La Econometra

Sus diferentes definiciones, formuladas por economistas relevantes:

y

RagnarFrisch (1930): 'La experiencia ha mostrado que cada uno de estos tres puntos de vista, el de la estadstica, la teora econmica y las matemticas, es necesario, pero por s mismo no suficiente para una comprensin real de las relaciones cuantitativas de la vida econmica moderna. Es la unin de los tres aspectos lo que constituye una herramienta de anlisis potente. Es la unin lo que constituye la econometra". Samuelson, Koopmans y Stone (1954): '... el anlisis cuantitativo de fenmenos econmicos actuales, basado en el desarrollo congruente de teora y observaciones, y relacionado por mtodos apropiados de inferencia.' Valavanis (1959): 'El objetivo de la econometra es expresar las teoras econmicas bajo una forma matemtica a fin de verificarlas por mtodos estadsticos y medir el impacto de una variable sobre otra, as como predecir acontecimientos futuros y dar consejos de poltica econmica ante resultados deseables.' A.G. Barbancho (1962): 'La econometra es la rama ms operativa de la Ciencia econmica, trata de representar numricamente las relaciones econmicas mediante una adecuada combinacin de la Teora econmica matemtica y la Estadstica. De forma que las matemticas, como lenguaje y forma de expresin simblica e instrumento eficaz en el proceso deductivo, representan el medio unificador; y teora econmica, economa matemtica o estadstica econmica seran consideraciones parciales de su contenido.' Klein (1962): 'El principal objetivo de la econometra es dar contenido emprico al razonamiento a priori de la economa.' Malinvaud (1966): '... aplicacin de las matemticas y mtodo estadstico al estudio de fenmenos econmicos.' Christ (1966): 'Produccin de declaraciones de economa cuantitativa que explican el comportamiento de variables ya observadas, o predicen la conducta de variables an no observadas.' Intriligator (1978): 'Rama de la economa que se ocupa de la estimacin emprica de relaciones econmicas.' Chow (1983): 'Arte y ciencia de usar mtodos para la medida de relaciones econmicas.'

Por lo que puede deducirse que la econometra surge de la agregacin de tres ciencias:

La teora econmica: La economa analiza los sistemas econmicos. Entendemos por sistema un conjunto de elementos vinculados entre s por relaciones. As, imaginemos el sistema de una empresa que estar constituido por una serie de elementos: capital, plantilla, productos, precios, costes, publicidad, competidores... Para analizar el funcionamiento de una empresa debemos analizar el sistema en su conjunto, pero ste resulta demasiado complejo para entenderlo en su totalidad, la realidad se simplifica a travs de modelos. Un modelo es una representacin simplificada de un sistema. As, un modelo que incluya las variables referidas a una empresa me facilitar la comprensin de las relaciones existentes Las matemticas: permiten expresar formalmente las relaciones extradas de la teora econmica a travs de una expresin matemtica (lineal, exponencial, etc). La estadstica: a partir de la informacin estadstica y de las tcnicas estadsticas podr calcular el valor de las incgnitas o parmetros que me cuantifican la relacin existente entre variables.

CONCEPTO1 Se conoce como la rama de la teora econmica que a travs de tcnicas estadsticas y matemticas intenta cuantificar las principales relaciones existentes entre las diversas variables de un modelo econmico, dichos modelos son representaciones matemticas simplificadas de la realidad. Los modelos econmicos que se elaboran a travs de la econometra nos hacen posible verificar hiptesis, medir variables estadsticas y realizar pruebas de simulacin. Por lo que la econometra entrega herramientas tiles para probar la validez de las teoras econmicas, adems de realizar pronsticos de los valores futuros de las variables que facilitan el diseo de polticas para regular la evolucin de algunas de ellas. OBJETIVO2 Se ocupa de obtener, a partir de los valores reales de variables econmicas y a travs del anlisis estadstico y matemtico, los valores que tendran los parmetros de los modelos en los que esas variables econmicas aparecieran, as como de comprobar el grado de validez de esos modelos, y ver en qu medida estos modelos pueden usarse para explicar la economa de un agente econmico, o la de un agregado de agentes econmicos, como podra ser un sector del mercado, o una zona de un pas, o todo un pas, o cualquier otra zona econmica; su evolucin en el tiempo, poder predecir valores futuros de la variables, y sugerir medidas de poltica econmica conforme a objetivos deseados.

