Clases

Ayudanta: jueves hora 4
CURSO ECONOMETRA
PROFESORA: VERNICAGIL PROFESORA: VERNICAGIL
SEGUNDO SEMESTRE 2009
Econometra, 2009-II FACEA-PUC Prof. Vernica Gil
Qu es la econometra? Qu es la econometra? Qu es la econometra? Qu es la econometra?
1930. Fundacin de la Sociedad Economtrica (Revista,
1933)
Sociedad Economtrica:
Objetivo: promover estudios
unificacin de la aproximacin terico-cuantitativa y unificacin de la aproximacin terico cuantitativa y
emprico-cuantitativa a los problemas econmicos
que constituyan reflexiones constructivas y rigurosas
similares a las que han llegado a dominar las ciencias q g
naturales.
Econometra
No es estadstica econmica
No es teora econmica
No es la aplicacin de matemticas a la economa.
Es la unin de estos tres aspectos lo que constituye
Es la unin de estos tres aspectos lo que constituye
econometra.
Definiciones Definiciones Definiciones Definiciones..
Cada texto de Econometra tiene su propia
definicin y las diferencias entre autores son y
tan grandes que hay ms de un paper escrito
sobre ellas.
- Etimolgicamente: Economa Medida - Etimolgicamente: Economa Medida
Sin embargo, este es un concepto vago, porque medir el
PIB, el empleo, la oferta de dinero, etc., no es econometra.
El concepto es ms amplio que este.
Las definiciones van desde:
- Es lo que hacen los econometristas Goldberg q g
- Econometra es diversin Judge y otros.
- Es la aplicacin de mtodos estadsticos y matemticos al
anlisis de los datos econmicos con el propsito de
otorgar contenido emprico a las teoras econmicas
otorgar contenido emprico a las teoras econmicas,
verificndolas o refutndolas Maddala.
Programa Programa Programa Programa
OBJETIVOS DEL CURSO
El curso de Econometra introduce a los alumnos al anlisis economtrico
buscando que al finalizar el curso, estos sean capaces de aplicar conceptos
y tcnicas de inferencia estadstica y econometra bsica a problemas
prcticos en las reas de economa, finanzas, administracin y otros
problemas de las ciencias sociales.
Al final del curso se espera que el alumno maneje el modelo de regresin Al final del curso, se espera que el alumno maneje el modelo de regresin
lineal generalizado (MRLG), pueda interpretar sus resultados en relacin
con lo establecido por la teora econmica, pueda efectuar predicciones
con validez estadstica y sea capaz de sealar las potencialidades y
limitaciones del anlisis emprico.
Es importante notar que si bien este no es un curso de econometra
aplicada, constituye el curso terminal para muchos de los alumnos, por lo
que se dar enfasis a la aplicacin emprica de los conceptos trabajados
que se dar enfasis a la aplicacin emprica de los conceptos trabajados
tericamente en clases.
1. INTRODUCCIN. FUNDAMENTOS DE LA ECONOMETRA CLSICA
1.1 El Mtodo de Anlisis Cientfico.
1.2 Introduccin a la modelacin Economtrica.
1.3 Seleccin del tipo de Modelo
1.4 Seleccin del tipo de Variable.
1.5 Seleccin de la forma funcional.
1.6 Correspondencia entre forma estructural y reducida.
Cristopher A. Sims (1995), mimeo, Macroeconomics and Methodology
Raimundo Soto (2007), mimeo, Notas sobre el Mtodo del Anlisis Cientfico. ( ), ,
2. UN REPASO DE ALGEBRA MATRICIAL (en ayudanta)
2.1 Terminologa.
2.2 Operaciones con matrices.
2 3 Geometra de matrices 2.3 Geometra de matrices.
2.4 Solucin de sistemas de ecuaciones lineales.
2.5 Valores y vectores propios
2.6 Formas cuadrticas
2.7 Diferenciacin matricial.
Edwards, G ; Parra, A (2005) Introduccin Algebra Matricial (mimeo)
Greene, W (1998). Captulo 2. Anlisis Economtrico. Prentice Hall
3. UN REPASO DE PROBABILIDAD E INFERENCIA.
3.1 Variables Aleatorias
3.2 Algunas distribuciones de probabilidad
3.3 Distribuciones multivariantes.
3.4 Muestras y distribuciones muestrales.
3.5 Estimacin mximo verosmil.
3.6 Testeo de hiptesis.
p
Greene, W (1998). Captulo 3 y 4. Anlisis Economtrico. Prentice may
4. MODELO DE REGRESIN LINEAL MLTIPLE
4.1 Formulacin matricial del modelo de k variables
4.2 Propiedades bsicas de los estimadores MICO
4.3 La geometra de los mnimos cuadrados
4.4 Supuestos clsicos y sus consecuencias sobre la estimacin MICO
4.5 Bondad de ajuste y estadgrafos derivados
4.6 Testeo de hiptesis e inferencia
4.7 Prediccin no-condicionada e intervalos de confianza
4.8 Test generalizados de combinaciones lineales de parmetros
4 9 T t d R d V i ilit d d W ld d L 4.9 Test de Razn de Verosimilitud, de Wald y de Lagrange
Johnston, J. Dinardo, J(2001). Captulos 2, 3 y 5 . Mtodos de Econometra.Vicens-Vives.
5. TEST DE ESPECIFICACIN
5.1. Error de especificacin 5.1. Error de especificacin
5.2. Tests bsicos de especificacin
5.3. Omision de variables e inclusin de variables intrusas.
5.4 Test de cambio estructural
5.5. Variables dummies o ficticias y sus distintos usos
5.6. Multicolinealidad.
Johnston, J. Dinardo, J(2001). Captulos 4 . Mtodos de Econometra.Vicens-Vives.
6. MXIMA VEROSIMILITUD, MNIMOS CUADRADOS GENERALIZADOS Y ESTIMADORES DE VARIABLE INSTRUMENTAL
6 1 Estimadores de mxima verosimilitud 6.1 Estimadores de mxima verosimilitud
