comunidad hipotética, asi como a su ingreso sema- nal (X) ya su gasto de consumo semanal (¥), dados en délares. Las 60 familias se dividen en 10 grupos de ingresos (de $80 a $260); asimismo, los gastos sema- nales de cada familia de los diversos grupos se muestran en la tabla. Por consi- guiente, se tienen 10 valores fijos de X y los correspondientes valores Y para cada uno de los valores X; asi que hay 10 subpoblaciones ¥. Se observa una variaci6n considerable en el gasto de consumo semanal para cada uno de los grupos de ingreso, lo cual puede verse con claridad en la figura 2.1. No obstante, el panorama general que se presenta es que, a pesar de la variabilidad del gasto de consumo semanal para cada ingreso considerado, en promedio el consumo semanal se incrementa en la misma medida que el ingre- so. Para verificar lo anterior, se proporcionan en la tabla 2.1, la media, o prome- dio, del gasto de consumo semanal que corresponde a cada uno de los 10 niveles de ingresos. Asf, al nivel de ingreso de 80 délares le corresponde una media de gasto de consumo igual a $65, pero para el nivel de $200 su media es $137. En 200 22010) e 150 100 Gasto de constumo semanal, US$ a : 80 100 120 140 160 180 200 220 240 260 Ingreso semanal, USS Distribucién condlcional del gasto para diversos niveles de ingresos (datas tomados de la tabla 2.1)38 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES TABLA22 total tenemos 10 valores medios para las 10 subpoblaciones de Y. A estos valo- res medios los conocemos como los valores esperados condicionales, en vista de que dependen de los valores dados a la variable (condicional) X. En forma simbélica, los denotamos como E(¥/X), lo cual se lee como el valor esperado de Y, dado el valor de X (véase también la tabla 2.2). Resulta importante distinguir dichos valores condicionales esperados del valor esperado incondicional del gasto de consumo semanal, E(Y). Si suma- mos los gastos de consumo semanales de las 60 familias, tenemos la cantidad de $121.20 ($7 272/60), lo que es el valor de la media incondicional, o esperada, para el gasto de consumo semanal, E(¥); es incondicional en el sentido de que para obtener esta cifra hemos hecho caso omiso de los niveles de ingreso de diversas familias.’ Obviamente, los diferentes valores esperados condicionales de ¥ dados en la tabla 2.1 varfan del valor esperado incondicional de Y que es igual a $121.20. Cuando planteamos la pregunta “cual es el valor esperado del gasto de consumo semanal de una familia?”, obtuvimos como respuesta: $121.20 (la media incondicional). Pero si preguntamos “gcudl es el valor esperado del gasto de consumo semanal de una familia cuyo ingreso mensual es, digamos, $1402”, la respuesta es $101 (la media condicional). Para expresarlo en otras palabras, si planteamos la pregunta “cudl es la mejor (media) prediccién para el gasto semanal de las familias que tienen un ingreso semanal de $1402”, la respuesta seria: $101. Por consiguiente, saber el nivel de ingreso nos permite predecir mejor el valor medio del gasto de consumo, que si no supiéramos esa informaci6n.* Esta probabilidad es la esencia del andlisis de regresién, como lo iremos descubriendo a lo largo de este librow Los puntos de la figura 2.1 que estan encerrados en un circulo muestran los valores medios condicionales de Y, graficados en funcién de los diveros valores de X. Si unimos esos valores de las medias condicionales, obtenemos lo que se conoce como la recta de regresién poblacional (RRP), 0 de una manera mas PROBABILIDADES CONDICIONALES p(¥1X) PARA LOS DATOS DE LA TABLA 2.1 = aay so 100 120 wo 10400 20029240280 pooamnces «JE OG GGG Por jee oe Fo bo a a 4 a4 js 8 4 ; é 3 4 + 3 + Be $ + 3 é 3 ; 3 + Bo 3 + é 3 3 + é + - 4 = + $ é * + & + - - + - - - + = + Meds condone 7 a * Como se muestra en el apéndice A, en general los valores de las medias condicionales e incondli- cionales difieren. * Estoy en deuda con James Davidson, por suministrar esta perspectiva, Véase James Davidson, Econometric Theory, Blackwell Publishers, Oxford, Gran Bretana, 2000, p. 11CAPITULO DOS: ANALISIS DE REGRESION CON DOS VARIABLES: ALGUNAS IDEAS BASICAS 39) general, la curva de regresi6n poblacional (CRP). Con palabras mas senci- llas, es la regresién de ¥ sobre X. El adjetivo “poblacional” se debe al hecho de que en este ejemplo estamos trabajando con la poblacién total de 60 familias. Por supuesto, en realidad una poblacién tendria mas familias. Asi pues, desde el punto de vista geométrico, una curva de regresion poblacio- nal es simplemente el lugar geométrico de las medias condicionales de la variable dependiente para los valores fijos de