1 2

http://www.eco-finanzas.com/diccionario/E/ECONOMETRIA.htm http://es.wikipedia.org/wiki/Econometr%C3%ADa

MODELO ECONOMICO Se puede entender un modelo econmico como una propuesta o representacin, genrico que se aplica con validez general, un concepto ya sea proposicional o metodolgico acerca de algn proceso o fenmenoeconmico. Como en otras disciplinas, los modelos son, en general, representaciones ideales o simplificadas, que ayudan a la comprensin de sistemas reales ms complejos. Este resulta muy simplificado y excesivamente general como para ser aplicado a cualquier sistema. Lo que se cumpli en un determinado momento del tiempo y un espacio geogrfico concreto puede no cumplirse bajo otras circunstancias.

Los Modelos economtricos son ms especficos aplicados a sistemas reales concretos, aunque basados en modelos econmicos que tendrn validez nicamente para el periodo temporal y sistema de referencia. Esto implica que el punto de partida para el anlisis economtrico es el modelo econmico y este se transformar en modelo economtrico cuando se han aadido las especificaciones necesarias para su aplicacin emprica. Es decir, cuando se han definido las variables (endgenas, exgenas) que explican y determinan el modelo, los parmetros estructurales que acompaan a las variables, las ecuaciones y su formulacin en forma matemtica, la perturbacin aleatoria que explica la parte no sistemtica del modelo, y los datos estadsticos. Las caractersticas de los modelos economtricos frente a los econmicos pueden resumirse en:3 y Especificacin estadstica ms precisa a la hora de definir las variables. Elmodelo economtrico exige una especificacin muy precisa de las variablesque lo componen al estar referido a un espacio temporal y geogrficoespecfico. As, mientras que en un modelo econmico nicamente seespecifica que el consumo depende de la renta, en un modelo economtricohabla que definir de manera detallada las variables que se van a utilizar paramedir esa relacin. Forma funcional definida. En econometra nicamente se pueden realizarmodelos lineales o linealizables (que son aquellos que estn expresados enlogaritmos). Inclusin de dinamicidad. La dinmica de los hechos reales obliga a que en latotalidad de los modelos economtricos se considere explcitamente el tiempofrente a los modelos econmicos en que no se explicita el tiempo. No son relaciones exactas, frente a los modelos econmicos que suelenplantearse como modelos definidos por relaciones exactas.Estos es as porque en los modelos economtricos siempre existe uncomponente residual en el que estn incluidos todos

y y

http://www.uam.es/personal_pdi/economicas/sgarcia/econometria.pdf

aquellos factores queinfluyen en la variable objeto de estudio pero de manera residual. Estecomponente residual es un factor aleatorio que impide que el modelo seexprese como una relacin exacta de las variables incluidas. Inclusin de variables distintas. Las variables relevantes en un modeloeconomtrico no suelen coincidir plenamente con las del modelo econmicodebido, fundamentalmente a su vocacin a la concrecin que le obliga aincorporar en la especificacin variables especficas del momento temporal ygeogrfico para el cual estoy elaborando el modelo, pero no con validezgeneral.

ELEMENTOS DE LOS MODELOS ECONOMTRICOS4 1. Ecuaciones En funcin de los objetivos del anlisis emprico y de las propias restricciones que el modelo econmico recoja para explicar el fenmeno, el modelo economtrico puede contar con una o varias ecuaciones, lo que lleva a distinguir entre modelos economtricos uniecuacionales y multiecuacionales. La especificacin de un modelo economtrico exige adoptar una forma funcional concreta que relacione las variables. Se debe definir nicamente en que su forma sea o no lineal. 2. Variables Una variable es una caracterstica que puede observarse en los individuos. Por lo que debido a que los modelos economtricos tratan de explicar el comportamiento de una o ms variables en funcin de la evolucin de otras variables que se consideran explicativas. Atendiendo a este criterio, podemos clasificar las variables como: o Las variables endgenas son las variables explicadas por el modelo,aquellas que son influidas por, y que pueden influir en, otras variables o Las variablespredeterminadas son variables explicativas pero no explicadas, estas influyen, pero no son influidas por otras variables. Estas a su vez, pueden ser :  variables exgenas, que no son explicadas por el modelo en ningn momento de tiempo.  variables endgenas retardadas, que no son explicadas por el modelo en el momento actual, pero s en uno anterior. Es importante sealar que los modelos economtricos tienen tantas ecuaciones como variables explicadas. En los modelos uniecuacionales existe una sola variable endgena. 3. Parmetros Los parmetros son los coeficientes que acompaan a las variables, y su estimacin es el paso previo para la utilizacin del modelo economtrico. Representan la cuantificacin del fenmeno que analizamos.

