Mtodos Cuantitativos

Dr. Juan Walter Tudela Mamani

Ph.D., M.Sc., Ing. Econ.
Profesor Asociado a D.E.
Universidad Nacional del Altiplano, Puno
jwtudela@yahoo.es
Puno, Julio del 2015
1

PARTE I. MODELO DE REGRESIN

SIMPLE LINEAL Y NO LINEAL

1.1 Introduccin

Definicin de econometra
En la toma de decisiones de carcter econmico suele ser muy
til disponer de informacin en forma de datos cuantitativos.
Por ejemplo:
1.- A la hora de elegir unos estudios universitarios podemos
guiarnos por nuestras preferencias personales, pero tambin
por factores como las expectativas de salario en la rama elegida
o la facilidad con la que esperamos conseguir un empleo.
2.- Si se trata de la compra-venta de un vivienda, nos interesa
conocer la situacin del mercado inmobiliario. Para ello
podemos recopilar datos de precios y de algunas caractersticas
de las casas que puedan incluir en el precio como, por ejemplo,
su tamao o si es una vivienda usada que necesita refaccin.
4

Diagrama de dispersin superficie-precio de vivienda

La Econometra es una rama de la Economa

que utiliza la estadstica para medir o
cuantificar las relaciones existentes entre
variables econmicas. Es una materia
interdisciplinar que utiliza la teora
econmica, la matemtica, la estadstica y los
mtodos computacionales.

En trminos sencillos, la econometra se ocupa de la

aplicacin de mtodos estadsticos a la economa. A
diferencia de la estadstica econmica, que es
principalmente datos estadsticos, la econometra se
distingue por la unificacin de teora econmica,
instrumentos matemticos y metodologa estadstica.
En trminos ms generales, la econometra se ocupa de
(1) estimar relaciones econmicas, (2) confrontar la
teora econmica con los datos y contrastar hiptesis
relativas al comportamiento econmico, y (3) predecir el
comportamiento de variables econmicas.

Para que sirva la econometra?

El objetivo de un estudio economtrico es
comprender mejor un fenmeno econmico y,
como resultado, poder realizar predicciones de
la evolucin futura del fenmeno de inters. El
instrumento bsico es el modelo, que ayuda a
entender las relaciones entre variables
econmicas y sirve para evaluar los efectos de
distintas medidas o polticas econmicas.
Algunos ejemplos en los que la Econometra
puede ser de utilidad son los siguientes:
8

 Los directivos de una empresa elctrica pueden estar

interesados en analizar los factores que afectan a la

demanda de electricidad.
Una cadena de supermercados puede estar interesado en
cuantificar el efecto de distintos niveles de publicidad sobre
sus ventas y sus beneficios.
El MEF y del BCRP requiere analizar el impacto de las
polticas monetarias y fiscales sobre el desempleo, la
inflacin, las exportaciones e importaciones, las tasas de
inters, etc.
Si un organismo quiere implementar polticas para corregir,
por ejemplo, la discriminacin salarial por sexo, en primer
lugar debe conocer cules son los principales factores
determinantes del problema y, en segundo lugar, analizar
las posibles medidas a tomar, estudiando cuales pueden ser
los efectos de dichas medidas.
Analizar la efectividad de las medidas de seguridad vial,
como tolerancia cero, en la reduccin del nmero de
muertes en accidentes de transito.
Analizar si las medidas restrictivas sobre la publicidad de
tabaco y alcohol reducen el consumo de estos productos.

Proceso economtrico
El anlisis economtrico involucra las siguientes etapas
principales:
1. Especificacin del modelo: consiste en usar la teora, leyes o
hiptesis particulares econmicas, para investigar las relaciones entre
variables y agentes de la economa.
2. Estimacin del modelo: trata de la utilizacin de instrumentos
auxiliares como las matemticas y la estadstica para estimar el modelo
objetivo.
3. Verificacin del modelo: en esta etapa se efecta la interpretacin
econmica del modelo estimado y se realizan pruebas estadsticas. La fase
de verificacin tiene un papel muy importante dado que examina si la
expresin cuantificada puede utilizarse adecuadamente con base en la
teora econmica.
4. Prediccin: el modelo obtenido puede ser utilizado para la prediccin
y el desarrollo de muchas aplicaciones. Pueden surgir nuevos resultados
tericos, y generarse implicaciones de poltica econmica a partir de las
conclusiones del modelo.
10

Modelo econmico y modelo economtrico

Se denomina modelo econmico a cualquier conjunto de supuestos
que describen una economa o parte de una economa. En este sentido, la
teora econmica puede entenderse como la formulacin y anlisis de
modelos cuantitativos. Esta esquematizacin requiere un planteamiento
particular de las interrelaciones entre las variables que intervienen en el
fenmeno de estudio. Las caractersticas mnimas que debe satisfacer un
modelo econmico son las siguientes:
1. Que represente un fenmeno econmico real.
2. Que la representacin sea simplificada, y
3. Que se haga en forma matemtica.