la(s) variable(s) explicativa(s). En palabras mas simples, es la curva que conecta las medias de las subpoblaciones de ¥ que corresponden a los valores dados del regresor X. Se puede ver de manera grafi- ca en la figura 2.2. Esta figura muestra que para cada X (es decir, el nivel de ingresos), existe una poblacién de valores ¥ (gastos de consumo semanal) que se dispersan alre- dedor de la media (condicional) de dichos valores Y. Por simplicidad, se supone que tales valores ¥ estan distribuidos simétricamente alrededor de sus respecti- vos valores medios (condicionales). Asimismo, la recta (0 curva) de regresin pasa a través de los mencionados valores medias (condicionales). Con estos antecedentes, el lector encontrara util volver a leer la definicién de regresi6n dada en la seccién 1.2 2.2 CONCEPTO DE FUNCION DE REGRESION POBLACIONAL (FRP) FIGURA22 De la anterior exposicion y especialmente de las figuras 2.1 y 2.2, es claro que cada media condicional E(Y | X,) es funcién de X,, donde X, es un valor dado de X, Simbélicamente, EY |X) =f) (2.2.1) @ Media condicional EX) | | } | | J 149 Distribucion de tor YdadaX 0 65 é 30 M0220 Ingreso semanal, USS Recta de regresién poblacional (datos obtenidos de la tabla 2.1) En el presente ejemplo la RRP es una Ilnea recta, pero podrfa llegar ase figura 2.3 una curva (wéase la40 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES donde f(X,) denota alguna funcién de la variable explicativa X,. [En nuestro ejem- plo, E(Y | X,) es una funcién lineal de X,.] La ecuacién (2.2.1) es conocida como la funci6n de expectativa condicional (FEC) o funcién de regresién pobla- cional (FRP) o regresién poblacional (RP) para abreviar. Dicha funcin deno- ta tinicamente que el valor esperado de la distribucién de Y dada X, esta relacionada funcionalmente con X,, En otras palabras, nos dice c6mo la media o respuesta promedio de Y varia con X. ¢Qué forma toma la funcién /(X,)? Esta pregunta es importante porque en una situacién real no tenemos a nuestra disposici6n la totalidad de la poblacién para efectuar el andlisis. La forma funcional de la FRP es, por consiguiente, una pregunta empirica, aunque en casos especificos la teoria puede tener algo que decir: Por ejemplo, un economista podria plantear que el gasto de consumo esta relacionado linealmente con el ingreso. Por lo tanto, como una primera aproxi- macién 0 como una hipétesis de trabajo, podemos suponer que la FRP E(Y |X,) es una funcién lineal de X,, digamos, del tipo EY |X) = Bi + BX, (2.2.2) donde f, y B, son parametros no conocidos pero fijos que se denominan coefi- cientes de regresién; , yf; son conocidas también como la interseccién y el coeficiente de la pendiente, respectivamente. La ecuaci6n (2.2.1) en si misma es conocida como la funcién de regresién lineal poblacional. En las explica- ciones se utilizan algunas expresiones alternativas, tales como modelo de regre- sin lineal poblacional o regresion lineal poblacional. En lo sucesivo, los términos regresin, ecuacién de regresién y modelo de regresién sern considerados sindénimos. En el andlisis de regresi6n el interés es estimar las FRP como (2.2.2), es decir, estimar los valores de B, y B, no conocidos con base en las observaciones de Yy X. Este tema sera estudiado en detalle en el capitulo 3. 2.3 SIGNIFICADO DEL TERMINO “LINEAL” Puesto que este texto se relaciona principalmente con modelos lineales tales como (2.2.2), es esencial entender lo que significa realmente el términ® lineal, ya que éste puede ser interpretado de dos formas diferentes. Linealidad en las variables El primer significado y posiblemente el mas “natural” de linealidad es aquel en que la esperanza condicional de Yes una funcién lineal de X,, como es el caso de (2.2.2)’. Geométricamente, la curva deregresion en este casoes una linearecta. En esta interpretacién, una funcién de regresién como E(¥ | X,) = B, + B.X? no es una funcién lineal porque la variable X aparece elevada a una potencia 0 indice de 2. © Se dice que una funcién ¥ = X) es lineal en X si X aparece elevado a una potencia o indice de 1 solamente (esto es, términos tales como X, ,X. y demas, son excluidos) y dicha variable no esta smultiplicada ni dividida por alguna otra variable (por ejemplo, X -Z 0 XZ donde Z es otra variable). Si ¥ depende solamente de X, otra forma de plantear que ¥ esté relacionada linealmente con X es que la tasa de cambio de ¥ con respecto a X (es decir, la pendiente, 0 la derivada, de Y con respecto a X, dY/ 4X) es independiente del valor de X. Asi, si ¥ = 4X, d¥/dX = 4, este valor es independiente del valor de X, Pero si ¥ = 4X*, d¥/dX = BX, este término no es independiente del valor