ECONOMETRIA

Carlos Jorge Caicedo Cuervo

cacaiced@uniandes.edu.co
kakaqu@yahoo.com
Semestre II de 2018
ESTRUCTURA TEMATICA
DEL CURSO
 1. FUNDAMENTOS GENERALES
 QUE ES ECONOMETRIA?
 CUAL ES EL OBJETIVO DE LA ECONOMETRIA?
 CUALES SON LOS FINES DE LA ECONOMETRIA?
 CUAL ES EL METODO DE LA ECONOMETRIA?
 QUE ES UN MODELO?
 QUE ES UN MODELO ECONOMICO?
 QUE ES UN MODELO ECONOMETRICO?
 CUALES SON LOS ELEMENTOS CONSTITUTIVOS DE UN MODELO
ECONOMETRICO?
 CUALES TIPOS DE MODELOS ECONOMETRICOS SE UTILIZAN
GENERALMENTE?
 CON QUE TIPOS DE DATOS SE CONSTRUYEN LOS MODELOS
ECONOMETRICOS?
 CUALES SON LAS PRINCIPALES FUENTES DE INFORMACION ESTADISTICA
PARA LA ESTIMACION DE MODELOS ECONOMETRICOS DE AVALUOS?
 COMO SE MATERIALIZA EL ANALISIS ECONOMETRICO?
 LA ESTADISTICA COMO APOYO DE LA TEORIA ECONOMICA Y EL
ANALISIS ECONOMETRICO
 QUE ES EL ANALISIS DE REGRESION LINEAL (ARL)?
 QUE ES LA RECTA DE REGRESION LINEAL?
 2. MODELOS DE REGRESION UNIECUACIONAL 1
 MODELO DE REGRESION LINEAL SIMPLE (MRLS)
 FUNCION DE REGRESION MUESTRAL (FRM) Y POBLACIONAL (FRP)
 CUALES SON LOS SUPUESTOS DEL MODELO CLASICO DE
REGRESION LIENAL (MCRL)
 COMO SOLUCIONAR LOS PROBLEMAS DE LA REGRESION?
 EJERCICIOS DE APLICACION
 MODELO DE REGRESION LINEAL MULTIPLE (MRLM)
 EJERCICIOS DE APLICACION
3. REGRESION Y AVALUOS MASIVOS
 AVALUOS MASIVOS-MODELO GENERAL
 DISEÑO MUESTRAL
 TAMAÑO DE LA POBLACION (N)
 TAMAÑO DE LA MUESTRA (n)
 MARCO MUESTRAL
 2

2. MODELOS DE REGRESION UNIECUACIONAL

 MODELO DE REGRESION LINEAL SIMPLE (MRLS)
 FUNCION DE REGRESION MUESTRAL (FRM) Y POBLACIONAL (FRP)
 CUALES SON LOS SUPUESTOS DEL MODELO CLASICO DE
REGRESION LIENAL (MCRL)?
 COMO SOLUCIONAR LOS PROBLEMAS DE LA REGRESION?
 EJERCICIOS DE APLICACION
 MODELO DE REGRESION LINEAL MULTIPLE (MRLM)
 EJERCICIOS DE APLICACION
EN GENERAL, EL ARL PERMITE OBTENER UNA FUNCION LINEAL
DE UNA O MAS VARIABLES INDEPENDIENTES (X) PARA
EXPLICAR O PREDECIR UNA VARIABLE DEPENDIENTE (Y)
EN EL ARL SE PUEDE DIFERENCIAR ENTRE ARLS Y ARLM

MODELO DE REGRESION
LINEAL SIMPLE (MRLS)
  ESTE TIPO DE MODELO INTENTA
EXPLICAR O PREDECIR LA VARIABLE
DEPENDIENTE (Y) A PARTIR DE UNA
UNICA VARIABLE INDEPENDIENTE (X)
Y = β0 + β1 x1 + ε
Donde,
β0 y β1  son los parámetros del modelo
ε  error, variable aleatoria que explica la variabilidad en y que no
se puede ser explicada con la relación lineal entre x y y
Los errores ε se consideran variables aleatorias independientes
distribuidas normalmente con media cero y desviación estándar σ
Esto implica que el valor medio o valor esperado de y, denotado
por E (Y/x) m= β0 + β1x1
 Y = β0 + β1 x1 + ε
QUE MIDEN LOS PARAMETROS?
Si X1 aumenta en una unidad, Y
cambia en β1 unidades