http://www.uam.es/docencia/predysim/combinado6/6_1_we3.htm

4. Datos La utilizacin y estimacin de modelos economtricos exige disponer de datos suficientes sobre cada una de las variables incluidas en el mismo. Estos datos con los que nos encontramos en el anlisis pueden ser clasificados de la siguiente manera: - Series temporales: se trata de valores de una variable a lo largo del tiempo, es decir, una serie temporal consiste en un conjunto de observaciones sobre una variable determinada para distintos momentos de tiempo. - Datos de corte transversal: valores para diferentes sujetos en un momento dado. Los datos de corte transversal son un conjunto de observaciones de distintos individuos o elementos relativos a un mismo momento de tiempo. - Datos de Panel (Panel data): los datos de panel son una combinacin de datos de serie temporal y de datos de corte transversal. En los datos de panel se obtienen observaciones sobre distintas unidades en diversos momentos de tiempo. TIPO DE MODELOS ECNOMTRICOS5 Podemos hacer una clasificacin de los modelos economtricos atendiendo a mltiples criterios: y Segn el nmero de ecuaciones distinguimos entre modelos uniecuacionales y modelos multiecuacionales. y y Segn la forma funcional: modelos lineales, cuando las relaciones que expresan son lineales, y modelos no lineales, en caso contrario. Segn la naturaleza de los datos: se distingue entre modelos temporales (time series), modelos atemporales (cross-section), y modelos de panel data. Segn las caractersticas dinmicas: tenemos modelos estticos, en los que todas las variables del modelo estn referidas al mismo instante de tiempo; y modelos dinmicos: son aquellos que se caracterizan por tener variables referidas a diferentes puntos en el tiempo.

CONSTRUCCIN DE UN MODELO ECONOMTICO6 El proceso de construccin de un modelo economtrico puede ser divido en cuatro fases: 1. ESPECIFICACIN En esta fase se propone una forma matemtica que relaciona la variable explicada con las variables explicativas y la perturbacin aleatoria. En determinadas ocasiones, no es suficiente con especificar una nica ecuacin, y debemos irnos al campo de los modelos multiecuacionales. La referencia
5 6

http://www.uam.es/docencia/predysim/combinado6/6_1_we5.htm http://www.uam.es/docencia/predysim/combinado6/6_1_we2.htm

natural en esta fase son los modelos econmicos postulados por la teora. Por tanto, debemos definir el nmero de ecuaciones que explican el fenmeno, las variables que explican causalmente a la variable endgena y la forma funcional que las relaciona. Con respecto a la perturbacin aleatoria habr que suponer, y contrastar, sus propiedades estadsticas. 2. ESTIMACIN La segunda fase consiste en la obtencin de unas estimaciones numricas para los parmetros de las ecuaciones anteriormente especificadas. Disponemos de varios mtodos para tal estimacin. Que apliquemos uno u otro depende, a nuestros efectos, de las propiedades que el fenmeno presenta. Para estimar modelos uniecuacionales podemos recurrir a mtodos como:  Mnimos cuadrados ordinarios (MCO).  Mnimos cuadrados generalizados (MCG).  Mxima verosimilitud (MV). En el caso de modelos multiecuacionales podemos atender a varios enfoques, lo cual, a su vez, nos conducir a mtodos como:  Mnimos cuadrados indirectos (MCI).  Mnimos cuadrados en dos etapas (MC2E).  Mnimos cuadrados de clase k (MCK).  Mxima verosimilitud con informacin limitada (MVIL).  Mnimos cuadrados en tres etapas (MC3E).  Mxima verosimilitud con informacin completa (MVIC). 3. CONTRASTE O VALIDACIN En la etapa se realiza una valoracin de los resultados obtenidos, desde dos puntos de vista: desde un punto de vista econmico, tenemos que comprobar que el modelo describe adecuadamente el fenmeno que tratamos de cuantificar. Debemos comprobar si los signos y magnitud de los coeficientes son acordes con lo dispuesto por la teora econmica. Desde el punto de vista estadstico, disponemos de varios contrastes para verificar que se cumplen los supuestos adoptados para la especificacin y estimacin del modelo. Adems, disponemos de contrastes para evaluar la fiabilidad estadstica de nuestras estimaciones. Cuando el modelo no supere satisfactoriamente esta fase, deberemos optar por un replanteamiento del mismo. Deberemos optar por una nueva especificacin, revisar los supuestos de partida, etc. Slo cuando el modelo supera esta fase es posible su utilizacin a efectos de simulacin y prediccin. 4. APLICACIN La cuarta etapa consiste en la aplicacin del modelo conforme al objetivo del mismo. En general los modelos economtricos son tiles para: y y y y Anlisis estructural y entender como funciona la economa. Prediccin de los valores futuros de las variables econmicas. Simular con fines de planificacin distintas posibilidades de las variables exgenas. Simular con fines de control valores ptimos de variables instrumentales de poltica econmica y de empresa.