Donde Y = cantidad producida; Xi = cantidad del i-esimo insumo, i=1,2,,k.

11

El modelo economtrico es el modelo econmico que contiene las

especificaciones necesarias para su validacin emprica. Es usual concebir
el modelo economtrico como un modelo conformado por una parte
determinstica y una parte aleatoria o trmino de error. El modelo
economtrico para el ejemplo expuesto tomara la forma:

Los modelos economtricos por considerar un trmino aleatorio en su

estructura, hacen parte de los modelos probabilsticos. Una diferencia
fundamental entre los modelos econmicos y los modelos economtricos,
es que los primeros son siempre validos, dado que han sido establecidos
por la teora econmica y solo persiguen la expresin general de ella. Por
otro lado, los modelos economtricos, reflejan el estado de las cosas o de
una situacin especfica y aunque tiene sus bases en la teora econmica
sus resultados pueden cambiar de un estudio a otro.

12

Existen diferentes razones por las cuales los

modelos economtricos deben considerar el
trmino de error, destacndose como las ms
importantes las siguientes:
a) Datos
b) Nmero de variables
c) Disponibilidad de informacin
d) Forma funcional

13

Elementos que componen el Modelo

Los elementos que componen el
modelo son:
1. Las variables
2. Las ecuaciones
3. Los parmetros.

14

1.2 Regresin simple

15

Anlisis de correlacin
Diagrama de Dispersin:
Una primera aproximacin con el fin de detectar
algn tipo de relacin entre dos variables (X y Y),
consiste en ubicar los pares de valores de en un
plano cartesiano hasta conformar la nube de
puntos. Un diagrama de dispersin es la
representacin grfica de todos los pares de
valores en sistema de ejes de coordenadas.
Mtodos de inspeccin preliminar
16

17

Coeficiente de Correlacin Lineal

El coeficiente de correlacin lineal es un estadstico
que mide el tipo de relacin (signo) y la fuerza
(magnitud del coeficiente) de asociacin lineal
entre dos variables. Usualmente el coeficiente de
correlacin lineal, representado por la letra r, bajo
las condiciones de un muestreo aleatorio ideal se
considera una buena representacin del coeficiente
de correlacin poblacional ().
El coeficiente de correlacin puede tomar valores
entre -1 y +1.
18

19

Si r tiende a 1 estara indicando una relacin lineal positiva o directa entre

las variables. Si r tiende a -1, existira una relacin lineal negativa o inversa
entre las variables. Cuando r es exactamente igual a 1 o -1 la relacin lineal
es perfecta, siendo posible ajustar todos los puntos a travs de una lnea
recta con pendiente positiva o negativa. Si r es cero no hay relacin lineal
entre las variables y una lnea horizontal une todos los pares de valores
localizados en el diagrama de dispersin.

20

Pruebas de Hiptesis
La formalidad estadstica sugiere realizar pruebas de
hiptesis sobre los parmetros poblacionales basndose en
los estadsticos encontrados.
Por ejemplo, an cuando el coeficiente de correlacin lineal
estimado entre dos variables sea diferente de cero, esto no es
suficiente para afirmar que el parmetro poblacional es en
realidad distinto de cero, pues requiere recordarse que las
inferencias se efectan con base en informacin muestral y
existe un margen de error cuando se realiza este tipo de
procedimiento.

21

22

23

24

25

Anlisis de correlacin con Eviews 8.0

Bienvenidos a Eviews 8.0

Ingrese al programa Eviews 8

33

34

35

36

Diagramas de dispersin

37

38

39

40

Coeficiente de correlacin en EViews

41

42

Regresin simple lineal y no lineal

El objetivo fundamental del anlisis de regresin es
el estudio de la dependencia de una variable,
llamada explicada, de una o ms variables llamadas
explicativas. El anlisis de regresin se apoya en el
concepto matemtico de funcin, en el que se tiene
una variable dependiente (variable explicada) y un
conjunto de variables independientes (variables
explicativas) con el fin de estimar los coeficientes o
parmetros de dicha funcin y efectuar
predicciones (encontrar el valor esperado de la
variable dependiente cuando se construyen
escenarios reflejados en los valores que toman las
variables independientes).
43

Todo procedimiento economtrico

sigue los siguientes pasos:
1. Especificacin
2. Estimacin
3. Verificacin
4. Prediccin.

