Viernes 31 de Octubre de 2014 | Hay 48 usuarios online en este momento!
 

INTRODUCCIÓN Y FUNDAMENTOS DE LA ECONOMETRÍA

Imprimir
Recomendar a un amigo
Recordarme el recurso
Descargar como pdf

Seguinos en en Facebook


Econometria:medicion economica.

Agregado: 11 de FEBRERO de 2005 (Por Sergio Morant) | Palabras: 6295 | Votar! |
1 voto | Promedio: 10
| Sin comentarios | Agregar Comentario
Categoría: Apuntes y Monografías > Economía >
Material educativo de Alipso relacionado con INTRODUCCIÓN FUNDAMENTOS ECONOMETRÍA
  • FREDERICK W. TAYLOR: ...
  • Tecnicas de diseño.: INTRODUCCION, , BREVE DESCRIPCION DE LOS LENGUAJES, ¿QUE SON LOS TRADUCTORES ?, TIPOS DE TRADUCTORES CON EJEMPLOS, ¿QUE ES CODIGO FUENTE ?, ¿QUE ES CODIGO OBJETO ?, TIEMPO DE COMPILACION, TIEMPO DE EJECUCION.
  • Termoelectricidad: ...

  • Enlaces externos relacionados con INTRODUCCIÓN FUNDAMENTOS ECONOMETRÍAnalga

    Publicado por Sergio Morant sergiomorant@yahoo.com.ar

    Unidad 1. INTRODUCCIÓN Y FUNDAMENTOS DE LA ECONOMETRÍA

    Definición

    Unidad 2. REGRESIÓN LINEAL SIMPLE. EL MÉTODO DE LOS MÍNIMOS

    CUADRADOS ORDINARIOS

    2.1 Desarrollo del Método minimocuadrático.

    2.2 Supuestos del método.

    2.3 Propiedades de los estimadores minimocuadráticos: el teorema de Gauss- Markov.

    2.4 Los coeficientes de correlación y de determinación.

    2.5 Interpretación económica de los resultados. Significado de los parámetros obtenidos.

    2.6 Formas funcionales de los modelos.

    Función de regresión lineal simple. El método MCO.

    1 Y

    .t = a + bXt

    2 y

    t = a + bxt

    3 Y

    t= a + bxt + ut

    4 Y

    t = yt + ut

    5 u

    t = Yt - yt

    6

    S

    (Incluir un ejemplo de determinantes de tres por tres)

    Características:

    I Los estimadores obtenidos (

    Son puntuales (dan un solo valor).

    II La línea de regresión que se obtiene pasa a través de las medias muestrales de X e Y (la

    ecuación puede escribirse como

    errores es cero y los errores no están relacionados con Y

    estudio de la varianza)

    Supuestos del método del modelo clásico de regresión lineal (MCRL).

    El análisis de regresión es un análisis condicionado a los valores dados del o de los

    regresores (exógenas) o simbólicamente: E(u

    incluídos en el modelo no afectan sistemáticamente le valor de la media de Y.

    1) Homoscedasticidad (igual varianza de los errores) var(u

    para todas las observaciones (igual dispersión o igual varianza: las poblaciones de Y

    correspondientes a diversos valores de X tienen la misma varianza. Si se cumple,

    todos los valores de Y que corresponden a diversos valores de X serán igual de

    confiables (cercanía o alejamiento con el cual están distribuídos los valores de Y

    alrededor de sus medias). Todos los valores de Y corespondientes a diversos

    valores de X son igualmente importantes.

    2) No autocorrelación entre las perturbaciones (errores) (correlación=varianza

    conjunta=covarianza). Simbólicamente:

    Cov(u

    Si la covarianza no fuera 0,querría decir que Y

    u

    a y b) MCO están expresados únicamente en términos de Y.`Y= a + `bX y `y =`Y ); además la media de lost ni con Xt . (lectura previa:t½Xt)=0, es decir, los factores que no estánt½Xt)=s2; varianza constantei,uj½Xi, Xj)=0t estaría dependiendo también det-1, puesto que este determina a ut.

    (otros supuestos no tan importantes: n>k; los valores de X deben ser no todos iguales, pues

    entre mayor sea la variación en X, mayor será la precisión con que Y puede ser estimada; a

    medida que aumenta la muestra, también aumenta la precisión (la utilidad de lo anterior en

    la medición de la precisión se verá en los problemas de inferencia estadística); el modelo

    está correctamente especificado: ¿cuáles variables deben estar incluídas en el modelo?

    ¿cuál es la forma funcional correcta del modelo? Un sesgo de especificación: escoger la

    forma funcional equivocada. Pero la teoría debe ser la base de la estimación, evitando los

    modelo ad hoc. Todos los supuestos se cumplen en una FRP y no se duplican todos en la

    FRM porque son supuestospara muestras grandes o asintóticas).

    Ante un modelo con más de dos variables:

    3) No multicolinealidad perfecta. En este supuesto se ve la utilidad de estudiar las

    covarianzas entre los coeficientes estimados de la regresión.

    Propiedades de los estimadores de mínimos cuadrados: el teorema de Gauss-Markov.

    Un estimador se considera en mejor estimador lineal insesgado, si se cumple lo siguiente:

    1 Es una función lineal de una variable aleatoria (Y).

    2 Es insesgados: E(

    3 Tiene varianza mínima: es eficiente (es decir, el mejor entre todo el conjunto de

    estimadores lineales insesgados)

    4 Consistente:

    Teorema de Gauss- Markov: Dados los supuestos del MCRL, los estimadores de mínimos

    cuadrados, dentro de la clase de los estimadores lineales insesgados, tienen varianza

    mínima, es decir, son MELI. (checar propiedades en el libro).

    Coeficiente de determinación y autocorrelación R

    R

    regresión (convendría pequeño cuestionario sobre la interpretación de R

    en los errores. Tiene básicamente dos propiedades:

    1 Cantidad no negativa.

    2 Está entre 0 y 1.

    Una cantidad estrechamente relacionada con r

    es el coeficiente de correlación r = +

    Sus características:

    1 Puede tener signo positivo o negativo, dependiendo del sighno de covarianza

    muestral de 2 variablesm, por tanto está entre –1 y +1.