EL MODELO CLASICO DE REGRESION LINEAL7 La construccin de este modelo inicia con el estudio de la posible relacin entre una variable que consideramos como respuesta a algn fenmeno o variable dependiente Y, y un conjunto de k variables explicativas o independientes X1,X2,...,Xn,. En la relacin de estas variables podramos encontrar las siguientes situaciones: 1. Variables estn relacionadas de forma exacta o funcional, de modo que el conocimiento de una variable determina totalmente el valor de la otra: Y g(X , X , ,Xk) = 1 2 K 2. En el otro extremo se situaran las variables independientes, cuando el conocimiento de una variable noaporta informacin sobre el valor de la otra. 3. Como caso intermedio, relaciones estadsticas oestocsticas, cuando el conocimiento de una variablepermite predecir en mayor o menor grado el valor de laotra, lo cual podemos expresar de laforma:

Donde g representa la funcinde regresin y recoge el error deobservacin.

es una perturbacin que

El anlisis de la regresin aborda este ltimo tipo de relaciones,donde la variable dependiente Y presenta una variabilidadintrnseca o aleatoriedad que no puede explicarse por completo,independientemente del nmero de variables explicativas queutilicemos. Si consideramos la inclusin de una variable explicativa,el estudio se conoce como anlisis de regresin simple. El objetivo del anlisis de la regresin consiste enestimar o predecir el valor medio poblacional de la variabledependiente, con base en los valores fijos o conocidos de la variableexplicativa, lo cual podemos expresar a travs de la ecuacin:

E(Y / X = xi ) = g(xi )
Dicha ecuacin se conoce como funcin de regresin poblacional(FRP), donde E(Y/X=xi) representa el valor esperado de la variablealeatoria Y cuando la variable explicativa X toma el valor especficoxi, y g(xi) es una funcin de la variable explicativa X. La FRP muestracmo el valor medio de Y vara con las X. Asumiendo que la funcin g(xi) es un modelo lineal, podramos considerar que la esperanza condicional deY es una funcin lineal de xi, y, por tanto, la FRP adopta la forma: E(Y / X = xi ) = 0+ 1xi
7

Zamora, MM y Estavillo, J (2001): "Modelo de regresin normal clsico", [en lnea] 5campus.org, Econometra<http://www.5campus.org/leccion/ecoreg> [26 de julio del 2011]

Donde las constantes 0 y 1 son parmetros desconocidos quereciben el nombre de coeficientes de regresin. La ordenada en elorigen, 0, representa el valor esperado de la variable dependientecuando la variable independiente toma el valor cero2; y la pendientede la recta, 1, representa el incremento esperado de Y para unincremento unitario de X. As mismo se debemos recordar que la relacin entreambas variables no es funcional o exacta, de forma el valorobservado yise desviar, casi inevitablemente, de su valoresperado . Si representamos dicha desviacin por lavariable aleatoria i, podremos expresar la FRP de la forma estocstica:
yi= E(Y / X = xi ) +
i= 0+ 1xi + i

A la variable aleatoria i, la denominamos perturbacin aleatoria otrmino de error, y engloba multitud de factores, distintos de X,que pueden influir a la hora de explicar el comportamiento de lavariable Y. No obstante, estos factores deben ser poco importantes,de forma que no debe existir ninguna variable explicativa relevanteomitida en el modelo de regresin. De ser as estaramos incurriendoen lo que se conoce como un error de especificacin del modelo. Eltrmino de perturbacin tambin recoge los posibles errores demedida de la variable dependiente Y.