6.2 Estimacin mxima verosimilitud del modelo lineal
6.3 Tests de la razn de verosimilitudes, de Wald y de multiplicadores de Lagrange
6.4 Estimadores de variable instrumental
6.5 No normalidad de los errores
Johnston, J. Dinardo, J(2001). Captulo 5 (5.1- 5.4) Mtodos de Econometra.Vicens-Vives.
7. HETEROSCEDASTICIDAD Y AUTOCORRELACIN
1. Propiedades de los estimadores MCO
2. Test de heteroscedasticidad
3 Estimacin bajo heteroscedasticidad 3. Estimacin bajo heteroscedasticidad
4. Perturbaciones autocorrelacionadas
5. MCO y perturbaciones autocorrelacionadas
6. Test de autocorrelacin
7. Estimacin de relaciones con perturbaciones autocorrelacionadas
8 Prediccin con perturbaciones autocorrelacionadas 8. Prediccin con perturbaciones autocorrelacionadas
Johnston, J. Dinardo, J(2001). Captulo 6 (6.1- 6.8) Mtodos de Econometra.Vicens-Vives.
8. OTROS TPICOS ESPECIALES
9 1 Introd ccin a los modelos de series de tiempo 9.1. Introduccin a los modelos de series de tiempo
9.2. Introduccin a modelos de datos con panel.
9.3. Introduccin a modelos de regresin de respuesta cualitativa
Johnston, J. Dinardo, J(2001). Captulo 5. Mtodos de Econometra.Vicens-Vives.
Textos bsicos:
Johnston, J. y J. DiNardo Econometric Methods. Fourth Edition. Mc Graw Hill. New York 1997.
(J.D.N).
Johnston J Dinardo J (2001) Mtodos de Econometra Vicens Vives Johnston, J. Dinardo, J. (2001). Mtodos de Econometra.Vicens-Vives.
P Kennedy "A Guide to Econometrics" The MIT Press. Cambridge. Mass 1992 USA
Pgina Web del Curso con material de clases.
Gil, V. y A Lema (2000) Apuntes de Clase, Mimeo.
Soto, Raimundo. Apuntes de Clase
Algunas de las lecturas sern elegidas como temas a estudiar para los controles. Las restantes no
son obligatorias, pero si altamente recomendadas como complemento indispensable de las clases.
Bibliografa complementaria:
Greene, William (1998). Anlisis Economtrico. 3ra. Edicin. Prentice Hall.
Gujarati, D. (2004). Econometra. Cuarta Edicin. McGraw-Hill.
K d P t (1998) A G id t E t i F th Editi MIT P Kennedy, Peter. (1998). A Guide to Econometrics. Fourth Edition. MIT Press.
Maddala, G.S. (1996). Introduccin a la Econometra. 2da. Edicin. Prentice Hall.
Novales, Alfonso (1993). Econometra. 2da. Edicin. McGraw-Hill.
Ayudanta y
Siempre habr un laboratorio o ayudanta semanal, salvo que se indique expresamente otra cosa en
clase.
Horario de atencin a alumnos.
Se sugiere solicitar la reunin va e mail con antelacin
Se sugiere solicitar la reunin va e-mail, con antelacin.
vgilaro@gmail.com
III. REGLAS DE JUEGO. III. REGLAS DE JUEGO.
Fecha Fecha
Si NP>3.95 Ponderacin final
Control 1 8 de Abril 6% 7,69%
Prueba 1 23 de Abril 18% 23,08%
Control 2 6 de Mayo 6% 7,69%
Entrega Trab. 27 Mayo 4%
Prueba 2 11 de Junio 18% 23,08%
Trabajo final 25 de Junio 18%
Examen 13 de Julio 30% 38,46%
100% 100% 100% 100%
*El trabajo ser efectuada en grupos de 2 personas.
Condiciones para aprobar.
Para aprobar el curso es necesario obtener una nota mayor o igual a 3,95 en el promedio reponderado de la actuacin individual, es Para aprobar el curso es necesario obtener una nota mayor o igual a 3,95 en el promedio reponderado de la actuacin individual, es
decir el que surge de Pruebas, Controles y Examen. En dicho caso, la nota final del curso se calcular como la sumatoria de las notas
obtenidas en interrogaciones y tareas cada una de ellas ponderada por el respectivo porcentaje originalmente estipulado. En caso que el
alumno reprobara el curso su nota final es igual al promedio reponderado de la actuacin individual.
La inasistencia a una prueba o control siempre llevar una nota de 1a menos que el alumno presente un certificado mdico en Secretara
Docente que acredite la existencia de una enfermedad que haya impedido su participacin. Si este fuera el caso la nota de esa
Docente que acredite la existencia de una enfermedad que haya impedido su participacin. Si este fuera el caso la nota de esa
interrogacin se reemplazar con la nota del examen.
1.INTRODUCCIN. FUNDAMENTOS DE 1.INTRODUCCIN. FUNDAMENTOS DE
LA ECONOMETRA CLSICA LA ECONOMETRA CLSICA LA ECONOMETRA CLSICA LA ECONOMETRA CLSICA
Econometra:
Una aplicacin del mtodo cientfico en economa.
Teora Econmica
Matemticas
Estadstica
En conjunto todos estos elementos son fundamentales para una comprensin
real de las relaciones cuantitativas en la economa moderna (Frish, 1933)
Objetivos del curso:
Se busca que el anlisis de un fenmeno econmico (en q (
variados mbitos como marketing, macroeconoma, finanzas,
etc.) sea riguroso desde un punto de vista cientfico, para que
sus conclusiones y predicciones sean vlidas en el contexto del
experimento.
Mtodo de Anlisis Cientfico Mtodo de Anlisis Cientfico Mtodo de Anlisis Cientfico Mtodo de Anlisis Cientfico
es el proceso por el cual los cientficos de es el proceso por el cual los cientficos de
manera colectiva y sostenida en el tiempo
intentan construir una representacin intentan construir una representacin
confiable, congruente, y no arbitraria
de las causas de los fenmenos de las causas de los fenmenos.