    2 Es simétrico: r

    be) = b.be tiende a b cuando n tiende a N.2, medida de bondad de ajuste.2 mide la proporción o el porcentaje de la variación total en Y explicada por el modelo de2 y su contraparte2 pero conceptualmente muy diferente de ésteÖ r2 (coeficiente de correlación parcial).xy = r yx

    3 Una r = 0 no necesariamente implica independencia estadística; pero si son

    independientes su r es 0 (la r = 0 es necesaria pero no suficiente para la

    independencia estadística).

    4 Es medida sólo de asociación lineal, por lo que pierde sentido en relaciones no

    lineales, además no implica relación de causalidad.

    Interpretación económica de los resultados. Significado de los parámetros obtenidos.

    Con respecto a la interpretación del intercepto, es necesario usar el sentido común para ello,

    pues muy frecuentemente el intervalo muestral de los valores observados no contiene el

    cero como uno de ellos; tal vez lo más indicado sea leerlo como el promedio del efecto

    sobre Y de todas las variables omitidas en la regresión.

    Formas funcionales de los modelos.

    Modelos logarítmicos.

    Semilogarítmico: log-lin. El coeficiente de la variable explicativa mide el cambio

    proporcional constante, o relativo en Y para un cambio absoluto dado en X.

    b

    Cambio absoluto en X.

    e = Cambio relativo en Y (multiplicado por 100, porcentual)

    b

    se denomina modelo de crecimiento (constante). Para la interpretación, es necesario

    multiplicar

    Semilogarítmico: lin-log. El coeficiente de la variable explicativa mide el cambio

    absoluto en la variable dependiente, causado por un cambio porcentual en el regresor.

    e = cambio porcentual o tasa de crecimiento. Cuando el regresor es el tiempo, el modelobe por 100.

    b

    cambio porcentual en X.

    Es necesario dividir

    e = Cambio absoluto en Ybe por 100 para leer en las unidades de Y.

    Unidad 3. PRUEBAS DE INFERENCIA ESTADÍSTICA.

    3.1 Intervalos de confianza para estimadores M.C.O.

    3.2 Pruebas de hipótesis: la t de Student: significancia estadística de las variables

    explicativas.

    3.3 La predicción mediante modelos econométricos

    Si el objetivo no es sólo la estimación puntual de los parámetros, sino también realizar

    inferencias sobre la función de regresión poblacional, entonces debe suponerse que los

    errores (u

    regresión es estimar la FRP con base en la FRM, es decir, hacer inferencia sobre los

    verdaderos valores de los parámetros; pero debido a fluctuaciones muestrales, el estimado

    de la FRP es, en el mejor de los casos, una aproximación. Dado que los datos cambiarán de

    una muestra a otra, los valores estimados cambiarán automáticamente, así que se necesita

    una medida de confiabilidad de los estimadores

    estándar de la distribución muestral de un estimador) mide la precisión de un valor

    estimado. Dados los supuestos de Gauss, los errores estándar de los estimadores MCO se

    pueden obtener así:

    Var(

    cuadrado de las desviaciones de X con respecto a su media). La varianza real de los errores

    no puede ser calculada a partir de los datos, entonces, es necesario utilizar una

    aproximación de ella. El estimador MCO de la verdadera

    t) siguen alguna distribución de probabilidad. El objetivo principal del análisis dea y b. El error estándar (desviaciónbe) = s2/S(Xt -`X)2 (varianza homoscedástica de los errores sobre la sumatoria dels2 es el siguiente:

    s

    e

    2

    sumatoria de los errores al cuadrado dividida por los grados de libertad (para cualquier

    número de regresores). Entonces, el error estándar: ee(

    así:

    ee(

    El error estándar el la desviación estándar de los valores Y alrededor (+ o -) de la línea de

    regresión estimada (media condicional de Y), el cual se usa frecuentemente como una

    medida resumen de la <<bondad de ajuste>> de la línea Teniendo ya el error estándar,

    puede hacerse ahora la estimación por intervalos, lo cual se trata de obtener un intervalo de

    valores en el cual se encuentre el parámetro poblacional

    de un estimador puntual se mide por su error estándar. En lugar de depender de un solo

    estimador puntual, se puede construir un intervalo alrededor del estimador puntual, tal que

    el intervalo tenga, por ejemplo, 95% de probabilidad de incluir el verdadero valor del

    parámetro (siendo

    arroje un valor de

    numérico específico de

    modo que la probabilidad de que

    está). Si se conocen las distribuciones muestrales de los estimadores se pueden hacer

    afirmaciones sobre los intervalos de confianza. La distribución de los estimadores MCO se

    supone normal estándar . La distribución normal puede usarse para hacer afirmaciones

    probabilísticas de

    2= Suet/(n-k)be) = Övar(be), puede ser calculadobe) = se / Ö [S(Xt -`X)2]b. Sabemos que la confiabilidadbe aleatorio, pues no ha sido calculado en una muestra específica quebe). Una vez que se tenga una muestra específica y se obtenga un valorbe, el intervalo deja de ser aleatorio y se convierte en fijo, deb se encuentre en ese intervalo será de 0 o de 1 (está o nob si se conoce s2 (Teorema de Tchebycheff). Si se reemplaza s2 por

    s

    e

    2, se obtiene la variable t de Student,(crítica o de tabla), la cual sigue la distribución t con

    n-k

    forma:

    Pr[

    grados de libertad, la cual puede usarse para construir un intervalo de confianza de labe - ta/2·ee(be) £ b £ be + ta/2·ee(be)] = 1 - a

    Donde la amplitud del intervalo es proporcional al error estándar del estimador: a mayor

    error estándar de

    desconocido.

    t

    Interpretación si 1 -

    casos (muestras) intervalos como (el anterior) contendrán el verdadero valor de

    [Ejercicios de obtención de ee,

    e

    Prueba de hipótesis (p. 119)

    Prueba de significancia de los coeficientes de la regresión, la prueba

    Una prueba de significancia es un procedimiento mediante el cual se utilizan los resultados

    muestrales para verificar la verdad o falsedad de una hipótesis nula.