A. ESPECIFICACIN DEL MODELO El modelo de regresin lineal normal clsico (MRLNC), considera que la relacin entre la variable dependiente (Y) y las independientes (X1 ,X2, ... , Xk) se puede formular matricialmente a partir de la siguiente expresin lineal:

Y ! XF  u
donde:

Y1 Y Y ! 2 ... Y n

X11 X X ! 21 ... X n1

X12 X 22 ... X n2

... X1k ... X 2k ! ? X1 X 2 ... ... ... ... X nk

Xk A

q e desarrolla do se form lara:

si se co sidera q e e el modelo existe trmi o i depe die te, la matriz X se p ede expresar como:

1 X 12 1 X 22 ... ... 1 X n2

... X 1K ... X 2K ... ... ... X nK

y el modelo quedara: Yi ! F1  F 2 X i2  ...  F K X iK  u i

Esta relacin funcional se conoce como hiptesis de linealidad. Adems se establecen, en relacin con el modelo, otro conjunto de hiptesis referidas a la variable de perturbacin y a la matriz de regresores:

Hiptesis 1. Y ! F  u ( )! 2.
2 3. ( ' ) ! W U I 4. X matriz de regresores no estocstica 5. V X ! k e n

6. u b

( , Wu )

En el este modelo se supone que se verifican las 6 hiptesis anteriores, por lo que siempre se trabajar bajo el supuesto de un modelo de regresin lineal, normal, clsico.

B. ESTIMACIN DE LOS PARMETROS DEL MODELO En este modelo de regresin existe un conjunto de parmetros desconocidos

Yi

Xi 

X i  ... 

...

...

Xi  i

i= , ,...,

X ! ? X2 M

X3

...

Xk A

i=1,2,..., n

(Fj y

2 Wu

).

Por ello, en primer lugar, se tratar de su estimacin. Existen diversos mtodos para estimar los parmetros del modelo, muchos de los cuales se basan en los residuos o errores, que se definen como la diferencia entre el valor real de variable dependiente y el estimado por el modelo para dicha variable.
e i ! Yi  Yi

i=1,2,...,n

Entre los mtodos que estiman los parmetros del modelo a partir de los residuos, el ms sencillo es el mtodo de Mnimos Cuadrados Ordinarios (MCO), que hace mnima la suma de los cuadrados de los residuos. Partiendo de Minimizar

ei2
i!1

Se obtiene un sistema de ecuaciones (ecuaciones normales)

X' Xb ! X' Y

que permite obtener los estimadores mnimo cuadrtico ordinarios (EMCO) de los parmetros Fj a partir de la expresin:
b1 F1 b F b ! X' X 1 X' Y ! 2 ! 2 . . b F k k

n 2 X i1 i !1 n donde X' X ! X i2 X i1 i !1 ..... n Xik X i1 i !1 n X i1Yi i!1 n X i2 Yi X`Y ! i!1 .... n X ik Yi i!1

Xi1Xi2 Xi22
i !1 n i !1 n

... ...

.....

Xik Xi2
i !1

X i2 X ik i !1 ... ..... n 2 ... Xik i !1

Xi1Xik
i !1 n

Cada uno de los coeficientes bj representa el efecto de la variable independiente sobre la variable explicada; es decir el valor estimado de bjindica la variacin que experimenta la variable dependiente cuando la variable independiente Xj vara en una unidad y todas las dems permanecen constantes. Si en el modelo existiera trmino independiente, estas matrices se simplificaran con las siguientes expresiones
n n X' X ! X i 2 i !1 ..... n X ik i !1
n

Xi2 X i22
i !1 n i !1 n

... ... ... ...

.....

X ik X i 2
i !1

X ik i !1 n X i 2 X ik i !1 ..... n 2 X ik i !1
n

n Yi i !1 n X `Y ! X i 2Yi i !1 .... n X ik Yi i !1

Estos estimadores MCO son estimadores lineales, insesgados y ptimos (ELIO) en el modelo de regresin lineal, normal, clsico. El estimador de la varianza de la perturbacin no se deduce del sistema de ecuaciones normales; se calcula a partir de la frmula:

C nk
2 2 E Su ! Wu

y se puede comprobar que es el estimador insesgado varianza de la perturbacin.

C. ANLISIS DEL MODELO a. Descomposicin de la Suma de Cuadrados El modelo de regresin se plantea para explicar el comportamiento de la variable dependiente (Y). En dicho estudio ser interesante analizar la variacin que experimenta esta variable y, dentro de esta variacin, estudiar qu parte est siendo explicada por el modelo de regresin y qu parte es debida a los errores o residuos. Para ello y, a partir de los residuos, se puede obtener la expresin
Y ' Y ! Y ' Y  e' e

En el supuesto que exista trmino independiente en el modelo de regresin, la descomposicin anterior, se expresara como:

- de la

SCT ! SCE  SCR

donde: SCT: es la Suma de Cuadrados Totales y representa una medida de la variacin de la variable dependiente SCE es la Suma de Cuadrados Explicados por el modelo de regresin SCR es la Suma de Cuadrados de Residuos Cada una de estas sumas viene dada por las expresiones:

SCE ! b' X' Y  nY

n

SCR ! e i y si en el modelo existe trmino independiente,

SCR ! SCT  SCE ! Y' Y  b' X' Y

b. Coeficiente de Determinacin Una vez estimado el modelo es conveniente obtener una medida acerca de la bondad del ajuste realizado. Un estadstico que facilita esta medida es el coeficiente de determinacin (R ), que se define:
R

y en el caso particular de modelo con trmino independiente: R !