Proceso Proceso Proceso Proceso
En trminos generales, los cientficos usan g ,
observaciones sobre un fenmeno de inters para
construir hiptesis y deducciones que permitan explicar
la ocurrencia de dicho fenmeno, sus causas, y los , , y
posibles efectos que se derivan del mismo.
La conjuncin de estos tres elementos es llamado La conjuncin de estos tres elementos es llamado
frecuentemente una TEORA.
Dicha teora es sometida a PRUEBAS EMPRICAS que
permiten verificar el contexto en el cual ella es vlida y
sus limitaciones.
Prueba de hiptesis Prueba de hiptesis
dos resultados posibles cuando se prueba una hiptesis o teora:
(i) la teora o hiptesis es congruente con las observaciones, o
(ii) sta es incongruente con los datos.
Una teora no es cierta sino simplemente congruente con la
evidencia emprica
El experimento puede fallar:
1.Rechazar una hiptesis cuando sta es verdadera.
2.No rechazar una hiptesis cuando sta es falsa.
Cuando un investigador seala que no rechaz una hiptesis al
90% quiere decir que si la hiptesis es verdadera, entonces su
medio de prueba va a indicar que la hiptesis es cierta un 90% de medio de prueba va a indicar que la hiptesis es cierta un 90% de
las veces.
el problema de no rechazar una hiptesis cuando sta es falsa es el
ms gra e porq e hace creer al in estigador q e la teora es
ms grave porque hace creer al investigador que la teora es
congruente con los datos.
Restricciones en el Caso que el Restricciones en el Caso que el
Experimento es nico Experimento es nico Experimento es nico Experimento es nico
y no Puede ser Replicado y no Puede ser Replicado
Las ciencias naturales le han otorgado poco valor al g p
anlisis estadstico de los fenmenos.
Gran parte de los fenmenos naturales pueden ser estudiados
en laboratorios bajo condiciones experimentales controladas. j
Los experimentos pueden ser replicados por distintos cientficos
con el fin de verificar la validez de los resultados de algn
estudio previo.
En la mayora de los problemas econmicos no resulta
factible realizar un anlisis experimental en
circunstancias absolutamente controladas.
Fsica cuntica
Otro enfoque: estadstico e inferencial, sobre la base de
la evidencia emprica (de los resultados): errores
la evidencia emprica (de los resultados): errores
Errores del anlisis emprico Errores del anlisis emprico Errores del anlisis emprico Errores del anlisis emprico
Los errores del anlisis emprico tienen varias fuentes. p
errores aleatorios:
los errores de medicin
Aleatoriedad del comportamiento humano.
E i t ti Errores sistemticos
sesgo
Debido a que toda medicin contiene error, ningn
experimento ser absolutamente preciso experimento ser absolutamente preciso.
Existen tcnicas estndares y completamente aceptadas para
reducir dichos erroresel anlisis estadstico.
precisin de cada experimento: siempre que un investigador se precisin de cada experimento: siempre que un investigador se
refiera a resultados cuantitativos debe sealar el grado de precisin
del anlisis o el error de medicin envuelto en el estudio.
Errores clsicos en la aplicacin del Errores clsicos en la aplicacin del
mtodo cientfico mtodo cientfico mtodo cientfico mtodo cientfico
Sesgo antes de probar o pre-testeo g p p
Tomar la hiptesis por una verdad que no debe ser
probada de manera experimental usando la evidencia
emprica. p
En ocasiones el sentido comn y la lgica tientan al
cientfico hacindolo creer que la prueba emprica es
irrelevante porque la supuesta verdad de la explicacin es
suficiente suficiente.
Ignorar o eliminar evidencia que no es
concordante o no sirve para apoyar una
hiptesis hiptesis.
Correlaciones espurias.
Equivalencia observacional (dos teoras
Equivalencia observacional (dos teoras
producen las mismas predicciones)
Modelacin Economtrica Modelacin Economtrica Modelacin Economtrica Modelacin Economtrica
Probabilidad y teora de la Probabilidad y teora de la
distribucin distribucin
Variables aleatorias Variables aleatorias Variables aleatorias Variables aleatorias
Definicin:
Funcin cuyo rango de valores es conocido ex-ante pero el valor
que toma es slo conocido ex-post que toma es slo conocido ex-post
X es una variable aleatoria, porque, hasta que el
experimento no se lleve a cabo el valor de la realizacin experimento no se lleve a cabo, el valor de la realizacin
de X es incierto.
Para cuantificar esa incertidumbre a las realizaciones Para cuantificar esa incertidumbre, a las realizaciones
se les asignan probabilidades.
Prob (X = x)
donde X es el conjunto de valores y x es un elemento (realizacin) j y ( )
de la funcin.
Variable aleatoria discreta
Variable aleatoria continua
Distribucin de Probabilidades Distribucin de Probabilidades
El conjunto de valores x que toma una variable X y sus
probabilidades asociadas forman una funcin de probabilidades
f(x) f(x)
Exigiremos que las funciones de probabilidades cumplan:
VA discretas VA continuas
f(x)=Prob(X=x) Prob(X=x)=0
}
b
0 s P(X=x) s 1
=1 ) (
i
x f
0 ) ( ) ( Pr > = s s
}
a
dx x f b X a ob
1 ) ( =
}
+
dx x f
1 ) (
}