44

Supuestos del modelo de regresin

El modelo de regresin es lineal en los parmetros
Los valores de X son fijos en muestreos repetitivos.
Tcnicamente esto consiste en que X se supone no
estocstica.
3. El valor medio de la perturbacin i u es igual a cero.
4. Homoscedasticidad o varianza constante de ei
5. No auto correlacin entre las perturbaciones.
6. La covarianza entre ei y Xi es cero
7. El nmero de observaciones n debe ser mayor que el
nmero de parmetros por estimar.
8. Variabilidad en los valores de X .
9. El modelo de regresin esta correctamente especificado.
10. No hay correlacin lineal perfecta entre variables
explicativas.
1.
2.

45

Cuando el modelo de regresin cumple con los

anteriores supuestos se le conoce como modelo de
regresin clsico y tiene las siguientes propiedades:
los estimadores son MELI (mejores estimadores
lineales insesgados).
Si se agrega el supuesto de normalidad de los
errores, los estimadores son MEI (mejores
estimadores insesgados) y por lo tanto seguirn
distribucin normal. Con ello, los intervalos de
confianza, las predicciones y las pruebas de
hiptesis tienen validez estadstica.

46

Mtodo de estimacin de mnimos cuadrados ordinarios

El objetivo principal de la etapa de estimacin es
encontrar los valores de los parmetros muestrales. El
mtodo de estimacin ms popular recibe el nombre de
mnimos cuadrados ordinarios (MCO). El criterio de este
mtodo consiste en proporcionar estimadores de los
parmetros que minimicen la suma de los
cuadrados de los errores.
Funcin de regresin muestral (FRM):

47

48

Varianzas y errores estndar de los estimadores

As como existen medidas de dispersin para las variables tambin las hay
para los estimadores, por lo tanto, es necesario siempre presentar una
medida de precisin de los estimadores de los parmetros del modelo.
Esta medida es el error estndar e indica la confiabilidad de las
estimaciones (si son pequeas dejan ver que los parmetros muestrales
van a ser muy parecidos a los poblacionales). La principal utilidad de los
errores estndar de los estimadores es la construccin de intervalos de
confianza y la prueba de hiptesis.

49

Intervalos de confianza
En estadstica es comn efectuar inferencias basadas en estimaciones
puntuales y en intervalos. Estas ltimas son menos riesgosas debido a que
se encuentran dentro de un rango con cierto margen de confiabilidad. En
particular, pueden construirse intervalos de confianza para los parmetros
del modelo de regresin as como para las predicciones.

50

Pruebas de hiptesis

51

52

53

54

El Coeficiente de Determinacin
Es importante mencionar que cuando un modelo de
regresin es construido con el objeto de predecir, al
investigador le interesa encontrar una medida de la
bondad de ajuste de los resultados del modelo. Una
medida muy comn de esta bondad de ajuste es el
coeficiente de determinacin o R2 , la cual
proporciona informacin respecto a que tan bien la
lnea de regresin muestral se ajusta a los datos. Se
calcula:
Se encuentra entre 0 y 1, la manera de interpretarlo
es en porcentaje, argumentndose que dicho valor
refleja la magnitud porcentual de la variacin de la
variable Y explicada por la variable X.

55

Modelos de regresin simple no lineal en las variables

En algunos casos el investigador requiere estimar otro tipo de
modelos en los que las variables independientes no sean lineales,
como por ejemplo variables transformadas en trminos
logartmicos, cuadrticos, raz cuadrada, cbicos, etc.
Las razones para estimar estos nuevos modelos pueden ser:
mejorar los resultados en trminos de bondad de ajuste, obtener
elasticidades directamente de la regresin, o en algunos casos
porque la teora econmica lo sugiere. Un ejemplo del modelo no
lineal es el conocido como Cobb-Douglas, cuya forma funcional es
la siguiente:

56

Anlisis de regresin simple lineal y no lineal con

Eviews 8.0

Ingrese al programa Eviews 8.0

61

Estimacin del modelo de regresin en EViews

Los resultados del modelo lineal muestran que la variable PRECIO

cuenta con el signo esperado y es relevante al 1%, 5% y 10% de
significancia.
El valor del R2 es 0.918, es decir, el 92% de la variacin de la demanda
del bien X esta explicada por la variable PRECIO.
Adicionalmente se observa la existencia de dependencia conjunta en
el modelo al 1%, 5% y 10% de significancia (Fc=122.935).