Este coeficiente permite, adems, seleccionar entre modelos clsicos que tengan el mismo nmero de regresores, ya que la capacidad explicativa de un modelo es mayor cuanto ms elevado sea el valor que tome este coeficiente. Por otra parte el valor coeficiente de determinacin crece con el nmero de regresores del modelo. Por ello, si los modelos que se comparan tienen distinto nmero de regresores, no puede establecerse comparacin entre sus R . En este caso debe emplearse el coeficiente de determinacin corregido R , que depura el incremento que experimenta el coeficiente de determinacin cuando el nmero de regresores es mayor.

R ! 

SCR n  k n !  SCT n  nk

 R

 

i!


!  SCR SCT SCE SCT

i!

SCT ! Y ' Y  nY ! Y  nY

c. Inferencia acerca de los Estimadores El mtodo de estimacin expuesto permite obtener estimaciones puntuales de los parmetros del modelo. La inferencia permite completar esta estimacin puntual, mediante la estimacin por intervalos y los contrastes de hiptesis. Los primeros posibilitan la obtencin de un intervalo dentro del cual, con un determinado nivel de confianza, oscilar el verdadero valor de un parmetro. y Intervalo de confianza para el parmetro Fj Su clculo se realiza mediante: IC F j : b j s S b j t n  k

matriz de varianzas y covarianzas de los estimadores expresada como:

W2 1 W ! 21 ... W K 1 W ... W

1 2 2

K 2

1 2 2

K 2

dondeaij identifica el elemento de la fila i, columna j, de la matriz (XX)-1

Intervalo de confianza para la varianza de la perturbacin:



o tenidos a partir de la expresin:

a11 a12 1 2 2 a 21 a 22 ! X' X ! ... ... a n1 a n2







cuyos estimadores sern

...

... ... ...

 

 

2 1 ! 2 1 ... K1









.7

W2 W

... W 2 ... ...

...

W2

 

 

 



donde

es la desviacin tpica estimada para el coeficiente

1 K 2 K

...

...

2 2 K ... 2 K
1 K

que se o tiene de la

... a1n ... a 2n ... ... ... a nn

 2 S (n  k ) S 2 (n  k ) SCR SCR | IC : ; ; 2 W2 G 2 G2 E G2 G E E u E 1 1 2 2 2 2

dondeE representa el nivel de significacin del contraste y generalmente se utiliza un 5% de significacin A travs de los contrastes de hiptesis pueden extraerse consecuencias del modelo, averiguando si existe, o no, evidencia acerca de una serie de conjeturas que pueden plantearse sobre sus parmetros. Los contrastes de hiptesis pueden clasificarse en distintas categoras segn la naturaleza de la hiptesis planteada.

Contraste individual sobre un parmetro

H : F { F*
t exp ! b  F*

Estadstico experimental

Estadstico terico

t tco ! t n  k (E / 2 )

C ntraste de significacin individual

F rmulacin de la hi tesis:

'

&%

Estadstic e

erimental

&%

Regla de decisin:

si t e

" t tc

Se rechaza la hi tesis nula

: Fj ! 0 : Fj { 0

te

Sb

Formulacin de la hiptesis:

H : F ! F*

"

Estadstico terico Regla de decisin: y

t tco ! t n  k (E / 2 )
si t exp " t tco Se rechaza la hiptesis nula

Contrastes para conjuntos de hiptesis lineales

Formulacin de la hiptesis:

: RF ! r

: r11F1  r12 F 2  ...  r1k F K ! r1 r21F1  r22 F 2  ...  r2k FK ! r2 .......... ... rq1F1  rq2 F 2  ...  rqk F K ! rq

o alternativamente

Rb  r d X' X 1R'A Rb  r ? R
1

Estadstico experimental

Fexp !