dx x f
Funcin distribucin Funcin distribucin
Para cualquier variable aleatoria, la probabilidad de que X sea
menor que a, se indica por F(a).
F(X) es la funcin distribucin
VA discretas VA continuas
) ( ) ( ) (

X P f F
x
) ( ) ( ) (

s
= =
x X
i
X P x f x F
}

=
x
dt t f x F ) ( ) (
Cmo describimos variables Cmo describimos variables
aleatorias de modo eficiente? aleatorias de modo eficiente? aleatorias de modo eficiente? aleatorias de modo eficiente?
Medidas de tendencia cental: Esperanza Medidas de tendencia cental: Esperanza,
Mediana, Moda
Medidas de dispersin: Varianza Medidas de dispersin: Varianza
Medidas de simetra: Skewness
Medidas de apuntamiento: Kurtosis
Esperanza Esperanza Esperanza Esperanza
Es el promedio de las realizaciones de X
ponderado por su probabilidad de
ocurrencia.
= =
}
discreta si ) (
) (
x
i
x xf
X E
}
x
continua si ) (
) (
i
x xf
X E
REGLAS DE LA ESPERANZA
1. E(X + Y) = E(X) + E(Y)
2. E(bX) = bE(X)
3. E(b) = b
Y = b
1
+ b
2
X
E(Y) = E(b + b X) E(Y) = E(b
1
+ b
2
X)
= E(b
1
) + E(b
2
X)
b b E(X) = b
1
+ b
2
E(X)
8
Varianza Varianza Varianza Varianza
( ) | |
( )
( )

= = =
}
2
2
2
2
discreta si ) (
) ( ) (
x f x
X E X E X Var
x
o ( ) | |
( )
}
x
2
continua si ) (
) ( ) (
dx x f x
| | | |
2 2 2
) ( o = = X E X Var
Reglas:
2
0 ) (
) ( ) (
2
=
= +
a V
X V b bX a Var
Otras medidas Otras medidas Otras medidas Otras medidas
( ) | |
3
= X E asimestra
( ) | |
4
= X E kurtosis
Para las distribucin simtricas
Asimetra=0
Kurtosis: medida del espesor de las colas. Kurtosis: medida del espesor de las colas.
Algunas distribucin continuas Algunas distribucin continuas Algunas distribucin continuas Algunas distribucin continuas
Distribucin normal Distribucin normal Distribucin normal Distribucin normal
La distribucin normal
( )
(
(
=
2
2
2 / 1
2
2
1
) , / (
o
t o
o
x
e x f
X~N(,o
2
)
La normalidad se mantiene para transformaciones lineales
2t o
p
Si X~N(,o
2
) (a+bX) ~N(a+b, b
2
o
2
)
Una transformacin til es a=-/o b= /o donde la distribucin
resultante resultante
sigue una distribucin N(0,1)
o

=
X
Z
2 /
2
2
1
) (
z
e z

=
t
|
La distribucin es simtrica
o
|
.
|
\
|

<
<
= < <
o
o

o
b X a
ob b X a P Pr ) (
) ( 1 ) ( z z | | =
Chi cuadrado Chi cuadrado Chi cuadrado Chi cuadrado
se deriva de la normal se deriva de la normal
2
n
2
n
2
2
2
1
2
i
i
n 1
~ Z Z Z Z
ntes independie ), 1 , 0 ( N ~ Z
. A . sonV Z Z Si
_ + . + + =
)
`

o = _ > _
o
) ( P
2 2
la probabilidad de que
o
cualquier valor de la chi-cuadrado sea mayor a
2
o
_ es igual al rea que se acumula arriba y a
la derecha de
2
o
_
0
2
o
_
Corolarios Corolarios Corolarios Corolarios
Si z~N(0,1)x=z
2
~_(1)
Si z~N(0,o
2
), independientes