    Elementos:

    H

    H

    Estadístico de prueba:

    b mayor será la incertidumbre de estimar el verdadero valor del parámetroa/2 = valor de la t de Student a un nivel de significancia de a/2 (a a dos colas).a = 0.95: en el largo plazo (muestreo repetido) en 95 de cada 100b.s2, e intervalos de confianza.]t.0 : hipótesis nula, planteada o de investigación.A : hipótesis alterna, frente a la que se prueba la H0.tc

    Bajo el supuesto de normalidad U

    ee(

    i~N(0,s2), la variable tc = be - b sigue la distribuciónbe)

    t

    Pasos a seguir:

    1)Planteamiento de hipótesis:

    H

    H

    2)Delimitación del área de no rechazo de la H

    3)Calcular el valor

    t

    con n-k grados de libertad.0: b=0 (la variable con coeficiente b no es explicativa de la variable dependiente)A: ¹b00 y del área de rechazo.t=be - b

    ee(

    *Notas:

    be)

    §

    241);

    la prueba t para regresión múltiple se hace suponiendo muestras diferentes (pág.

    §

    aclarar bien cuándo una variable es aleatoria y cuándo no (b);

    §

    A medida que el valor de

    mayor sea el valor absoluto de

    Se dice que un estadístico es estadísticamente significativo, si el valor del estadístico de

    prueba (

    no estadísticamente significativo.

    (págs. 122-125); (p. 126 5.8); regla práctica <<2-

    selección de nivel de significancia,

    Nivel exacto de significancia: valor

    igual o mayor que la

    probabilidad exacta de cometer un error de tipo I. Nivel de significancia más bajo al cual

    puede rechazarse una H

    valor

    incluir las explicaciones de los errores de tipo I, tipo II y el valor p.b en la H0 se aleje del be,, el cociente (tc) será mayor; así que atc, será evidencia en contra de la H0.tc) cae en la región crítica o de rechazo (rechazo de H0) y, si pasa lo contrario, est>> p. 127; formación de las H0 y HA,p-value: p. 128-131.p. Probabilidad real de obtener un valor de la t de tablatc. También conocido como nivel exacto de significanciao la0. Se obtienen de los puntos porcentuales de la distribución t en ela que sería necesario para obtener el valor mayor o igual a tc..

    (una cola y dos colas la estábamos tomando al revés, véase pie de pág. 791)

    (establecer un orden lógico que debe de llevar las pruebas de los supuestos, la significancia,

    la bondad, etc. para evaluar un modelo econométrico)

    (leer p.137 5.12, antes de saber las violaciones a los supuestos).

    En muestras pequeñas, las pruebas

    3.3La predicción mediante modelos econométricos.

    Después de obtener la regresión histórica (series de tiempo), uno de los usos puede ser

    predecir el valor de la variable dependiente correspondiente a un valor de X dado. Hay dos

    clases de predicciones: 1) la media condicional de Y

    valor individual de Y

    En e primer caso, la regresión proporciona una estimación puntual de la estimación media

    dándole un valor a X. El error de predicción o de pronóstico se evalúa primero,

    encontrando la distribución muestral de Y estimada (normalmente distribuida con media

    igual a

    e

    t

    una variable

    confianza para la verdadera media de Y dado X.

    t y F requieren el supuesto de normalidad.t correspondiente a Xt ; 2)predecir unt correspondiente a Xt (predicción media y predicción individual).b1 + b2X0) y con una varianza que, si se calcula en base a s2( de los u2) se obtienet con su distribución, misma que puede ser usada para construir intervalos de

    UNIDAD 5: VIOLACIÓN A LOS SUPUESTOS MCO.

    5.1 Autocorrelación. Origen, significado, consecuencias. Detección y corrección.

    La autocorrelación es correlación entre miembros de series de observaciones ordenadas en

    el tiempo o en el espacio. En presencia de autocorrelación y de heterocedasticidad, los

    estimadores MCO dejan de ser MELI, pues ya no tienen varianza mínima.

    Supesto de no autocorrelación:

    E(u

    Violación del supuesto:

    E(u

    Aquí, el término de perturbación relacionado con una opbservación cualquiera está

    influenciado por el término de perturbación de cualquier otra observación.

    (autocorrelación=correlación serial).

    Dependiendo de cuál error esté influyendo en otro, será el

    por su frecuencia es aquella donde un error influye sobre el inmediato posterior, es decir la

    autocorrelación de primer orden. En presencia de autocorrelación se está violando el

    supuesto de aleatoriedad y normalidad de los errores. Es generalmente más común en los

    datos de series de tiempo, aunque también se presenta en datos de corte transversal. En el

    análisis de corte transversal el ordenmiento de la información debe tener alguna lógica o

    interés económico para dar sentido a cualquier determinación de si hay o no

    autocorrelación.

    ¿Por qué se origina? Algunas razones son:

    i,uj) = 0, i¹j.i,uj) ¹ 0, i¹j.<<orden>>. La más importante

    §

    económicos y según la etapa del ciclo en la que estén, puede marcarse una dirección

    (observaciones sucesivas interdependientes).

    Los datos económicos se mueven por inercia, por naturaleza presentan ciclos

    §

    Variables excluidas. Si un fenómeno se explica favorablemente con un número

    variables, y por alguna razón se corre con

    de la variable excluida se sume al efecto de la perturbación estocástica, por lo que

    deja de ser tal.

    Forma funcional incorrecta: al adaptar un modelo lineal a unos datos que no

    presentan una dispersión lineal, los valores serán sobre y subestimados en diversos

    momentos de la curva, y los errores reflejarán, como el caso anterior, la forma

    funcional que debe aparecer.