SCR

nk

donde q representa el nmero de ecuaciones de la hiptesis nula Estadstico terico Regla de decisin:

Ftco ! Fq, n  k, E
si Fexp " Ftco Se rechaza la hiptesis nula

Contraste de significacin global

Estadstico experimental

Fexp

R2 k 1 k 1 ! ! 2 SCR 1 R nk nk SCE

Estadstico terico Regla de decisin:

Ftco ! Fk  1, n  k, E
si Fexp " Ftco Se rechaza la hiptesis nula

Formulacin de la hiptesis

: F 2 ! F ! ... ! FK ! 0

Contraste de significacin de un subconjunto paramtrico

Agrupando las variables explicativas en dos subconjuntos, el modelo se puede especificar como: Y ! X r br  X S bS  e Donde se consideran dos subconjuntos de coeficientes y de regresores: br : coeficientes cuya significacin no se somete a contraste bS : coeficientes sometidos a contraste; coeficientes acerca de cuya significacin se tiene duda Xr :submatriz de n filas y (k-s) columnas, que contiene los regresores de X cuya significacin no se contrasta XS : matriz de regresores que contiene los regresores sobre los que s se tiene duda acerca de si deben o no incluirse en el modelo Formulacin de la hiptesis: o alternativamente Estadsticos experimentales:

H 0 : F K  S 1 ! F K  S  2 ! ... ! F K ! 0 H 0 : F r 1 ! F r  2 ! .......... . ! F K ! 0

exp

! nk
(
exp

nk

s ! nk

s ! nk

e e
' r

 e' e nk

e' e

dondes representa el nmero de ecuaciones de la hiptesis nula, es decir el nmero de regresores cuya significacin se somete a contraste Estadstico terico:
tco

n  k,

s,

 r  ' '

' 


 r

'

'

Regla de decisin:

si Fexp " Ftco Se rechaza la hiptesis nula

Aplicacin prctica de este contraste: 1) Regresin sobre el subconjunto de regresores no sometido a contraste:

Y R X r p
2) Clculo de la Suma de Cuadrados de Residuos de la regresin anterior :

p X r X S 3) Regresin sobre el total de regresores : Y

4) Clculo de la Suma de Cuadrados de Residuos SCR ! e' e 5) Clculo de los estadsticos experimental y terico

exp

e' e

nk

Anlisis de la varianza Una forma complementaria de presentar algunos de los contrastes de hiptesis anteriores consiste en realizar un anlisis de la varianza de Y, tal como se recoge en el cuadro siguiente: Fuente de Variacin Suma de Cuadrados Grados de libertad r-1 s Cuadrados Medios

Xr
XS
X
Residuos

~~ ~ (*)
( ! e r' e r  e' e

SCE SCR ! e' e SCT ! Y ' Y  nY

k-1 n-k
SCR

Total

n-1

SCE(*) Suma de Cuadrados obtenida de la regresin auxiliar que considera como

regresores el subconjunto de los no sometidos a contraste (Xr)

2 3

' ! er e r

e e
' r

 e' e

s p

s, n  k,

(SCE s

n  k

D. PREDICCIN EN EL MODELO DE REGRESIN Una vez estimado y validado el modelo, una de sus aplicaciones ms importantes consiste en poder realizar predicciones acerca del valor que tomara la variable dependiente en el futuro o para una unidad extramuestral. Esta prediccin se puede realizar tanto para un valor individual como para un valor medio, o esperado, de la variable dependiente, siendo posible efectuar una prediccin puntual o por intervalos. Su clculo se realiza mediante las expresiones que figuran a continuacin. Predictor individual: valor estimado o de prediccin para la observacin f y Intervalo de prediccin para un valor individual

Y f ! X 'f b

Yf


...

'

'

Intervalos de prediccin para un valor medio o esperado

E Yf

'

'