~
n
i
n
z
2
) ( _ Si z N(0,o ), independientes

n
1
2
) ( _
o
si x1 ~_(n1) y x2 ~_(n2), independientes,
X1+x2 ~_(n1+n2)
Si Zi son variables aleatorias independientes y
2
k i
i
~ Z _
_
2
Z

_
k
i
i
~ Z
Distribucin t (student) Distribucin t (student) Distribucin t (student) Distribucin t (student)
1 1 2
1
t ~
k Z Z
t ~ Z
) 1 , 0 ( N ~ Z
= =
_
k
2 2
2 1
k 2
t ~
Z k / Z
t
ntes independie son Z y Z
~ Z = =
)
`
_
P(-t
o/2
< t < t
o/2
) = 1-o
o/2
(
o/2 o/2
)
0
-t
o/2
t
o/2
Igual forma de la distribucin normal, pero
0
o/2 o/2
colas ms anchas
Distribucin F Distribucin F Distribucin F Distribucin F
2 1 2
1
k k
1 1 2
k 2
2
k 1
, F ~
k / Z
k / Z
F ~ Z
~ Z
=
_
_
2 2
2 1
k / Z
Z de nte independie es Z

)
o = >
o
) F F ( P la probabilidad de
que cualquier valor de la F sea mayor a
F
o
es igual al rea que se acumula arriba
y a la derecha de F
o
y a la derecha de F
o
0 F
o
2
t
k
2
= F
1
, k
Distribuciones con muchos grados de Distribuciones con muchos grados de
lib t d lib t d libertad libertad
distribucin lmite: aproximaciones para grados distribucin lmite: aproximaciones para grados
de libertad mayores que los tabulados.
con ms de 100 grados de libertad, la t tiende a la
l t d normal estndar.
si x ~_(n), con n>30, una aproximacin es:
( ) ( ) ) 1 , 0 ( 1 2 2
2 / 1 2 / 1
N n x z ~ =
| |
2 / 1 2 / 1 2
) 1 2 ( ) 2 ( ) ( Pr ~ s n a a ob | _
89 . 0 ) 24 . 1 ( Pr ) 139 170 ( Pr ) 85 ( Pr
2
= < = < ~ s z ob z ob ob _
| | ) 1 2 ( ) 2 ( ) ( Pr ~ s n a a ob | _
Si los grados de libertad del denominador de una F son
elevados,
cuando n2 tiende a infinito, el denominador de la F tiende a 1, por
l 1F d t t di t ib i hi d d
lo que : x=n1F se puede tratar como una distribucin chi cuadrada
con n1 grados de libertad.
Distribuciones conjuntas Distribuciones conjuntas Distribuciones conjuntas Distribuciones conjuntas
Es posible que dos (o ms) variables puedan
d it f i d b bilid d ser descritas por una funcin de probabilidades
conjunta
b d
( )
= s s s s