tomado por X. Por consi- ‘zuiente la funcion no es lineal en X.CAPITULO DOS: ANALISIS DE REGRESION CONDOS VARIABLES: ALGUNAS IDEAS BASCAS 41 Linealidad en los pardmetros FIGURA 23 La segunda interpretaci6n de linealidad se presenta cuando la esperanza condi- cional de Y, E(Y | X,) es una funcién lineal de los parametros, los f; puede ser lineal en la variable X 0 puede no serlo’. De acuerdo con esta interpretacion, E(Y |X,) = B, + B,X/ es un modelo de regresion lineal (en el parametro). Para ver lo anterior, sup6ngase que X tiene un valor de 3. Por lo tanto, E(Y | X = 3) = 8, ~ 9Bp, ecuaci6n que es obviamente lineal en B, y B2. Por tanto, todos los modelos presentados en la figura 2.3 son modelos de regresi6n lineales; es decir, mode- los lineales en los parametros. Ahora considere el modelo E(Y | X,) = B, + 6}X,. Suponga también que X = 3; asi, obtenemos E(Y | X,) = 8, + 383, que es no lineal respecto al parametro ;. El modelo anterior es un ejemplo de un modelo de regresién no lineal (en los parametros). Analizaremos dichos modelos en el capitulo 14. De las dos interpretaciones de linealidad, la linealidad en los parametros es relevante para el desarrollo de la teoria de regresién que sera presentada en breve. Por consiguiente, de ahora en adelante el término regresion “lineal” siem- pre significard una regresion que es lineal en los pardmetros, los B (esto es, los pardmetros son elevados solamente a la primera potencia); puede o no ser lineal en las variables explicativas X. Esquemdticamente, tenemos la tabla 2.3. Asi, E(Y | X) = B, + BX, lineal en los parametros igual que en las variables, es un MRL, lo mismo que E(¥ | X) = B, + B:X?, es lineal en los parametros pero no lineal en la variable X. y y Cuadratica Exponencial Y=By+ BX + BX? ¥=e6ehX Cabiea Y= By+ BX +BX7+ BX? Funciones iineales en los pardmetros. * Se dice que una funcién es lineal en el parémetro, 8, por ejemplo, si B, aparece elevado a una potencia de I solamente y no est multiplicado ni dividido por ningun otro parémetro (por ejemplo. BB. BVB. etc.)42 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES TABLA23 MODELOS DE REGRESION LINEAL Modelo lineal en los parmetros? variables? St No Si MAL MRL No MANL MANL ‘Note: MRL = mode de rgresion neal MRNL = modelo de regresin no lineal 2.4 ESPECIFICACION ESTOCASTICA DE LA FRP Es claro en la figura 2.1 que a medida que el ingreso familiar aumenta, el gasto de consumo familiar en promedio, también aumenta. Pero ¢qué sucede con el gasto de consumo de una familia individual con relaci6n a su nivel (fijo) de ingresos? Es obvio en la tabla 2.1 y en la figura 2.1 que el gasto de consumo de una familia individual no necesariamente aumenta a medida que el nivel de in- gresos es mayor. Por ejemplo, en la tabla 2.1 se observa que para el nivel de ingresos de US$100 existe una familia cuyo gasto de consumo de US$65 es menor gue los gastos de consumo de dos familias cuyo ingreso semanal es solamente US$80. Pero advierta que el gasto de consumo promedio de familias con un ingreso semanal de US$100 es mayor que el gasto de consumo promedio de familias con un ingreso semanal de US$80 ($77 vs. USS65). Entonces, ¢qué podemos decir sobre la relaci6n entre el gasto de consumo de una familia individual y un nivel dado de ingresos? Se ve en la figura 2.1 que, dado el nivel de ingresos de X,, el gasto de consumo de una familia individual esta agrupado alrededor del consumo promedio de todas las familias en ese nivel de X,, esto es, alrededor de su esperanza condicional. Por consiguiente, podemos expresar la desviacion de un Y, individual alrededor de su valor espe- rado de la manera siguiente: ¥- EY |X) Y; = EY |X) +; (2.4.1) donde la desviacién u, es una variable aleatoria no observable que toma valores positivos 0 negativos, Técnicamente, u, es conocida como perturbacién estocastica o término de error estocastico. ¢Cémo se interpreta (2.4.1)? Se puede decir que el gasto de una familia indi- vidual, dado su nivel de ingresos, puede ser expresado como la suma de dos componentes: 1) E(Y | X,), que es simplemente la media del gasto de consumo de todas las familias con el mismo nivel de ingresos. Este componente se cono- ce como el componente sistematico, o deterministico, y 2) u, que es el compo- nente aleatorio, o no sistematico. Se examinaré en breve la naturaleza del término de perturbacién estocastica, pero por el momento supéngase que es un. término que sustituye o representa todas las variables omitidas o ignoradas que puedan afectar a ¥ pero que no estan (o pueden no estar) incluidas en el modelo de regresi6n. Si se supone que E(¥ | X)) es lineal en X,, como en (2.2.2), la