    Fenómeno de la telaraña: en situaciones de la economía donde un dato o fenómeno

    surge efecto sobre otro después de un periodo de tiempo, no se esperan errores

    aleatorios, porque los errores de un periodo modificarán el fenómeno del siguiente

    (producen decisiones)

    Rezagos. Si una variable es explicada también por el valor que obtuvo en un

    periodo anterior y esto se ignora en el modelo, los errores de igual forma lo

    reflejarán.

    Consecuencias.

    Si los errores se generan por un esquema autorregresivo de primer orden, es decir AR(1)

    (poner), el valor p será el coeficiente de autocorrelación de primer orden. Es decir, el

    desplazamiento de los errores consta de una parte de desplazamiento sistemático y una

    parte aleatoria.

    En presencia de autocorrelación, los estimadores MCO, aunque son lineales e insesgados y

    consistentes, ya no son los mejores, pues su vaianza no es la mínima dentro de ese conjunto

    de estimadores (disminuye la precisión de estimación, pues crece el error estándar del

    parámetro. Por tanto, es probable que se declare a un coeficiente estadísticamente no

    significativo aunque pueda serlo. (aclarar que el MCO no es el único método que existe y

    que a veces es necesario usar otros, es decir, la máquina corrige los errores con otros

    métodos).

    Al usar el estimador MCO y su varianza definida:

    1)es probable que se subestime la verdadera varianza residual y por tanto, R

    de lo que debe ser en realidad.

    2)las pruebas

    conclusiones erróneas sobre la significancia estadística de los coeficientes de regresión

    estimados.

    Detección:

    Método gráfico. Gaficar los residos obtenidos de la regresión frente al tiempo (gráfica de

    secuencia de tiempo y obsevar si presenta un patrón sistemático (p. 408 y 395).

    Prueba de rachas. Se anotan los signos (+ o -) de los residuales de la regresión. Cada

    grupo de residuales del mismo signo cuanta como una racha, cuya longitud es el número de

    elementos de ésta. Hay que hacer entonces una prueba de aleatoriedad de las rachas: ¿las

    rachas observadas en el caso de n observaciones, son muchas o pocas en comparación con

    el número de rachas esperadas en una secuencia de n observaciones estrictamente aleatoria?

    Si hay muchas rachas, significa que los errores cambian de signo frecuentemente y denota

    una autocorrelación negativa. Si hay muy pocas, puede sugerir positiva.

    Sesgos de especificación:k dek-1, ello equivale a permitir que el efecto2 sea más altat y F dejan de ser válidas, pues al aplicarlas es probable que conduzcan a

    La disciplina que estamos empezando a estudiar ha sido definida por varios autores,

    definiciones de las que se presenta a continuación los elementos más importantes:

    - Literalmente: “medición económica”

    - Aplicación de la estadística matemática a la información económica.

    - Análisis cuantitativo de fenómenos económicos reales sobre la base del desarrollo

    simultáneo de teoría y la observación realizados con métodos apropiados de

    inferencia.

    - Aplicación de la teoría económica, las matemáticas y la inferencia estadística al

    análisis de los fenómenos económicos.

    Relación con otras ciencias:

    La econometría es una amalgama de Teoría Económica, economía matemática, estadística

    económica y estadística matemática.

    - La econometría da contenido empírico a gran parte de la teoría económica, la cual

    sólo hace afirmaciones cualitativas.

    - La economía matemática tiene por objeto expresar matemáticamente la teoría,

    aunque no sea capaz de verificarse. En econometría se convierten las ecuaciones

    matemáticas en econométricas.

    - La estadística económica se dedica a la recolección y ordenamiento de datos que se

    generan en la economía. Con esos datos el econometrista verifica o refuta las

    teorías.

    - Finalmente, se requieren métodos adicionales a la estadística matemática para

    analizar los datos generados en la economía, los cuales no son obtenidos mediante

    experimentos controlados.

    Metodología de la econometría.

    1. Planteamiento de la teoría o hipótesis.

    2. Establecer el modelo matemático.

    3. Establecer el modelo econométrico.

    4. Obtener los datos.

    5. Estimación de los parámetros.

    6. Realización de pruebas de hipótesis.

    7. Pronóstico o predicción

    8. Utilización del modelo para fines de control o de política.

    Modelo matemático:

    Incógnitas variables dependientes e independientes, constantes o parámetros.

    Modelo uniecuacional y multiecuacional. Relación exacta o determinística.

    Modelo econométrico: permite errores pues se agrega el término de perturbación

    estocástica (aleatorio)

    Recolección de datos: series, encuestas, registros. Graficación.

    Estimación: Método de Mínimos Cuadrados Ordinarios: obtiene exactamente el

    promedio condicional de esos cambios.

    Prueba de hipótesis: significacncia estadística (en contraste con significancia

    económica).

    Proyección o predicción.

    Control o política. (repasar álgebra).

    (Diferencia entre econometría clásica y bayesiana)

    Modelos multi y uniecuacionales.

    Componentes de los modelos

    Variables:

    - dependientes, explicada, endógena, regresada;

    - independientes, explicativas, exógenas, predeterminadas, regresores.

    Constantes:

    - autónoma o intercepto;

    - coeficientes o parámetros.

    Sentido en el que va la relación de un modelo uniecuacional de 2 o más variables

    (establecer la variable dependiente y la o las independientes).

    Concepto de regresión: Francis Galton

    Función de regresión poblacional y función de regresión muestral:

    Regresión: dependencia estadística y causalidad (conexión causal y correlación espuria)

    Sentido común, leyes lógicas y naturales.

    Diferencia entre la regresión y la correlación

    Características de la variable dependiente: estadística, aleatoria o estocástica, por tanto

    tiene una distribución de probabilidad.

    De las variables explicativas: valores fijos en muestreo repetido

    Existe, por lo anterior, la asimetría en el tratamiento de las variables que intervienen en una

    regresión..

    Correlación: ambas simétricas y aleatorias.

    Análisis de regresión simple o con dos variables en contrate con el análisis de regresión

    múiltiple o con más de dos variables.

    Corte transversal y de series de tiempo. El porqué de los errores.