Si X1 toma un valor de cero (0), Y

toma el valor de β0
 Y = β0 + β1 x1 + ε
COMO SE VALIDAN LOS RESULTADOS?
Significancia individual
Significancia global
Cumplimiento de supuestos
• Para ello se utilizan pruebas de
hipótesis individuales y globales con los
estadísticos t de Student, F de Fisher y
Chi Cuadrado χ², y DW
 EL MODELO DE GAUSS, MODELO CLASICO O ESTANDAR DE
REGRESION LINEAL (MCRL), ES EL CIMIENTO DE LA MAYOR
PARTE DE LA TEORIA ECONOMETRICA Y PLANTEA SIETE (7)
SUPUESTOS PARA EL CASO DEL MRLS, LOS CUALES
COMPLEMENTA CON TRES (3) SUPUESTOS MAS PARA EL CASO
DEL MRLM

CUALES SON LOS

SUPUESTOS DEL MODELO
CLASICO DE REGRESION
LINEAL (MCRL)?
 1. LINEALIDAD EN LOS PARAMETROS O MRL

EL MR ES LINEAL EN LOS PARAMETROS, AUNQUE PUEDE

O NO SER LINEAL EN LAS VARIABLES
LOS PARAMETROS ESTIMADOS (β) SON LINEALES, ES
DECIR, NO ESTAN ELEVADOS A NINGUNA POTENCIA
NI ESTAN TRANSFORMADOS POR FUNCIONES NO
LINEALES
 1. LINEALIDAD EN LOS
PARAMETROS…
 2. VALORES FIJOS DE X O VALORES
DE X INDEPENDIENTES DEL TERMINO
DE ERROR, ES DECIR, LAS VARIABLES
EXPLICATIVAS NO ESTAN
RELACIONADAS CON EL TERMINO DE
ERROR
LOS VALORES QUE TOMA LA REGRESORA X PUEDEN
CONSIDERARSE FIJOS EN MUESTRAS REPETIDAS, O
HABER SIDO MUESTREADOS JUNTO CON LA VARIABLE
DEPENDIENTE Y
COV(X;U)=0
 2. VALORES FIJOS DE X…..
 3. ESPERANZA MATEMATICA DE LA
PERTURBACION (Ui) O SU VALOR
MEDIO DEBE SER CERO (0), ES DECIR,
NO HAY SESGO DE ESPECIFICACION
O ERROR DE ESPECIFICACION
DADO EL VALOR DE LAS VARIABLES EXPLICATIVAS
(Xi), LA MEDIA O EL VALOR ESPERADO DEL TERMINO
DE PERTURBACION ALEATORIA (Ui) ES CERO (0)
E(Ui|Xi)=0
 CADA POBLACION Y CORRESPONDIENTE
A UN X DADO ESTA DISTRIBUIDA
ALREDEDOR DE LA MEDIA (REPRESENTADA
POR LOS PUNTOS DENTRO DE UN CIRCULO
SOBRE LA FRP), CON ALGUNOS VALORES
DE Y POR ENCIMA Y POR DEBAJO DE ESTA

LA DISTANCIA POR ENCIMA Y POR

DEBAJO DE LOS VALORES MEDIOS
SON LAS Ui, CUYO VALOR
PROMEDIO ES CERO (0)

E(Ui│Xi) = 0, REQUIERE QUE EL

PROMEDIO O VALOR MEDIO DE
ESTAS DESVIACIONES
CORRESPONDIENTES A CUALQUIER
X DADO SEA CERO (0)

VALORES DE LA VARIABLE X Y LAS POBLACIONES Y ASOCIADAS A CADA UNO DE ELLOS

 4. HOMOCEDASTICIDAD O IGUAL
VARIANZA: VARIANZA CONSTANTE
DEL TERMINO DE ERROR Ui

LA VARIANZA DEL TERMINO DE ERROR O DE

PERTURBACION ES LA MISMA SIN IMPORTAR EL
VALOR DE LAS VARIABLES EXPLICATIVAS (Xi)
VAR (Ui) = σ2
LA VARIANZA CONDICIONADA DE Ui ES ALGUN
NUMERO POSITIVO CONSTANTE IGUAL A σ2
 HOMOCEDASTICIDAD  HOMO (IGUAL), CEDASTICIDAD (DISPERSION)

LAS POBLACIONES Y CORRESPONDIENTES A DIVERSOS VALORES DE X TIENEN LA

MISMA VARIANZA. ES DECIR, LA VARIACION ALREDEDOR DE LA LINEA DE REGRESION
(LA LINEA DE LA RELACION PROMEDIO ENTRE X y Y) ES LA MISMA PARA TODOS LOS
VALORES DE X, NO AUMENTA NI DISMINUYE CONFORME VARIA X

HETEROCEDASTICIDAD  HETERO (DIFERENTE), CEDASTICIDAD (DISPERSION)