ecuacién (2.4.1) puede escribirse tomoCAPITULO DOS: ANALISIS DE REGRESION CON DOS VARIABLES: ALGUNAS IDEAS GASICAS 43, ¥,= EX) +1, = B+ BX, +u, (2.4.2) La ecuacién (2.4.2) plantea que el gasto de consumo de una familia est relacio- nado linealmente con su ingreso, mas el término de perturbaci6n. Asi, los gas- tos de consumo individual, dado X = US$80 (véase tabla 2.1), pueden ser expresados como 55 = B, + (80) + 1, 60 = B, + B,(80) + u, 65 = By + (80) + uy Y, = 70 = By + Bx(80) + 4 (2.4.3) Y, = 75 = B, + B,(80) + us Ahora, si se toma el valor esperado de (2.4.1) en ambos lados, obtenemos BY, |X) = ELE’| X)) + Blu, |X) = EY |X) + Bu, |X) (2.4.4) donde se hace uso del valor esperado de una constante que es la constante m ma’. Obsérvese cuidadosamente que en (2.4.4) se ha tomado la esperanza con- dicional, condicionada a las X dadas. Puesto que E(Y, |X, es lo mismo que E(V'|X), la ecuaci6n (2.4.4) implica que Blu, |X) =0 (2.4.5) Asi, el supuesto de que la recta de regresi6n pasa a través de las medias condi- cionales de ¥ (véase la figura 2.2) implica que los valores de la media condicio- nal de u; (condicionadas al valor dado de X) son cero. De la exposicién anterior es claro que (2.2.2) v (2.4.2) son formas equivalen- tes si E(u, |X;) = 0.’ Pero la especificacion estocastica (2.4.2) tiene la ventaja que muestra claramente otras variables ademas del ingreso, que afectan el gasto de consumo y que un gasto de consumo de familias individuales no puede ser ex- plicado en su totalidad solamente por la(s) variable(s) incluida(s) en el modelo de regresién. 2.5 SIGNIFICADO DEL TERMINO “PERTURBACION ESTOCASTICA” Como se anoté en la seccién 2.4, el término “perturbacién estocastica” u, es un sustituto para todas aquellas variables que son omitidas del modelo pero que, colectivamente, afectan a Y. La pregunta obvia es: por qué no se introducen estas variables en el modelo explicitamente? Planteado de otra forma, ¢por qué no se desarrolla un modelo de regresion multiple con tantas variables como sea posible? Las razones son muchas. * Véase en el apéndice A un andlisis breve de las propiedades del operador de esperanza E, Notese que E(Y’ |X), una vez que el valor de X; ha sido Bijado, es tuna constante. * En electo, en el método de minimos cuadrados que sera desarrollado en el capitulo 3, se supone cexplicitamente que E(u, |X) = 0. Véase la secci6n 3.244 PARTE UNO: MODELOS DE REGRESION UNIECUACIONALES 1. Vaguedad de la teoria: De existir una teoria que determine el comporta- miento de ¥, ésta puede estar incompleta y frecuentemente lo esta. Podriamos saber con seguridad que el ingreso semanal X afecta el gasto de consumo sema- nal ¥, pero se podria ignorar 0 no estar seguros sobre las demas variables que alectan a Y. Por consiguiente, u, puede ser utilizada como sustituto de todas las variables excluidas u omitidas del modelo. 2. No disponibilidad de informacién: Aun si se sabe cudles son algunas de las variables excluidas y se considera por consiguiente una regresin miiltiple en lugar de una regresién simple, se puede no tener informaci6n cuantitativa sobre esas variables. Es una experiencia corriente en el andlisis empirico que la informacién que idealmente se desearia tener, frecuentemente no esté disponi- ble. Por ejemplo, en principio se podria introducir la riqueza familiar, como una variable explicativa adicional a la variable ingreso para explicar el gasto de consumo familiar. Pero desafortunadamente, la informacién sobre riqueza fa- miliar por lo general no esta disponible. Por consiguiente, se puede ver forzado a omitir la variable riqueza de nuestro modelo a pesar de su gran relevancia te6rica en la explicacién del gasto de consumo. 3. Variables centrales vs. variables periféricas: Sup6ngase en el ejemplo con- sumo-ingreso que ademas del ingreso X, hay otras variables que afectan tam- bién el gasto de consumo, como el ntimero de hijos por familia X,, el sexo X,, la religi6n X,, la educacién Xs y la region geografica X,. Pero es muy posible que la influencia conjunta de todas o de algunas de estas variables pueda ser muy pequeria 0 a lo mejor no sistematica 0 aleatoria, y que desde el punto de vista practico y por consideraciones de costo no se justifique su introduccién explici- ta en el modelo. Uno espera que su efecto combinado pueda ser tratado como una variable aleatoria 1,.!° 4, Aleatoriedad intrinseca en el comportamiento humano: Aun si se tiene éxi- to en la introduccién en el modelo de todas las variables relevantes, hay posibi- lidad de que exista alguna aleatoriedad “intrinseca” en Y que no puede ser explicada a pesar de todos los esfuerzos que se hagan. Las perturbaciones, u, pueden reflejar muy bien esta aleatoriedad intrinseca. 