    El resultado de la investigación estará en correspondencia con la calidad de los datos. (se

    necesita noción de probabilidad condicional)

    Definiciones de población y muestra.

    Función de regresión poblacional. Una curva de RP es simplemente el lugar geométrico de

    las medias condicionales o esperanzas de la variable dependiente para los valores fijos de

    las variables independientes (con los datos de toda la población).

    FRM: estimadores de los parámetros. Hablar de las propiedades de las funciones de

    regresión (linealidad de los estimadores).

    Técnicas de muestreo.

    La disciplina que estamos empezando a estudiar ha sido definida por varios autores,

    definiciones de las que se presenta a continuación los elementos más importantes:

    - Literalmente: “medición económica”

    - Aplicación de la estadística matemática a la información económica.

    - Análisis cuantitativo de fenómenos económicos reales sobre la base del desarrollo

    simultáneo de teoría y la observación realizados con métodos apropiados de

    inferencia.

    - Aplicación de la teoría económica, las matemáticas y la inferencia estadística al

    análisis de los fenómenos económicos.

    Relación con otras ciencias:

    La econometría es una amalgama de Teoría Económica, economía matemática, estadística

    económica y estadística matemática.

    - La econometría da contenido empírico a gran parte de la teoría económica, la cual

    sólo hace afirmaciones cualitativas.

    - La economía matemática tiene por objeto expresar matemáticamente la teoría,

    aunque no sea capaz de verificarse. En econometría se convierten las ecuaciones

    matemáticas en econométricas.

    - La estadística económica se dedica a la recolección y ordenamiento de datos que se

    generan en la economía. Con esos datos el econometrista verifica o refuta las

    teorías.

    - Finalmente, se requieren métodos adicionales a la estadística matemática para

    analizar los datos generados en la economía, los cuales no son obtenidos mediante

    experimentos controlados.

    Metodología de la econometría.

    1. Planteamiento de la teoría o hipótesis.

    2. Establecer el modelo matemático.

    3. Establecer el modelo econométrico.

    4. Obtener los datos.

    5. Estimación de los parámetros.

    6. Realización de pruebas de hipótesis.

    7. Pronóstico o predicción

    8. Utilización del modelo para fines de control o de política.

    Modelo matemático:

    Incógnitas variables dependientes e independientes, constantes o parámetros.

    Modelo uniecuacional y multiecuacional. Relación exacta o determinística.

    Modelo econométrico: permite errores pues se agrega el término de perturbación

    estocástica (aleatorio)

    Recolección de datos: series, encuestas, registros. Graficación.

    Estimación: Método de Mínimos Cuadrados Ordinarios: obtiene exactamente el

    promedio condicional de esos cambios.

    Prueba de hipótesis: significacncia estadística (en contraste con significancia

    económica).

    Proyección o predicción.

    Control o política. (repasar álgebra).

    (Diferencia entre econometría clásica y bayesiana)

    Modelos multi y uniecuacionales.

    Componentes de los modelos

    Variables:

    - dependientes, explicada, endógena, regresada;

    - independientes, explicativas, exógenas, predeterminadas, regresores.

    Constantes:

    - autónoma o intercepto;

    - coeficientes o parámetros.

    Sentido en el que va la relación de un modelo uniecuacional de 2 o más variables

    (establecer la variable dependiente y la o las independientes).

    Concepto de regresión: Francis Galton

    Función de regresión poblacional y función de regresión muestral:

    Regresión: dependencia estadística y causalidad (conexión causal y correlación espuria)

    Sentido común, leyes lógicas y naturales.

    Diferencia entre la regresión y la correlación

    Características de la variable dependiente: estadística, aleatoria o estocástica, por tanto

    tiene una distribución de probabilidad.

    De las variables explicativas: valores fijos en muestreo repetido

    Existe, por lo anterior, la asimetría en el tratamiento de las variables que intervienen en una

    regresión..

    Correlación: ambas simétricas y aleatorias.

    Análisis de regresión simple o con dos variables en contrate con el análisis de regresión

    múiltiple o con más de dos variables.

    Corte transversal y de series de tiempo. El porqué de los errores.

    El resultado de la investigación estará en correspondencia con la calidad de los datos. (se

    necesita noción de probabilidad condicional)

    Definiciones de población y muestra.

    Función de regresión poblacional. Una curva de RP es simplemente el lugar geométrico de

    las medias condicionales o esperanzas de la variable dependiente para los valores fijos de

    las variables independientes (con los datos de toda la población).

    FRM: estimadores de los parámetros. Hablar de las propiedades de las funciones de

    regresión (linealidad de los estimadores).

    Técnicas de muestreo.

    .

    Unidad 2. REGRESIÓN LINEAL SIMPLE. EL MÉTODO DE LOS MÍNIMOS

    CUADRADOS ORDINARIOS

    2.1 Desarrollo del Método minimocuadrático.

    2.2 Supuestos del método.

    2.3 Propiedades de los estimadores minimocuadráticos: el teorema de Gauss- Markov.

    2.4 Los coeficientes de correlación y de determinación.

    2.5 Interpretación económica de los resultados. Significado de los parámetros obtenidos.

    2.6 Formas funcionales de los modelos.

    Función de regresión lineal simple. El método MCO.

    1 Y

    .t = a + bXt

    2 y

    t = a + bxt

    3 Y

    t= a + bxt + ut

    4 Y

    t = yt + ut

    5 u

    t = Yt - yt

    6

    S

    (Incluir un ejemplo de determinantes de tres por tres)

    Características:

    I Los estimadores obtenidos (

    Son puntuales (dan un solo valor).

    II La línea de regresión que se obtiene pasa a través de las medias muestrales de X e Y (la

    ecuación puede escribirse como

    errores es cero y los errores no están relacionados con Y

    estudio de la varianza)

    Supuestos del método del modelo clásico de regresión lineal (MCRL).

    El análisis de regresión es un análisis condicionado a los valores dados del o de los

    regresores (exógenas) o simbólicamente: E(u

    incluídos en el modelo no afectan sistemáticamente le valor de la media de Y.