} }
s s s s b x a d y c
b
a
d
c
y x f
dxdy y x f
d y c b x a P
discreta si ) , (
continua si ) , (
,
Ejemplo: probabilidad de observar mujeres entre
30 y 50 aos con entre 2 y4 hijos.
El objetivo principal de las ciencias sociales y la
economa en particular es describir (modelar)
distribuciones conjuntas
distribuciones conjuntas.
Distribuciones marginales Distribuciones marginales Distribuciones marginales Distribuciones marginales
Suponiendo que existe la densidad conjunta, que probabilidad tiene
x de ocurrir independientemente de los valores que tome y ? x de ocurrir, independientemente de los valores que tome y ?
Es decir, tomamos la conjunta y sumamos sobre todo los posibles
valores de la otra variable:
=
}
ti i t)dt f(
discreto si ) , (
) (
y
x
y x f
x f
Dos variables aleatorias son independientes, si y solo si, su funcin de
}
y
continuo si t)dt f(x,
p , y ,
densidad conjunta es el producto de sus funciones de densidad
marginales.
Covarianza y correlacin Covarianza y correlacin Covarianza y correlacin Covarianza y correlacin
( )( ) | |
xy y x y x
u u xy E u y u x E y x o = = = ) ( ) , cov(
Si x e y son independientes, la covarianza es
cero.
El signo de la covarianza indica la direccin de
la variacin conjunta de X e Y.
Corolarios
) ( ) , ( 2 ) ( ) ( ) (
) ( ) ( ) (
2 2
by ax V y x abCOV y V b x V a c by ax V
c y bE x aE c by ax E
+ = + + = + +
+ + = + +
Propiedades Propiedades Propiedades Propiedades
Si Y = V + W Cov(X Y) = Cov(X V) + Cov(X W) Si Y = V + W, Cov(X, Y) = Cov(X, V) + Cov(X, W)
Si Y = bZ, donde b es constante, Cov(X, Y) = Cov(X, bZ) = bCov(X, Z)
Si Y = b, donde b es constante, Cov(X, Y) = Cov(X, b) = 0
) , ( ) ( ) ( ) ( ) , ( y x Cov bc ad y bdV x acV dy cx by ax Cov + + + = + +
COEFICIENTE DE CORRELACIN
2 2
Y X
XY
XY
o o
o
=
Distribuciones condicionales Distribuciones condicionales Distribuciones condicionales Distribuciones condicionales
Para ciencias sociales, la distribucin ms interesante es la condicional,
es decir cul es la densidad (descripcin) de x condicional en que y es decir cul es la densidad (descripcin) de x condicional en que y
tome algn cierto valor.
Teorema de Bayes y
) (
) , (
) / (
f
y x f
x y f =
) , (
) / (
) (
) (
y x f
f
x f
y f
x
) (
) , (
) / (
y f
y x f
y x f
y
=
Media condicional Media condicional Media condicional Media condicional
discreta si ) / ( x y yf
la media condicional E[y|x] es
=
}
y
continua si ) / (
) / (
dy x y yf
x y E
y
la media condicional E[y|x] es
exactamente el concepto de una
regresin lineal en econometra
Varianza condicional (cedstica) Varianza condicional (cedstica)
| | | | | | | |
2
2
2
) / ( / / ) / ( ) / ( x y E x y E x x y E y E x y V = =
Relacin entre momentos Relacin entre momentos
di i l i l di i l i l condicionales y marginales condicionales y marginales
Ley de las esperanzas iteradas Ley de las esperanzas iteradas
| | ) / ( ) ( x y E E y E =
Ley de las esperanzas iteradas Ley de las esperanzas iteradas
| | ) / ( ) ( x y E E y E
x
Descomposicin de Varianzas Descomposicin de Varianzas
| | | | ) / ( ) / ( ) ( x y V E x y E V y V
x x
+ =
Repaso de inferencia Repaso de inferencia Repaso de inferencia Repaso de inferencia
Por qu inferir? Por qu inferir? Por qu inferir? Por qu inferir?
Las distribucines estudiadas antes sirven de modelo para los
b t l d t b d procesos subyacentes que generan los datos observados.
Inferencia: permite combinar esas distribuciones tericas y las
observaciones de un modelo empricomuestra
Una muestra de tamao n es una muestra aleatoria si las Una muestra de tamao n es una muestra aleatoria si las
observaciones provienen de una misma poblacin (distribucin de
probabilidad) y son independientes.
Esa distribucin queda representada por un conjunto de parmetros
() desconocidos () desconocidos.
Objetivo: inferir de la muestra (es decir, observaciones) el valor
ms probable de .
La muestra se dice est independiente e identicamente distribuda p
(iid)
La inferencia ser en muestras de corte transversal, series de
tiempo, o panel.
Estadsticos descriptivos Estadsticos descriptivos Estadsticos descriptivos Estadsticos descriptivos
n
i
x
n
n
x media = =
1
( ) | |
3
E
=
X
cs
( )
n
i
x
n
x x
s Varianza
= =

1
1
2
2
( ) | |
3
o
= cs
( )( )
n
i i
xy
y y x x
s ianza Co

= =

var
1
( ) | |
3
4
4
E
=
o
X
k
xy
xy
s
r n Correlaci
n
s ianza Co
= =
1
var o
y x
xy
s s
r n Correlaci = =
RIESGO Y RETORNO RIESGO Y RETORNO (absoluto, ex (absoluto, ex
post) post)
23%
25%
17%
19%
21%
a
n
u
a
l
i
z
a
d
o
)
13%
15%
17%
R
e
t
o
r
n
o

d
i
a
r
i
o

p
r
o
m
e
d
i
o

7%
9%
11%
(
r
e
t
o
r
n
o

5%
7%
2% 3% 4% 5% 6% 7% 8% 9%
Riesgo
(desviacin estandar anualizada)
77%
57%
67%
47%
A
B
27%
37%
C
D
E
17%
27%
7%
-3%
-15.0% -10.0% -5.0% 0.0% 5.0% 10.0% 15.0%
TEST DE NORMALIDAD TEST DE NORMALIDAD TEST DE NORMALIDAD TEST DE NORMALIDAD
Existen test que permiten verificar si los datos con los
que estamos trabajando son coherentes con una que estamos trabajando son coherentes con una
distribucion normal. Uno de ellos es el test de Jarque-
Bera
E t b i tti b l t Esta es una prueba asinttica que se basa en el tercer y
cuarto momento de la distribucin (asimetra y curtosis
respectivamente).
( )
3
n
X X
( )
4
n
X X
i

3
.
o
n
S ASIMETRA C = =
4
.
o
n
CURTOSIS C =
Para una distribucin normal el coeficiente de
i t l fi i t d t i 3 asimetra es cero y el coeficiente de curtosis es 3.
(
) 3 C ( S
2 2
(