5. Variables proxy (representantes) inadecuadas: A pesar de que el modelo de regresi6n clasico (que sera desarrollado en el capitulo 3) supone que las va- riables Y y X son medidas en forma precisa, en la practica, los datos pueden estar plagados de errores de medicién. Considérese, por ejemplo, la teorfa muy conocida de Milton Friedman de la funcién de consumo." El considera el con- sumo permanente (Y°) como funcién del ingreso permanente (X"). Pero como la informaci6n sobre estas variables no es observable directamente, en la practica se utilizan variables proxy, tales como el consumo actual (¥) y el ingreso actual (30. Puesto que las Yy las X observadas pueden no ser iguales a Y? y X", existe el problema de errores de medicién. El término de perturbacién u puede en este caso también representar entonces los errores de medicién. Como se vera en un capitulo posterior, de existir tales errores de medicién, éstos pueden tener gra- ves implicaciones en la estimacién de los coeficientes de regresién, las B. Una dificultad adicional es que variables tales como el sexo, la educaci6n, la religion, etc., son iiles de cuantificar. Milton Friedman, A Theory ofthe Consumption Function, Princeton University Press, Princeton, NJ. 1957,CAPITULO DOS: ANALISIS OE REGRESION CON DOS VARIABLES: ALGUNAS IDEAS BASICAS 45 6. Principio de parsimonia: Siguiendo el principio de la navaja de afeitar de Occam,"? nos gustaria mantener nuestro modelo de regresién lo mas sencillo posible. Si podemos explicar “sustancialmente” el comportamiento de Y con dos o tres variables explicativas y si nuestra teoria no es lo suficientemente fuerte para sugerir otras variables que pudieran ser incluidas, gpor qué introdu- cir mas variables? Permita que u, represente todas las demas variables. Por su- puesto, no se deben excluir variables relevantes e importantes sélo para mantener simple la forma del modelo de regresi6n. 7, Forma funcional incorrecta: Aun si se tienen variables tedricamente co- rrectas para explicar un fenémeno y se puede obtener informacién sobre ellas, muy frecuentemente no se conoce la forma de la relacién funcional entre la variable regresada y las regresoras, Es el gasto de consumo una funcién lineal (invariable) del ingreso es una funcién no lineal (invariables)? Si se trata de lo primero, Y;= By + BX, + u, es la relacion funcional apropiada entre ¥ y X, pero el segundo caso, Y, = B, + B:X; + BX? + u, puede ser la forma funcional correcta. En los modelos de dos variables la forma funcional de la relacién frecuentemente puede ser juzgada a partir del diagrama de dispersi6n. Pero en un modelo de regresion miiltiple, no es facil determinar la forma funcional apropiada, puesto que no se puede visualizar graficamente los diagramas de dispersion en dimen- siones multiples. Por todas estas razones, las perturbaciones estocasticas 1, asumen un papel extremadamente critico en el andlisis de regresién, que se apreciaré a medida que se progrese. 2.6 FUNCION DE REGRESION MUESTRAL (FRM) Hasta el momento, se ha limitado la exposicién a los valores poblacionales de ¥ correspondientes a valores fijos de X. Deliberadamente se han evitado conside- raciones muestrales (nétese que la informacién de la tabla 2.1 representa la poblacién, no una muestra). Pero ya es hora de enfrentar los problemas mues- trales, ya que en la prictica lo que se tiene al alcance no es mas que una muestra de valores de ¥ que corresponden a algunos valores fijos de X. Por consiguiente la labor ahora es estimar la FRP con base en informacion muestral. Amanera de ilustracién, supéngase que no se conocia la poblaci6n dela tabla 2.1. y que la tinica informacién que se tenia era una muestra de valores de Y selec- cionada aleatoriamente para valores dados de X tal como se presenta en la tabla 2.4,A diferencia dela tabla 2.1, ahora se tiene sélo un valor de ¥ correspondiente alosvaloresdelas X;cada Y (dada X,) en latabla 2.4 esseleccionada aleatoriamente de ¥ similares correspondientes a las mismas X, de la poblacién de la tabla 2.1. La pregunta es: de la muestra de la tabla 2.4, gse puede predecir el gasto de consumo semanal promedio ¥ para la poblacién como un todo correspondiente a los valores de X seleccionados? En otras palabras, ¢se puede estimar la forma FRP a partir de la informacion muestral? Como el lector seguramente sospe- "Las descripciones deben mantenersc lo mas simples posibles hasta el momento en que se de miuestre que resultan inadecuadas”, The World of Mathematics, vol. 2, J.R, Newman (ed), Simén & Schuster, Nueva York, 1956, p. 1247, o, “Los individuos no deben