    1) Homoscedasticidad (igual varianza de los errores) var(u

    para todas las observaciones (igual dispersión o igual varianza: las poblaciones de Y

    correspondientes a diversos valores de X tienen la misma varianza. Si se cumple,

    todos los valores de Y que corresponden a diversos valores de X serán igual de

    confiables (cercanía o alejamiento con el cual están distribuídos los valores de Y

    alrededor de sus medias). Todos los valores de Y corespondientes a diversos

    valores de X son igualmente importantes.

    2) No autocorrelación entre las perturbaciones (errores) (correlación=varianza

    conjunta=covarianza). Simbólicamente:

    Cov(u

    Si la covarianza no fuera 0,querría decir que Y

    u

    a y b) MCO están expresados únicamente en términos de Y.`Y= a + `bX y `y =`Y ); además la media de lost ni con Xt . (lectura previa:t½Xt)=0, es decir, los factores que no estánt½Xt)=s2; varianza constantei,uj½Xi, Xj)=0t estaría dependiendo también det-1, puesto que este determina a ut.

    (otros supuestos no tan importantes: n>k; los valores de X deben ser no todos iguales, pues

    entre mayor sea la variación en X, mayor será la precisión con que Y puede ser estimada; a

    medida que aumenta la muestra, también aumenta la precisión (la utilidad de lo anterior en

    la medición de la precisión se verá en los problemas de inferencia estadística); el modelo

    está correctamente especificado: ¿cuáles variables deben estar incluídas en el modelo?

    ¿cuál es la forma funcional correcta del modelo? Un sesgo de especificación: escoger la

    forma funcional equivocada. Pero la teoría debe ser la base de la estimación, evitando los

    modelo ad hoc. Todos los supuestos se cumplen en una FRP y no se duplican todos en la

    FRM porque son supuestospara muestras grandes o asintóticas).

    Ante un modelo con más de dos variables:

    3) No multicolinealidad perfecta. En este supuesto se ve la utilidad de estudiar las

    covarianzas entre los coeficientes estimados de la regresión.

    Propiedades de los estimadores de mínimos cuadrados: el teorema de Gauss-Markov.

    Un estimador se considera en mejor estimador lineal insesgado, si se cumple lo siguiente:

    1 Es una función lineal de una variable aleatoria (Y).

    2 Es insesgados: E(

    3 Tiene varianza mínima: es eficiente (es decir, el mejor entre todo el conjunto de

    estimadores lineales insesgados)

    4 Consistente:

    Teorema de Gauss- Markov: Dados los supuestos del MCRL, los estimadores de mínimos

    cuadrados, dentro de la clase de los estimadores lineales insesgados, tienen varianza

    mínima, es decir, son MELI. (checar propiedades en el libro).

    Coeficiente de determinación y autocorrelación R

    R

    regresión (convendría pequeño cuestionario sobre la interpretación de R

    en los errores. Tiene básicamente dos propiedades:

    1 Cantidad no negativa.

    2 Está entre 0 y 1.

    Una cantidad estrechamente relacionada con r

    es el coeficiente de correlación r = +

    Sus características:

    1 Puede tener signo positivo o negativo, dependiendo del sighno de covarianza

    muestral de 2 variablesm, por tanto está entre –1 y +1.

    2 Es simétrico: r

    be) = b.be tiende a b cuando n tiende a N.2, medida de bondad de ajuste.2 mide la proporción o el porcentaje de la variación total en Y explicada por el modelo de2 y su contraparte2 pero conceptualmente muy diferente de ésteÖ r2 (coeficiente de correlación parcial).xy = r yx

    3 Una r = 0 no necesariamente implica independencia estadística; pero si son

    independientes su r es 0 (la r = 0 es necesaria pero no suficiente para la

    independencia estadística).

    4 Es medida sólo de asociación lineal, por lo que pierde sentido en relaciones no

    lineales, además no implica relación de causalidad.

    Interpretación económica de los resultados. Significado de los parámetros obtenidos.

    Con respecto a la interpretación del intercepto, es necesario usar el sentido común para ello,

    pues muy frecuentemente el intervalo muestral de los valores observados no contiene el

    cero como uno de ellos; tal vez lo más indicado sea leerlo como el promedio del efecto

    sobre Y de todas las variables omitidas en la regresión.

    Formas funcionales de los modelos.

    Modelos logarítmicos.

    Semilogarítmico: log-lin. El coeficiente de la variable explicativa mide el cambio

    proporcional constante, o relativo en Y para un cambio absoluto dado en X.

    b

    Cambio absoluto en X.

    e = Cambio relativo en Y (multiplicado por 100, porcentual)

    b

    se denomina modelo de crecimiento (constante). Para la interpretación, es necesario

    multiplicar

    Semilogarítmico: lin-log. El coeficiente de la variable explicativa mide el cambio

    absoluto en la variable dependiente, causado por un cambio porcentual en el regresor.

    e = cambio porcentual o tasa de crecimiento. Cuando el regresor es el tiempo, el modelobe por 100.

    b

    cambio porcentual en X.

    Es necesario dividir

    e = Cambio absoluto en Ybe por 100 para leer en las unidades de Y.

    Unidad 3. PRUEBAS DE INFERENCIA ESTADÍSTICA.

    3.1 Intervalos de confianza para estimadores M.C.O.

    3.2 Pruebas de hipótesis: la t de Student: significancia estadística de las variables

    explicativas.