+ =
24
) 3 C (
6
S
n JB
2 2
Bajo la hiptesis nula de que los residuos estan
normalmente distribuidos, Jarque y Bera demostraron normalmente distribuidos, Jarque y Bera demostraron
que asintticamente el estadistico J sigue una
distribucin chi-cuadrado con dos grados de libertad.
Si el valor JB es grande comparado con el valor de una
distribucin chi-cuadrado con dos grados de libertad,
h l hi t i l h lid d
rechazo la hiptesis nula, rechazo normalidad.
12
10
12
Series: SER01
Sample 1 77
Observations 77
6
8
Mean 28.46104
Median 27.50000
Maximum 62.50000
Minimum 10.00000
Std D 10 02522
2
4
Std. Dev. 10.02522
Skewness 0.636164
Kurtosis 3.606426
Jarque-Bera 6 373578
0
10 20 30 40 50 60
Jarque Bera 6.373578
Probability 0.041304
RECH HO SI JB>5.99, RECH
NORMALIDAD
Distribucin muestral Distribucin muestral Distribucin muestral Distribucin muestral
Las medidas anteriores resumen la informacin
muestral.
Nuestra expectativa es que los valores de los
estadsticos tiendan a parecerse a los valores estadsticos tiendan a parecerse a los valores
poblacionales.
Teorema: distribucin muestral de la media
(independiente de la distribucin) (independiente de la distribucin)
Si {x1, x2, ..., xn} es una muestra aleatoria extradas de una
poblacin con media y varianza , entonces x es una
variable aleatoria con media y varianza /n variable aleatoria con media y varianza /n.
La idea es que la muestra reproduce el
comportamiento de la poblacin, es una afirmacin
acerca de la distribucin muestral del estadstico
acerca de la distribucin muestral del estadstico
muestral.
Distribucin muestral de un estimador Distribucin muestral de un estimador
S li i t t tid Supongamos que realizamos un experimento en muestras repetidas:
dejamos fijos los valores de la variable independiente y obtenemos nuevas
observaciones de la variable dependiente a travs de cambios en la
perturbacin estocstica.
Repetimos el experimento 2000 veces
Para cada una de las 2000 muestras utilizamos un estimador (u*) y Para cada una de las 2000 muestras utilizamos un estimador (u ) y
calculamos la estimacin de u.
Como las muestras son distintas tendremos distintas estimaciones. La
distribucin de estas estimaciones se llama DISTRIBUCIN MUESTRAL DE distribucin de estas estimaciones se llama DISTRIBUCIN MUESTRAL DE
u *f(u *)
La forma que tenga esta distribucin muestral depende del estimador q g p
utilizado y de la forma en que son generados los datos.
Un estimador ser insesgado si la media de la distribucin muestral es
igual a u. Aunque la media no es una medida ideal de posicin, en general se
igual a u. Aunque la media no es una medida ideal de posicin, en general se
prefiere un estimador insesgado, deseando que la estimacin en particular
estar proxima a la media de la distribucin muestral.
Caractersticas de los estimadores Caractersticas de los estimadores Caractersticas de los estimadores Caractersticas de los estimadores
Un estimador es una regla o estrategia (frmula) Un estimador es una regla o estrategia (frmula)
para utilizar los datos con el fin de estimar un
parmetro. p
Esta regla se define ex ante y por eso tiene una
distribucin de probabilidad.
Propiedades:
En muestras finitas
insesgamiento
varianza mnima
Mxima verosimilitud
Mxima verosimilitud
Propiedades asintticas.
Insesgamiento Insesgamiento
u u = )
( E
Esto NO quiere decir que
u u = ) ( E
u u =
Si se calcula el estimador para muestras repetidas,

"en promedio" estaremos sobre el parmetro
poblacional. p
sesgo es cero
El estimador es impreciso, por lo que tiene un mrgen
de error (desviacin estndar) que no podemos olvidar.
Intervalos de confianza son imprescindibles.
Eficiencia Eficiencia Eficiencia Eficiencia
Cmo elegimos entre estimadores que son
todos insesgados? todos insesgados?
Ser mejor el que tenga la varianza ms Ser mejor el que tenga la varianza ms
pequea, es decir el que sea eficiente. Pero el
criterio de mnima varianza no puede ir solo, sino p ,
acompaado de otro como insesgamiento (ej).
Si la distribucin del error es conocida se
puede calcular la cota de Kramer-Rao.
u*
u **
u
Si tengo un estimador con mnima varianza, estar
seguro que es el mejor estimador? No, depende del sesgo.
ERROR CUADRTICO MEDIO
| |
2
| |
2
2
)
( )
( )
( u u u u sesgo Var E ECM + = =