: Yf  t nk

con

' f

' f

; Yf  t nk

6
' f

: Yf  t n k

' f

Yf  t nk

' f

de modelo, los valores que hayan tomado en distintas reas o zonas o agentes econmicos a considerar). Por ejemplo, en un determinado modelo podemos estar interesados en averiguar como la renta ha dependido de los niveles de precios, de empleo y de tipos de inters a lo largo de los aos en cierto pas, mientras que en otro podemos estar interesados en ver como, a lo largo de un mismo ao, ha dependido la renta de distintos pases de esas mismas variables. Por lo que tendramos que observar, en el primer caso, la renta, niveles de empleo, precios y tipos de inters del ao 1, lo mismo, pero del ao 2, etctera, para obtener la muestra a lo largo de varios aos, mientras que en el segundo caso tendramos que tener en cuenta los valores de cada uno de los pases para obtener la muestra. Cada una de esas observaciones para cada ao, o pas, se llamara observacin muestral. Ntese que an se podra hacer un anlisis ms ambicioso teniendo en cuenta pas y ao. Una vez tomada la muestra, se aplica un mtodo, que tiene su justificacin matemtica y estadstica, llamado mtodo de mnimos cuadrados. Este consiste en, bsicamente, minimizar la suma de los errores (elevados al cuadrado) que se tendran, suponiendo distintos valores posibles para los parmetros, al estimar los valores de la variable endgena a partir de los de las variables exgenas en cada una de las observaciones muestrales, usando el modelo propuesto, y comparar esos valores con los que realmente tom la variable endgena. Los parmetros que lograran ese mnimo, el de las suma de los errores cuadrticos, se acepta que son los que estamos buscando, de acuerdo con criterios estadsticos. Tambin, este mtodo nos proporcionar informacin (en forma de ciertos valores estadsticos adicionales, que se obtienen adems de los de los parmetros) para ver en qu medida los valores de los parmetros que hemos obtenido resultan fiables, por ejemplo, para hacer contrastes de hiptesis, esto es, ver si ciertas suposiciones que se haban hecho acerca del modelo resultan, o no, ciertas. Se puede usar tambin esta informacin adicional para comprobar si se pueden prescindir de algunas de esas variables, para ver si es posible que los valores de los parmetros hayan cambiado con el tiempo (o si los valores de los parmetros son diferentes en una zona econmica de los de otra, por ejemplo), o para ver en qu grado son vlidas predicciones acerca del futuro valor de la variable endgena si se supone que las variables exgenas adoptarn nuevos valores.

Problemas del Mtodo de los Mnimos Cuadrados El mtodo de Mnimos Cuadrados tiene toda una serie de problemas, cuya solucin, en muchas ocasiones aproximada, ha estado ocupando el trabajo de los investigadores en el campo de la econometra. De entrada, el mtodo presupone que la relacin entre las variables es lineal y est bien especificada. Para los casos de no linealidad se recurre, bien a mtodos para obtener una relacin lineal que sea equivalente, bien a aproximaciones lineales, o bien a mtodos de optimizacin que absorban la relacin no lineal para obtener tambin unos valores de los parmetros que minimicen el error cuadrtico. Otro supuesto del modelo es el de normalidad de los errores del modelo, que es importante de cara a los contrastes de hiptesis con muestras pequeas. No obstante, en muestras grandes el Teorema del lmite central justifica el suponer una distribucin normal para el estimador de mnimos cuadrados. No obstante, el problema se complica considerablemente, sobre todo a la hora de hacer contrastes de hiptesis, si se cree que la varianza de los errores del modelo cambia con el tiempo. Es el fenmeno conocido como heterocedasticidad (el fenmeno contrario es la homocedasticidad). Este fenmeno se puede detectar con ciertas tcnicas estadsticas. Para resolverlo hay que usar mtodos que intenten estimar el cambiante valor de la varianza y usar lo obtenido para corregir los valores de la muestra. Esto nos llevara al mtodo conocido como Mnimos Cuadrados Generalizados. Una versin ms complicada de este problema es cuando se supone que, adems, no solo cambia la varianza del error sino que tambin los errores de distintos periodos estn correlacionados, lo que se llama "Autocorrelacin". Tambin hay mtodos para detectar este problema y para corregirlo en cierta medida modificando los valores de la muestra, que tambin son parte del mtodo Mnimos Cuadrados Generalizados. Otro problema que se da es el de la Multicolinealidad, que generalmente sucede cuando alguna de las variables exgenas en realidad depende, tambin de forma estadstica, de otra variable exgena del mismo modelo considerado, lo que introduce un sesgo en la informacin aportada a la variable endgena y puede hacer que el mtodo de mnimos cuadrados no se pueda aplicar correctamente. Generalmente la solucin suele ser averiguar qu variables estn causando la multicolinealidad y reescribir el modelo de acuerdo con ello. Tambin hay que tener en cuenta que en ciertos modelos puede haber relaciones dinmicas, esto es, que una variable exgena dependa, adems, de los valores que ella misma y/u otras variables tomaron en tiempos anteriores. Para resolver estos problemas se estudian lo que se llama modelos de Series temporales.

Mtodos de Estimacin de modelos. El modelo clsico de regresin lineal normal. El supuesto de normalidad. Propiedad de los estimadores de mnimos cuadrados bajo el supuesto de normalidad. Violaciones de los supuestos del modelo clsico: a) Multicolinealidad b) Heteroscedasticidad