ser multiplicados mas alld de lo necesario", Donald F. Morrison, Applied Linear Statistical Methods, Prentice Hall, Englewood Cliffs, No, 1983, p. 58,46 PARTE UNO; MODELOS DE REGRESION UNIECUACIONALES FIGURA24 cha, quiza no se pueda estimar la FRP en forma “precisa” debido a las fluctuia- ciones muestrales. Para ver esto, supdngase que se toma de la poblacién de la tabla 2.1 otra muestra aleatoria, la cual se presenta en la tabla 2.5. Al graficar los datos de las tablas 2.4 y 2.5, se obtiene el diagrama de disper- sin dado en la figura 2.3. En el diagrama de dispersion se han trazado dos rectas de regresién muestral con el fin de “ajustar” razonablemente bien las dispersio- nes: FRM, esta basada en la primera muestra y FRM, esta basada en la segunda muestra. ¢Cudl de las dos rectas de regresin representa la recta de regresi6n poblacional “verdadera"? Si se evita la tentacién de mirar la figura 2.1, que intencionalmente representa la RP, no hay forma de estar absolutamente Segu- ros de que alguna de las rectas de regresin mostradas en la figura 2.4 representa la recta (0 curva) de regresién poblacional verdadera. Las rectas de regresion en la figura 2.4 se conocen como reetas de regresién muestral, Supuestamente TABLA24 TABLA25 MUESTRA ALEATORIA TOMADA DE OTRA MUESTRA ALEATORIA TOMADA LA POBLACION DE LA TABLA2.1 DE LA POBLACION DE LA TABLA 2.1 Y x Y x 70 80 35 80 65 100 88 100 90 120 90 120 95 140 80 140 110 160 18 160 15 180 120 180 120 200 145 200 140 220 135 220 155 240 145 240 150 260 175 260 200 x Primera muestra (Tabla 24) Regresidn basada en a * Sogunda muestra (Tabla 25) la segunda muestra Ja primera muestra Gasto de consumo, 30 100 120 140 160 180 200 220 240 260 Ingreso semanal, US$ ectas de regresion basadas en dos muestras diferentes,CAPITULO DOS: ANALISIS DE REGRESION CON DOS VARIABLES: ALGUNAS IDEAS BASICAS 47 éstas representan la recta de regresién poblacional, pero debido a fluctuaciones muestrales pueden serconsideradas en el mejorde los casos s6lo como una aproxi- macién de la verdadera RP. En general, se obtendria N FRM diferentes para N muestras diferentes y estas FRM no necesariamente son iguales. Ahora, en forma andloga a la FRP en la cual se basa la recta de regresion poblacional, se puede desarrollar el concepto de funcién de regresién muestral (FRM) para representar la recta de regresién muestral. La contraparte muestral de (2.2.2) puede escribirse como (2.6.1) donde ¥ se lee “Y-gorro" 0 “Y-sombrero” ¥, =estimador de E(Y | X) B, =estimador de B, B, = estimador de Adviértase que un estimador, conocido también como estadistico (mues- tal), es simplemente una regla, formula o método que dice como estimar el parametro poblacional a partir de la informacién suministrada por la muestra disponible. Un valor numérico particular obtenido por el estimador en una apli- cacién es conocido como estimado."* Ahora, tal como se expresa la FRP en dos formas equivalentes, (2.2.2) y (2.4.2), se puede expresar la FRM (2.6.1) en su forma estocdstica de la siguiente manera: Y= B+ BX +t (2.6.2) donde, adicional a los simbolos ya definidos, é denota el término residual (muestral). Conceptualmente fj, es andlogo a u, y puede ser considerado como un estimado de u;, el cual se introduce en la FRM por las mismas razones que ts, fue introducida en la FRP. Para resumir, entonces, se halla que el objetivo principal en el andlisis de regresién es estimar la FRP ¥,= B+ B+, (2.4.2) con base en la FRM. ¥, = Bre pee (2.6.2) porque son més frecuentes los casos en que el andlisis esta basado en una mues- tra tomada de una poblacién. Pero debido a fluctuaciones muestrales el estima- do de la FRP basado en FRM es, en el mejor de los casos, una aproximacién. Esta aproximacién se muestra graficamente en la figura 2.5. Para X = X, se tiene una observacién (muestral) ¥ = ¥,. En términos de la FRM, la Y, observada puede ser expresada como. Yi= Yor th (2.6.3) = ® Como se anoté en la Introducci6n, un gorro sobre una variable significard un estimador del valor poblacional relevante,48 PARTEUNO: MODELOS DE REGRESION UNIECUACIONALES FIGURA25 FRMLY, = fy FRP: E(Y| X=, + BX, % Ingreso semanal, USS Rectas de regresi6n muestal y poblacional en términos de la FRP, puede ser expresada como ¥,=E(Y|X) +4, (2.6.4) Ahora obviamente, en la figura 2.5, ¥, sobreestima la verdadera E(Y | X;) para una X, dada. De la misma manera, para cualquier X, a la izquierda del punto A, la FRM subestimard la verdadera FRP. Pero el lector puede concluir facilmente que tal sobreestimacién y subestimacién del modelo poblacional es inevitable debido a las fluctuaciones muestrales. La pregunta critica es ahora: dado que la FRM es