Professional Documents
Culture Documents
– Análisis cuantitativo de fenómenos económicos
Análisis cuantitativo de fenómenos económicos
reales basados en el desarrollo simultaneo de la
observación y la teoría relacionados a través de
observación y la teoría, relacionados a través de
apropiados métodos de inferencia.
Metodología de la econometría
Metodología de la econometría
1. Enunciado de la teoría o hipótesis
1 i d d l í hi ó i
2. Especificación del modelo econométrico dirigido
a probar la teoría.
3. Estimación de los parámetros del modelos
p
escogido.
4. Verificación o inferencia estadística
Verificación o inferencia estadística
5. Predicciones o pronostico
6 Utilización del modelo para fines de control o
6. Utilización del modelo para fines de control o
formulación de políticas.
Regresion
• Estudio de la dependencia de una variable,
– Variable dependiente
p
• De una o mas variables adicionales,
– Variables explicativas
V i bl li i
• Con la perspectiva de estimar y/o predecir el
p p y p
valor medio o promedio de la primera en
términos de valores conocidos o fijos de las
términos de valores conocidos o fijos de las
segundas.
Relaciones Estadísticas VS.
Relaciones Deterministicas.
Regresión vs Causación
Regresión vs. Causación
• Aunque el análisis de regresión tiene que ver
p
con la dependencia de una variable con
relación a otras variables, esto no implica
necesariamente que exista una relación de
necesariamente que exista una relación de
casualidad.
Regresión vs Correlación
Regresión vs. Correlación
• Correlación.
– El objetivo fundamental es la medición de la
j
fuerza o grado de asociación lineal entre dos
variables.
Terminología
Variable dependiente Variable Explicativa
Variable independiente
Variable explicada
Predictor
Predicha
Regresor
Regresada
Variables de control o estimulo
Endógena Exógena
Naturaleza y fuentes de información
para el análisis econométrico
Existen tres tipos de datos que generalmente se
encuentran disponibles para realizar análisis empírico:
di ibl li áli i íi
1 Series de tiempo
1. Series de tiempo
2. Series de corte transversal
3. Combinación de series de tiempo y series de corte
transversall
Series Temporales
Series Temporales
Series de corte transversal
Series de corte transversal
Combinación de series de tiempo y series
de corte transversal
Modelo de regresión con dos variables
Modelo de regresión con dos variables
Y
e3
e1
e4
X
X1 X2 X3 X4
Estimadores de mínimos cuadrados
Estimadores de mínimos cuadrados
βˆ2 =
∑ xy i i
∑x 2
i xi = X i − X
yi = Yi − Y
__ __
Y = βˆ1 + βˆ2 X
Características de los estimadores
Características de los estimadores
• Están expresados únicamente en términos de
cantidades observables, es decir, Xi i yy Yi.i
• Son estimadores puntuales
Son estimadores puntuales
Características de la línea de regresión
Características de la línea de regresión
1 Pasa a través de las medias muéstrales de X y Y.
1. Pasa a través de las medias muéstrales de X yY
E (ui X i ) = 0
Supuesto
p #2
No existe auto correlación entre las u.
cov((ui , u j ) = 0
Supuesto #3
Homocedasticidad o igual varianza para ui.
var(ui X i ) = σ 2
Supuesto
p #4
Cero covarianza entre ui y Xi
cov(ui , X i ) = 0
Supuesto #5
El modelo de regresión esta correctamente especificado.
(no existen sesgos ni errores de especificación)
Estimadores MELI
Estimadores MELI
Un estimador de MCO es el mejor estimador lineal insesgado si:
Un estimador, de MCO, es el mejor estimador lineal insesgado
1. Es lineal, es decir, una función lineal de una variable aleatoria
, ,
tal como la variable dependiente Y en el modelo de regresión.
2. Es insesgado, es decir, su valor esperado es igual al valor
verdadero.
3. Tiene varianza mínima entre la clase de todos los estimadores
lineales insesgados.
g
Varianza de los estimadores de
mínimos cuadrados
σ
Var (βˆ2 ) =
2
∑x 2
i
V (β
Var β̂ ) = ∑ X i
2
σ 2
N∑ x
1 2
i
ac ó 2
Coeficiente de determinación r
oe c e te de dete
Punto de vista de Ballentine
r =0
2 0 < r2 <1
r2 =1
Linealizacion
Logarítmicas
800
Y = AB X
600
400
Y = α + βX
* *
200
0 1 2 3 4 5
Modelo de Regresión Múltiple
Modelo de Regresión Múltiple
y = β 0 + β1 x1 + β 2 x 2 + L + β n x n
Notación de Yule:
• Desventajas
Ejemplos
• Tiro de una moneda
• Tiempo de Proceso
Números Aleatorios
Números Aleatorios
• Números pseudo aleatorios
• Necesarios para agregar variabilidad a nuestra
simulación dentro se sus eventos.
i l ió d
• Los trabajaremos dentro del intervalo de (0,1)
Distribución Uniforme
Distribución Uniforme
⎧⎪ 1
si x ∈ [a, b]
f ( x) = ⎨ b − a
1 ⎪⎩ 0 si x ∉ [a, b]
b−a
b+a
E[X ] =
2
Var [X ] =
(b − a)
2
a b 12