LA VARIANZA CONDICIONAL DE LA POBLACION Y VARIA CON X. ES DECIR, EXISTE

HETEROCEDATICIDAD, DISPERSION DESIGUAL O VARIANZA DESIGUAL
VAR (Ui) = σ2i, ES DECIR, LA VARIANZA DE LA POBLACION Y YA NO ES CONSTANTE
5. AUSENCIA DE AUTOCORRELACION O
NO CORRELACION SERIAL ENTRE LAS
PERTURBACIONES
DADOS DOS VALORES CUALQUIERA DE X (DIFERENTES
ENTRE ELLOS Xi y Xj, i ≠ j), LA CORRELACION ENTRE
DOS VALORES CUALQUIERA DE U (DIFERENTES ENTRE
ELLLOS Ui y Uj, i ≠ j) DEBE SER CERO (0)
COV(Ui, Uj) = 0
ESTO SIGNIFICA QUE DADO Xi, LAS DESVIACIONES DE
DOS VALORES CUALQUIERA DE Y DE SUS VALORES
PROMEDIO NO EXHIBEN PATRONES DE
COMPORTAMIENTO COMO LOS DE LOS GRAFICOS
SIGUIENTES
 PATRONES DE CORRELACION ENTRE LAS PERTURBACIONES

LAS U ESTAN LAS U ESTAN

RELACIONADAS RELACIONADAS
POSITIVAMENTE, UNA U NEGATIVAMENTE, UNA U
POSITIVA SIGUE UNA U NEGATIVA SIGUE UNA U
POSITIVA, ES DECIR, HAY NEGATIVA, ES DECIR, HAY
CORRELACION SERIAL O CORRELACION SERIAL O
AUTOCORRELACION AUTOCORRELACION

NO HAY UN PATRON
SISTEMATICO PARA LAS U, LO
QUE INDICA CERO
CORRELACION
 6. EL NUMERO DE OBSERVACIONES
(n) DEBE SER MAYOR AL NUMERO DE
PARAMETROS (K) A ESTIMAR
EL NUMERO DE OBSERVACIONES (n) DEBE SER MAYOR
AL NUMERO DE VARIABLES EXPLICATIVAS X
INCLUIDAS EN EL MODELO
 7. VARIABILIDAD EN LOS VALORES DE
X O NATURALEZA DE LAS VARIABLES X:
NO TODOS LOS VALORES DE X EN
UNA MUESTRA DETERMINADA DEBE
SER IGUALES

 LA VAR (X) DEBE SER UN NUMERO POSITIVO

 NO PUEDEN HABER VALORES ATIPICOS DE LA
VARIABLE X, ES DECIR, VALORES MUY GRANDES EN
RELACION CON EL RESTO DE LAS OBSERVACIONES
 7. VARIABILIDAD EN LOS VALORES DE X…..
  8. VARIABLES EXPLICATIVAS NO
ESTAN RELACIONADAS ENTRE ELLAS, ES
DECIR, NO EXISTE MULTICOLINEALIDAD
EL VALOR DE LA VARIABLE EXPLICATIVA Xi NO DEBE ESTAR
INFLUENCIADO POR EL VALOR DE LA VARIABLE
EXPLICATIVA Xj
COV(Xi; Xj)=0
 Reducción del poder explicativo de cualquier variable explicativa
individual en la medida en que está correlacionada con las otras variables
explicativas presentes en el modelo
 SUPONGA QUE Y, X1 y X2 REPRESENTAN EL GASTO EN CONSUMO, EL INGRESO Y LA RIQUEZA DEL
CONSUMIDOR, RESPECTIVAMENTE. SI SE POSTULA QUE Y ESTA RELACIONADO LINEALMENTE CON
X1 y X2, LA TEORIA ECONOMICA SUPONE QUE LOS DOS ANTERIORES PUEDEN TENER ALGUNA
INFLUENCIA INDEPENDIENTE SOBRE Y
 DE NO SER ASI, NO TIENE SENTIDO INCLUIR AMBAS VARIABLES, X1 y X2 EN EL MODELO
 EN LA SITUACION EXTREMA, SI EXISTE UNA RELACION LINEAL EXACTA ENTRE X1 y X2, SOLO HAY
UNA VARIABLE INDEPENDIENTE, NO DOS, Y NO HAY FORMA DE EVALUAR LA INFLUENCIA SEPARADA
DE X1 y X2 SOBRE Y
 9. CAUSALIDAD UNIDIRECCIONAL

LOS VALORES DE LAS VARIABLES EXPLICATIVAS X

AFECTAN EL VALOR DE LA VARIABLE DEPENDIENTE Y,
PERO NO ES POSIBLE QUE LOS VALORES DE LA
VARIABLE DEPENDIENTE Y AFECTEN EL VALOR DE LAS
VARIABLES EXPLICATIVAS X
LA CORRELACION NO ES UNA MEDIDA DE
CAUSALIDAD, SOLO ES UNA MEDIDA DE
ASOCIACION
 10. LOS ERRORES DEBEN DISTRIBUIRSE
NORMALMENTE