apenas una aproximacién de la FRP ¢se puede disefar una regla 0 método que haga que esta aproxima- cion sea lo mas “ajustada” posible? En otras palabras, ¢cOmo se debe construir Ia FRM para que fi, y A, estén tan “cerca” de los verdaderos B, y f; como sea posible aun cuando nunca se llegue a conocer los verdaderos , ¥ f,? La respuesta a esta pregunta ocuparé gran parte de nuestra atencién en el capitulo 3, Se advierte aqui que es posible desarrollar procedimientos que dicen cémo construir la FRM para reflejar la FRP tan fielmente como sea posible. Es fascinante considerar que esto pueda hacerse aun cuando realmente nunca se legue a determinar la propia FRP. 2.7 UN EJEMPLO ILUSTRATIVO Concluimos este capitulo con un ejemplo. La tabla 2.6 proporciona informa- cidn respecto al nivel de estudios (medido por el nimero de afios de escolari- dad), el salario promedio por hora devengado por las personas respecto a cada nivel de escolaridad y el niimero de gente en el nivel de estudios dado. Ernst Berndt obtuvo originalmente los datos suministrados en la tabla y los dedujo deCAPITULO 00S: ANALISIS DE REGRESION CON DOS VARIABLES: ALGUNAS IDEAS BASICAS 49 TABLA 26 SALARIO PROMEDIO POR HORA SEGUN LA ESCOLARIDAD ‘Afios de escolaridad —_Salario promedio, US$__Namero de personas 6 4.4567 3 7 5.7700 5 8 5.9787 15 9 7.3317 2 10 73te2 7 " 6.5844 27 12 78192 218 13 7.8351 37 14 11.0223 56 15 10.6738 13 16 10.8361 70 7 13.6150 24 18 13.5310 3t Total 528 “Fuente: Arthur 8. Goldberger, Inroductory Econometrics, Harvard University Press, cambridge, Maseachueets, 1998, tabla 1.1.5 fadaptada) la poblacién actual a la que se le hizo una encuesta en mayo de 1985."* Analiza- remos esos datos (con las variables explicativas adicionales) en un capitulo pos- terior. Al dibujar el salario promedio (condicional) en funcién del grado de escola- ridad, obtenemos la grafica de la figura 2.6. La curva de regresién de la grafica muestra la forma en que los salarios promedio varian de acuerdo con el grado de escolaridad; por lo general aquéllos se incrementan a la par que el grado de escolaridad, un descubrimiento que no debe causar sorpresa, Examinaremos en un capitulo posterior la manera en que otras variables distintas de la educa- cién pueden afectar también el salario promedio. * Valor medio io promedio 6 8 0 12 14 16 18 Escolaridad FIGURA26 Relacion entre los salarios promedio ya escolaridad, ™ Ernst R. Berndt, The Practice of Econometrics: Classic and Contemporary, Addison Wesley, Reading, Massachusetts. Por cierto, éste es un excelente libro que el lector tal vez quisiera leer con el objeto de averiguar la forma en que los econometristas Nevan a cabo su labor de investigacion,50 PARTE UNO. MODELOS DE REGRESION UNIECUACIONALES. 2.8 RESUMEN Y CONCLUSIONES EJERCICIOS Preguntas 1, El concepto clave que subyace en el andlisis de regresi6n es el de funcién de expectativa condicional (FEC), o funcién de regresién poblacional (FRP). El objetivo del analisis de regresion es averiguar la forma en que el valor prome- dio de la variable dependiente (0 regresada) varia de acuerdo con el valor dado de la variable explicativa (0 regresora) 2. Este libro trata sobre todo con FRP lineales, es decir, con regresiones que son lineales en los parametros desconocidos. Estas pueden ser o no lineales en la variable dependiente o regresada ¥ y la(s) variable(s) independiente(s) 0 regresor(as) X. 3. Para propésitos empiricos, es la FRP estocdstica la que importa. El tér- mino de perturbacién estocastica u, juega un papel critico en la estimacion de Ja FRP. 4. La FRP es un concepto idealizado, puesto que en la practica raramente se tiene acceso al total de la poblacién de interés. Generalmente, se tiene sélo una muestra de observaciones de la poblacién. Por consiguiente, uno utiliza la funcién de regresién muestral estocdstica (FRM) para estimar la FRP. La forma como esto se logra se analiza en el capitulo 3. 24. ¢Cudl es la funcién de expectativa condicional o funcién de regresién poblacio- nal? 2.2, ¢Cudl es la diferencia entre la funcién poblacional y la funcion muestral de re- gresi6n?, ése trata de distintos nombres para la misma funcién? 2.3. ¢Qué papel desempefia el término error estocdstico u, en el andlisis de regresi6n? @Cudll es la diferencia entre el término error estocastico y el error residual 1? 2.4, ¢Por qué es necesario el analisis de regresién? ¢Por qué no utilizar simplemente el valor medio de la variable regresada como sti mejor valor? 2.3. Qué se quiere dar a entender como un modelo de regresi6n lineal? 2.6. Determinese si los siguientes modelos son lineales en los parémetros, 0 en las variables, o en ambos.