    3.3 La predicción mediante modelos econométricos

    Si el objetivo no es sólo la estimación puntual de los parámetros, sino también realizar

    inferencias sobre la función de regresión poblacional, entonces debe suponerse que los

    errores (u

    regresión es estimar la FRP con base en la FRM, es decir, hacer inferencia sobre los

    verdaderos valores de los parámetros; pero debido a fluctuaciones muestrales, el estimado

    de la FRP es, en el mejor de los casos, una aproximación. Dado que los datos cambiarán de

    una muestra a otra, los valores estimados cambiarán automáticamente, así que se necesita

    una medida de confiabilidad de los estimadores

    estándar de la distribución muestral de un estimador) mide la precisión de un valor

    estimado. Dados los supuestos de Gauss, los errores estándar de los estimadores MCO se

    pueden obtener así:

    Var(

    cuadrado de las desviaciones de X con respecto a su media). La varianza real de los errores

    no puede ser calculada a partir de los datos, entonces, es necesario utilizar una

    aproximación de ella. El estimador MCO de la verdadera

    t) siguen alguna distribución de probabilidad. El objetivo principal del análisis dea y b. El error estándar (desviaciónbe) = s2/S(Xt -`X)2 (varianza homoscedástica de los errores sobre la sumatoria dels2 es el siguiente:

    s

    e

    2

    sumatoria de los errores al cuadrado dividida por los grados de libertad (para cualquier

    número de regresores). Entonces, el error estándar: ee(

    así:

    ee(

    El error estándar el la desviación estándar de los valores Y alrededor (+ o -) de la línea de

    regresión estimada (media condicional de Y), el cual se usa frecuentemente como una

    medida resumen de la <<bondad de ajuste>> de la línea Teniendo ya el error estándar,

    puede hacerse ahora la estimación por intervalos, lo cual se trata de obtener un intervalo de

    valores en el cual se encuentre el parámetro poblacional

    de un estimador puntual se mide por su error estándar. En lugar de depender de un solo

    estimador puntual, se puede construir un intervalo alrededor del estimador puntual, tal que

    el intervalo tenga, por ejemplo, 95% de probabilidad de incluir el verdadero valor del

    parámetro (siendo

    arroje un valor de

    numérico específico de

    modo que la probabilidad de que

    está). Si se conocen las distribuciones muestrales de los estimadores se pueden hacer

    afirmaciones sobre los intervalos de confianza. La distribución de los estimadores MCO se

    supone normal estándar . La distribución normal puede usarse para hacer afirmaciones

    probabilísticas de

    2= Suet/(n-k)be) = Övar(be), puede ser calculadobe) = se / Ö [S(Xt -`X)2]b. Sabemos que la confiabilidadbe aleatorio, pues no ha sido calculado en una muestra específica quebe). Una vez que se tenga una muestra específica y se obtenga un valorbe, el intervalo deja de ser aleatorio y se convierte en fijo, deb se encuentre en ese intervalo será de 0 o de 1 (está o nob si se conoce s2 (Teorema de Tchebycheff). Si se reemplaza s2 por

    s

    e

    2, se obtiene la variable t de Student,(crítica o de tabla), la cual sigue la distribución t con

    n-k

    forma:

    Pr[

    grados de libertad, la cual puede usarse para construir un intervalo de confianza de labe - ta/2·ee(be) £ b £ be + ta/2·ee(be)] = 1 - a

    Donde la amplitud del intervalo es proporcional al error estándar del estimador: a mayor

    error estándar de

    desconocido.

    t

    Interpretación si 1 -

    casos (muestras) intervalos como (el anterior) contendrán el verdadero valor de

    [Ejercicios de obtención de ee,

    e

    Prueba de hipótesis (p. 119)

    Prueba de significancia de los coeficientes de la regresión, la prueba

    Una prueba de significancia es un procedimiento mediante el cual se utilizan los resultados

    muestrales para verificar la verdad o falsedad de una hipótesis nula.

    Elementos:

    H

    H

    Estadístico de prueba:

    b mayor será la incertidumbre de estimar el verdadero valor del parámetroa/2 = valor de la t de Student a un nivel de significancia de a/2 (a a dos colas).a = 0.95: en el largo plazo (muestreo repetido) en 95 de cada 100b.s2, e intervalos de confianza.]t.0 : hipótesis nula, planteada o de investigación.A : hipótesis alterna, frente a la que se prueba la H0.tc

    Bajo el supuesto de normalidad U

    ee(

    i~N(0,s2), la variable tc = be - b sigue la distribuciónbe)

    t

    Pasos a seguir:

    1)Planteamiento de hipótesis:

    H

    H

    2)Delimitación del área de no rechazo de la H

    3)Calcular el valor

    t

    con n-k grados de libertad.0: b=0 (la variable con coeficiente b no es explicativa de la variable dependiente)A: ¹b00 y del área de rechazo.t=be - b

    ee(

    *Notas:

    be)

    §

    241);

    la prueba t para regresión múltiple se hace suponiendo muestras diferentes (pág.

    §

    aclarar bien cuándo una variable es aleatoria y cuándo no (b);

    §

    A medida que el valor de

    mayor sea el valor absoluto de

    Se dice que un estadístico es estadísticamente significativo, si el valor del estadístico de

    prueba (

    no estadísticamente significativo.

    (págs. 122-125); (p. 126 5.8); regla práctica <<2-

    selección de nivel de significancia,

    Nivel exacto de significancia: valor

    igual o mayor que la

    probabilidad exacta de cometer un error de tipo I. Nivel de significancia más bajo al cual

    puede rechazarse una H

    valor

    incluir las explicaciones de los errores de tipo I, tipo II y el valor p.b en la H0 se aleje del be,, el cociente (tc) será mayor; así que atc, será evidencia en contra de la H0.tc) cae en la región crítica o de rechazo (rechazo de H0) y, si pasa lo contrario, est>> p. 127; formación de las H0 y HA,p-value: p. 128-131.p. Probabilidad real de obtener un valor de la t de tablatc. También conocido como nivel exacto de significanciao la0. Se obtienen de los puntos porcentuales de la distribución t en ela que sería necesario para obtener el valor mayor o igual a tc..

    (una cola y dos colas la estábamos tomando al revés, véase pie de pág. 791)

    (establecer un orden lógico que debe de llevar las pruebas de los supuestos, la significancia,

    la bondad, etc. para evaluar un modelo econométrico)

    (leer p.137 5.12, antes de saber las violaciones a los supuestos).

    En muestras pequeñas, las pruebas

    3.3La predicción mediante modelos econométricos.