El coeficiente de la variable PX es interpretado como un efecto

marginal, por lo tanto, un incremento en una unidad del precio de X
disminuye en promedio su demanda en 5.04 unidades, manteniendo
todos los dems factores contantes.

Matriz de varianza covarianza de los coeficientes del

modelo de regresin simple

Grfica de los valores actuales, predichos y residuales

Clculo de elasticidades en un modelo lineal

Paso 1: Estadisticas descriptivas

70

71

dx
px

Dx Px

*
Px Dx

6.153846
e 5.042910 *
40.38462
dx
e px 0.7684
dx
px

Si el precio de X (Px) aumentar en 10%, la demanda del bien X

(Dx) disminuira en aproximadamente 7.68%, manteniendo
constante el resto de variables (ceteris paribus).
72

Estimacin del modelo de regresin simple no lineal en

las variables (doblemente logartmico)

73

74

Interpretacin del modelo de regresin simple no

lineal
Los resultados del modelo doblemente logartmico indican que la
variable logaritmo del precio es significativa (al 1%, 5% y 10%) y
exhibe el signo terico.

El R2 es 0.772, por lo tanto, el 77% de la variacin del logaritmo de la

demanda del bien X es explicada por el logaritmo de su precio.
Adicionalmente existe dependencia conjunta en el modelo (1%, 5% y
10% de significancia).
El coeficiente de la variable LPX es interpretado como una
elasticidad, por lo tanto, un incremento en un 1% en el precio de X
disminuye en promedio su demanda en 0.72%, manteniendo todos los
dems factores constantes.

Grfica de los valores actuales, predichos y residuales

76

77

Seleccin de modelos que utilizan diferente forma

funcional
Cuando se requiere seleccionar modelos en los que el nmero de
regresores vara o en los que la forma funcional no es la misma, se
tiene que estimar el coeficiente de determinacin equivalente (R2
equivalente)
La modelizacin economtrica permite la especificacin de distintas
formas funcionales, algunas de las cuales obligan a la utilizacin de
transformaciones logartmicas, por ejemplo. Cuando esto sucede, y se
hace necesario seleccionar modelos en los que la variable explicada
modifica sus unidades de medida, se utiliza como indicador el
coeficiente de determinacin equivalente, eligiendo como el mejor
modelo aquel que presente un mayor valor en dicho coeficiente.

78

2
equivalente

SRC en unidadesdeY
STCen unidadesdeY

SRC= Suma de Residuos al Cuadrado

STC= Suma Total de Cuadrados

Despus de ajustar el modelo, es necesario definir los residuos en las

unidades originales de la variable dependiente; estos valores se
llaman residuos equivalentes.
Es recomendable la utilizacin de este coeficiente cuando la seleccin
de modelos obliga a comparar modelos exponenciales, doblemente
logartmicos y semilogaritmicos en la variable dependiente con
modelos lineales.

79

Aplicacin al ejercicio desarrollado

Modelo lineal

Modelo log-log
(Cobb-Douglas)

Los residuos equivalentes definen como la diferencia entre los valores

observados y los valores estimados de la variable objeto de
modelizacin (Demanda del bien X)

80

Ser necesario modificar la variable dependiente que, para la

estimacin del modelo exponencial, haba sido transformada
utilizando logaritmos. Con este fin se construye una variable, generada
con el nombre de LDXEST, que contenga los valores estimados de la
variable dependiente, utilizando un modelo exponencial.

Re siduoequivalente DX expLDXEST

81

82

La suma de
cuadrados de
residuos (SRC)
equivalente es de
957.458468134

83

Clculo de la Suma Total de Cuadrados (STC)

A partir de la salida del modelo lineal, se tiene:

2
STC Yi Y (n 1) * S Cy
n

i 1

STC 13 1 *16.89940^ 2
STC 3427.07664

84

Clculo del coeficiente de determinacin equivalente

(R2 equivalente)
2
equivalente

2
equivalente

957.458468134
1
3427.07664
0.72061948

El valor obtenido es inferior al que toma el coeficiente de

determinacin del modelo lineal, por lo que se selecciona como forma
funcional ms adecuada una estructura lineal.

85

Taller prctico en clase 1

86