LOS ERRORES ESTIMADOS DE LA REGRESION DEBEN

SER GENERADOS POR UN FUNCION DE
DISTRIBUCION NORMAL CON MEDIA CERO Y
VARIANZA CONSTANTE
U ~ N (0; σ2)
 COMO SOLUCIONAR
LOS PROBLEMAS DE LA
REGRESION?
 PROBLEMA SOLUCION
Incremento de muestra, Variable
NO NORMALIDAD Dummy, Forma Funcional, Inclusión
de Variables
Componentes Principales, Omisión
MULTICOLINEALIDAD de Variables, Información Apriori,
Incremento de Muestra
Minimos Cuadrados Generalizados
HETEROSCEDASTICIDAD
(Ponderados)
VARIABLE OMITIDA Inclusión de Variables Relevantes
INADECUADA FORMA
Modificación de la Forma Funcional
FUNCIONAL
EJERCICIOS DE
APLICACION
1. ESTIME EL MRLS DE LA DV EN
FUNCION DEL PV CON EVIEWS
(Use archivo DEMANDA DE VIVIENDA 1)
2. ESTIME EL MRLS DE LA PV ($ Millones)
EN FUNCION DEL AREA (M2) CON
EVIEWS
(Use archivo PRECIO Y AREA DE VIVIENDA)

PV AREA
200.00000 60.00000
220.00000 70.00000
230.00000 74.00000
250.00000 80.00000
300.00000 86.00000
350.00000 96.00000
EN GENERAL, EL ARL PERMITE OBTENER UNA FUNCION LINEAL
DE UNA O MAS VARIABLES INDEPENDIENTES (X) PARA
EXPLICAR O PREDECIR UNA VARIABLE DEPENDIENTE (Y)
EN EL ARL SE PUEDE DIFERENCIAR ENTRE ARLS Y ARLM

MODELO DE REGRESION
LINEAL MULTIPLE (MRLM)
 A DIFERENCIA DE LOS MRLS LOS MRLM,
PERMITEN INCLUIR TANTAS VARIABLES
EXPLICATIVAS COMO SEA POSIBLE
DEPENDIENDO DEL TAMAÑO DE LA
MUESTRA

 EN EL CASO DE LAS VALORACIONES

INMOBILIARIAS ES BIEN CONOCIDO QUE
SON MUCHOS LOS FACTORES QUE
DETERMINAN EL PRECIO DE UN INMUEBLE
Y AL NO CONSIDERARLOS SE ESTARIA
INCURRIENDO EN UN ERROR DE
ESPECIFICACION
  ESTE TIPO DE MODELO INTENTA
EXPLICAR O PREDECIR LA VARIABLE
DEPENDIENTE (Y) A PARTIR DE MAS DE
UNA VARIABLE INDEPENDIENTE (X)
Y = β0 + β1 x1 + + β2 x2 + ε
Donde,
β0 , β1, β2  son los parámetros del modelo
ε  error, variable aleatoria que explica la variabilidad en y que no
se puede ser explicada con la relación lineal entre x y y
Los errores ε se consideran variables aleatorias independientes
distribuidas normalmente con media cero y desviación estándar σ
Esto implica que el valor medio o valor esperado de y, denotado
por E (Y/x) m= β0 + β1x1 + β2x2
 Y = β0 + β1x1 + β2x2+ ε
QUE MIDEN LOS PARAMETROS?
Si X1 aumenta en una unidad, Y
cambia en β1 unidades

Si X1 toma un valor de cero (0), Y

toma el valor de β0+β2x2
 Y = β0 + β1x1 + β2x2+ ε
QUE MIDEN LOS PARAMETROS?
Si X2 aumenta en una unidad, Y
cambia en β2 unidades

Si X2 toma un valor de cero (0), Y

toma el valor de β0+β1x1
 Y = β0 + β1x1 + β2x2+ ε
COMO SE VALIDAN LOS RESULTADOS?
Significancia individual
Significancia global
Cumplimiento de supuestos
• Para ello se utilizan pruebas de
hipótesis individuales y globales con los
estadísticos t de Student, F de Fisher y
Chi Cuadrado χ², y DW
EJERCICIOS DE
APLICACION
 1. ESTIME EL MRLM DE LA DV EN
FUNCION DEL PV, PS, PC, E y Y CON
EVIEWS (Use archivo MODELO 1)
 2. ESTIME EL MRLM DEL PV EN
FUNCION DEL AREA, BAÑOS, EDAD y
GARAJE CON EVIEWS (Use archivo MODELO 2)
 3. ESTIME EL MRLM DE LA DV EN
FUNCION DEL PV, PS, PC, E y Y CON
EVIEWS (Use archivo MODELO 3)