    Después de obtener la regresión histórica (series de tiempo), uno de los usos puede ser

    predecir el valor de la variable dependiente correspondiente a un valor de X dado. Hay dos

    clases de predicciones: 1) la media condicional de Y

    valor individual de Y

    En e primer caso, la regresión proporciona una estimación puntual de la estimación media

    dándole un valor a X. El error de predicción o de pronóstico se evalúa primero,

    encontrando la distribución muestral de Y estimada (normalmente distribuida con media

    igual a

    e

    t

    una variable

    confianza para la verdadera media de Y dado X.

    t y F requieren el supuesto de normalidad.t correspondiente a Xt ; 2)predecir unt correspondiente a Xt (predicción media y predicción individual).b1 + b2X0) y con una varianza que, si se calcula en base a s2( de los u2) se obtienet con su distribución, misma que puede ser usada para construir intervalos de

    UNIDAD 5: VIOLACIÓN A LOS SUPUESTOS MCO.

    5.1 Autocorrelación. Origen, significado, consecuencias. Detección y corrección.

    La autocorrelación es correlación entre miembros de series de observaciones ordenadas en

    el tiempo o en el espacio. En presencia de autocorrelación y de heterocedasticidad, los

    estimadores MCO dejan de ser MELI, pues ya no tienen varianza mínima.

    Supesto de no autocorrelación:

    E(u

    Violación del supuesto:

    E(u

    Aquí, el término de perturbación relacionado con una opbservación cualquiera está

    influenciado por el término de perturbación de cualquier otra observación.

    (autocorrelación=correlación serial).

    Dependiendo de cuál error esté influyendo en otro, será el

    por su frecuencia es aquella donde un error influye sobre el inmediato posterior, es decir la

    autocorrelación de primer orden. En presencia de autocorrelación se está violando el

    supuesto de aleatoriedad y normalidad de los errores. Es generalmente más común en los

    datos de series de tiempo, aunque también se presenta en datos de corte transversal. En el

    análisis de corte transversal el ordenmiento de la información debe tener alguna lógica o

    interés económico para dar sentido a cualquier determinación de si hay o no

    autocorrelación.

    ¿Por qué se origina? Algunas razones son:

    i,uj) = 0, i¹j.i,uj) ¹ 0, i¹j.<<orden>>. La más importante

    §

    económicos y según la etapa del ciclo en la que estén, puede marcarse una dirección

    (observaciones sucesivas interdependientes).

    Los datos económicos se mueven por inercia, por naturaleza presentan ciclos

    §

    Variables excluidas. Si un fenómeno se explica favorablemente con un número

    variables, y por alguna razón se corre con

    de la variable excluida se sume al efecto de la perturbación estocástica, por lo que

    deja de ser tal.

    Forma funcional incorrecta: al adaptar un modelo lineal a unos datos que no

    presentan una dispersión lineal, los valores serán sobre y subestimados en diversos

    momentos de la curva, y los errores reflejarán, como el caso anterior, la forma

    funcional que debe aparecer.

    Fenómeno de la telaraña: en situaciones de la economía donde un dato o fenómeno

    surge efecto sobre otro después de un periodo de tiempo, no se esperan errores

    aleatorios, porque los errores de un periodo modificarán el fenómeno del siguiente

    (producen decisiones)

    Rezagos. Si una variable es explicada también por el valor que obtuvo en un

    periodo anterior y esto se ignora en el modelo, los errores de igual forma lo

    reflejarán.

    Consecuencias.

    Si los errores se generan por un esquema autorregresivo de primer orden, es decir AR(1)

    (poner), el valor p será el coeficiente de autocorrelación de primer orden. Es decir, el

    desplazamiento de los errores consta de una parte de desplazamiento sistemático y una

    parte aleatoria.

    En presencia de autocorrelación, los estimadores MCO, aunque son lineales e insesgados y

    consistentes, ya no son los mejores, pues su vaianza no es la mínima dentro de ese conjunto

    de estimadores (disminuye la precisión de estimación, pues crece el error estándar del

    parámetro. Por tanto, es probable que se declare a un coeficiente estadísticamente no

    significativo aunque pueda serlo. (aclarar que el MCO no es el único método que existe y

    que a veces es necesario usar otros, es decir, la máquina corrige los errores con otros

    métodos).

    Al usar el estimador MCO y su varianza definida:

    1)es probable que se subestime la verdadera varianza residual y por tanto, R

    de lo que debe ser en realidad.

    2)las pruebas

    conclusiones erróneas sobre la significancia estadística de los coeficientes de regresión

    estimados.

    Detección:

    Método gráfico. Gaficar los residos obtenidos de la regresión frente al tiempo (gráfica de

    secuencia de tiempo y obsevar si presenta un patrón sistemático (p. 408 y 395).

    Prueba de rachas. Se anotan los signos (+ o -) de los residuales de la regresión. Cada

    grupo de residuales del mismo signo cuanta como una racha, cuya longitud es el número de

    elementos de ésta. Hay que hacer entonces una prueba de aleatoriedad de las rachas: ¿las

    rachas observadas en el caso de n observaciones, son muchas o pocas en comparación con

    el número de rachas esperadas en una secuencia de n observaciones estrictamente aleatoria?

    Si hay muchas rachas, significa que los errores cambian de signo frecuentemente y denota

    una autocorrelación negativa. Si hay muy pocas, puede sugerir positiva.

    Sesgos de especificación:k dek-1, ello equivale a permitir que el efecto2 sea más altat y F dejan de ser válidas, pues al aplicarlas es probable que conduzcan a

    Powered by Coranto
     
    Sobre ALIPSO.COM

    Monografias, Exámenes, Universidades, Terciarios, Carreras, Cursos, Donde Estudiar, Que Estudiar y más: Desde 1999 brindamos a los estudiantes y docentes un lugar para publicar contenido educativo y nutrirse del conocimiento.

    Contacto »
    Contacto

    Teléfono: +54 (011) 3535-7242
    Email:

    Formulario de Contacto Online »
     
    Cerrar Ventana
    ALIPSO.COM
    Cursos Multimedia Online, CD y DVD