Potrebbero piacerti anche

• It Ends with Us: A Novel

  

  Da Everand

  It Ends with Us: A Novel

  Colleen Hoover

  Valutazione: 4.5 su 5 stelle

  4.5/5 (5844)
• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  Da Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Valutazione: 4 su 5 stelle

  4/5 (5820)
• The Perfect Marriage: A Completely Gripping Psychological Suspense

  

  Da Everand

  The Perfect Marriage: A Completely Gripping Psychological Suspense

  Jeneva Rose

  Valutazione: 4 su 5 stelle

  4/5 (1140)
• • Riviste
  • Podcast
  • Spartito
• The 7 Habits of Highly Effective People

  

  Da Everand

  The 7 Habits of Highly Effective People

  Stephen R. Covey

  Valutazione: 4 su 5 stelle

  4/5 (353)
• The Art of War: A New Translation

  

  Da Everand

  The Art of War: A New Translation

  Sun Tzu

  Valutazione: 4 su 5 stelle

  4/5 (3045)
• The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  

  Da Everand

  The Subtle Art of Not Giving a F*ck: A Counterintuitive Approach to Living a Good Life

  Mark Manson

  Valutazione: 4.5 su 5 stelle

  4.5/5 (20114)
• The Handmaid's Tale

  

  Da Everand

  The Handmaid's Tale

  Margaret Atwood

  Valutazione: 4 su 5 stelle

  4/5 (13283)
• Pride and Prejudice: Bestsellers and famous Books

  

  Da Everand

  Pride and Prejudice: Bestsellers and famous Books

  Jane Austen

  Valutazione: 4.5 su 5 stelle

  4.5/5 (20479)
• Good Omens: A Full Cast Production

  

  Da Everand

  Good Omens: A Full Cast Production

  Neil Gaiman

  Valutazione: 4.5 su 5 stelle

  4.5/5 (10973)
• Remarkably Bright Creatures: A Novel

  

  Da Everand

  Remarkably Bright Creatures: A Novel

  Shelby Van Pelt

  Valutazione: 4.5 su 5 stelle

  4.5/5 (5799)
• Never Split the Difference: Negotiating As If Your Life Depended On It

  

  Da Everand

  Never Split the Difference: Negotiating As If Your Life Depended On It

  Chris Voss

  Valutazione: 4.5 su 5 stelle

  4.5/5 (3314)
• And Then There Were None

  

  Da Everand

  And Then There Were None

  Agatha Christie

  Valutazione: 4.5 su 5 stelle

  4.5/5 (9009)
• The Hobbit

  

  Da Everand

  The Hobbit

  J.R.R. Tolkien

  Valutazione: 4.5 su 5 stelle

  4.5/5 (25285)
• Art of War: The Definitive Interpretation of Sun Tzu's Classic Book of Strategy

  

  Da Everand

  Art of War: The Definitive Interpretation of Sun Tzu's Classic Book of Strategy

  Stephen F. Kaufman

  Valutazione: 4 su 5 stelle

  4/5 (3321)
• Freakonomics Rev Ed

  

  Da Everand

  Freakonomics Rev Ed

  Steven D. Levitt

  Valutazione: 4 su 5 stelle

  4/5 (7879)
• The 7 Habits of Highly Effective People: The Infographics Edition

  

  Da Everand

  The 7 Habits of Highly Effective People: The Infographics Edition

  Stephen R. Covey

  Valutazione: 4 su 5 stelle

  4/5 (2487)
• Habit 1 Be Proactive: The Habit of Choice

  

  Da Everand

  Habit 1 Be Proactive: The Habit of Choice

  Stephen R. Covey

  Valutazione: 4 su 5 stelle

  4/5 (2559)
• The Hobbit

  

  Da Everand

  The Hobbit

  J.R.R. Tolkien

  Valutazione: 4.5 su 5 stelle

  4.5/5 (24589)
• The 7 Habits of Highly Effective People

  

  Da Everand

  The 7 Habits of Highly Effective People

  Stephen R. Covey

  Valutazione: 4 su 5 stelle

  4/5 (2572)
• American Gods: The Tenth Anniversary Edition

  

  Da Everand

  American Gods: The Tenth Anniversary Edition

  Neil Gaiman

  Valutazione: 4 su 5 stelle

  4/5 (12957)
• Habit 6 Synergize: The Habit of Creative Cooperation

  

  Da Everand

  Habit 6 Synergize: The Habit of Creative Cooperation

  Stephen R. Covey

  Valutazione: 4 su 5 stelle

  4/5 (2499)
• Good Omens

  

  Da Everand

  Good Omens

  Neil Gaiman

  Valutazione: 4.5 su 5 stelle

  4.5/5 (12072)
• Habit 3 Put First Things First: The Habit of Integrity and Execution

  

  Da Everand

  Habit 3 Put First Things First: The Habit of Integrity and Execution

  Stephen R. Covey

  Valutazione: 4 su 5 stelle

  4/5 (2508)
• American Gods [TV Tie-In]: A Novel

  

  Da Everand

  American Gods [TV Tie-In]: A Novel

  Neil Gaiman

  Valutazione: 4 su 5 stelle

  4/5 (12556)
• How To Win Friends And Influence People

  

  Da Everand

  How To Win Friends And Influence People

  Dale Carnegie

  Valutazione: 4.5 su 5 stelle

  4.5/5 (6705)
• The Iliad: A New Translation by Caroline Alexander

  

  Da Everand

  The Iliad: A New Translation by Caroline Alexander

  Homer

  Valutazione: 4 su 5 stelle

  4/5 (5734)
• Wuthering Heights (Seasons Edition -- Winter)

  

  Da Everand

  Wuthering Heights (Seasons Edition -- Winter)

  Emily Bronte

  Valutazione: 4 su 5 stelle

  4/5 (9975)