El estimador |
*
es
sesgado, pero con menor
varianza
^
f (u
*
)
varianza
El estimador | es
insesgado pero con mayor
varianza varianza.
Para poder elegir entre
ellos debo comparar el
f (u)
^
ECM, que resume varianza
y sesgo.
Debieramos elegir el
g
estimador con menor
ECM.
u E(u
*
) = u
Mtodo de Mxima Verosimilitud Mtodo de Mxima Verosimilitud Mtodo de Mxima Verosimilitud Mtodo de Mxima Verosimilitud
El principio de mxima verosimilitud est basado en la idea de que p p q
la muestra en particular es ms probable que provenga de una
distribucin que tenga un determinado set de parmetros que de
otra.
El estimador mximo verosimil (MLE) de u es simplemente el vector
u
MLE
que da la mayor probabilidad de obtener la muestra en
particular.
Funcin de verosimilitud Funcin de verosimilitud Funcin de verosimilitud Funcin de verosimilitud
En una muestra aleatoria de n observaciones, la funcin densidad de
cada observacin es f(xi, u). Dado que las observaciones son
i d di l d id d j independientes, la densidad conjunta es:
) / ( ) (
) , ( ).... , ( ) , ( ) , , , (
2 1 2 1
n
n n
f
x f x f x f x x x f .
u u
u u u u =
[
La funcin L(u) es la funcin de versimilitud de u
E t l f i d i ilit d id l b bilid d l d t
) , , / ( ) , (
2 1
1
n i
x x x L x f . u u = =
[
Esta es la funcin de verosimilitud que mide la probabilidad que los datos que
disponemos vengan de una misma distribucin f (x,).
Propuesta: por qu no buscamos el que hace mxima la probabilidad que
los datos vengan de f (x,)?
E t i i l f i d i ilit d d ibi (1) En trminos genricos, la funcin de verosimilitud se puede escribir como (1)
lo que haremos ser buscar aquel que hace mximo la funcin de
verosimiltud, es decir, la probabilidad que los datos vengan de la distribucin f.
Maximizar L(|x) es lo mismo que maximizar Log L(|x) debido a que log es
una transformacin monotnica
una transformacin monotnica.
Estimador Mximo verosmil Estimador Mximo verosmil Estimador Mximo verosmil Estimador Mximo verosmil
El estimador de mxima verosimilitud ser aquel que
l cumpla:
0
) , , / (
2 1
=
c u
n
x x x L .
Ese es el estimador de mxima verosimilitud y es ptimo.
cu
Es insesgado, de varianza mnima
Consistente
Normalidad asinttica
Eficiencia Asinttica: es asintticamente eficiente y alcanza
Cramer-Rao.
Invarianza
INTRODUCCION A MXIMA VEROSIMILITUD
Sea una distribucin normal, con media y desvo estndar o.
2
| |
2
2
1
2
1
) (
|
.
|
\
|

=
o

t o
i
X
i
e X f
|
|
|
|
|
|
|
.
|
\
|

|
.
|
\
|

2
2
1
2
2
1
1 1
1

n
X X
La distribucin conjunta para una muestra de n observaciones, est dada por :
|
|
.
\

|
|
.
\
|
.
\
|
.
\
2 2
2
1
...
2
1
o o
t o t o
e e
|
|
|
|

|
|
|
|
=
|
.
|
\
|

|
.
|
\
|

2
2
1
2
2
1
1
2
1
...
2
1
) ,..., | , (
1
o

o

o
n
X X
n
e e X X L
|
.
\
|
.
\
1
2 2
) , , | , (
t o t o
n
46
Esta funcin, se puede reinterpretar como la funcin de verosimilitud para y o, dada la
muestra de observaciones.
Encontraremos los valores de y o que maximizan esta funcin. Lo haremos
indirectamente maximizando log L. g
(
(
|
|
.
|
\
|

|
|
.
|
\
|
=
|
.
|
\
|

|
.
|
\
|

2
2
1
2
2
1
2
1
...
2
1
log log
1
o

o

t o t o
n
X X
e e L
(
. \ . \
(
|
|
|
|
|
|
|
|
|
|
|
|
2
1
2
1
1 1
1
X X
n
| | | |
(
(
|
|
|
.
|
\
|

|
|
|
.
|
\
|
=
| | | |
|
.
|
\
|
|
.
|
\
|
2
1
2
1
2 2
2
1
...
2
1
log log
1
t o t o
o

o

X X
e e L
n
|
|
|
.
|
\
|
+ +
|
|
|
.
|
\
|
=
|
.
|
\
|
|
.
|
\
|
2 2
2
2
1
2
2
1
2
1
log ...
2
1
log
1
t o t o
o

o
X X
e e
n
( ) ( )
|
|
|
|
|
|
|
|
|
|
.
|
\
|

|
.
|
\
|

|
.
|
\
|
=
2 2
2 2
1
1 1 1 1
l
1
l
2
1
...
2
1
2
1
log
o

o

t o
n
X X
n
49
( ) ( )
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=
2 2
1
2
2
1
...
2
1 1
2
1
log
1
log
o t o
n
X X n n
( ) ( )
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=
2 2
1
2
2
1
...
2
1 1
2
1
log
1
log log
o t o
n
X X n n L
( )

|
.
|
\
|
+ =
. \ . \ . \
2
2
2 2
1
log log
2 2 2
o
t
o
o t o
i
X n n
. \
2 2t
| |
c c L 1 1 1 l
( ) ( )
| |
|
.
|
\
|

c
c
=
c
c

o
X X
X X
L
n
2 2
1
2
) ( ) (
1
2
1
...
2
1 1 log
| |
( )
=
+ + =

o
n X
X X
i
n
2
1
2
1
) ( ... ) (
1
( )

o
i
2
X
L
= =
c
0
log
51
X = =
c

0
( ) ( )
|
.
|
\
|
+
|
.
|
\
|
+
|
.
|
\
|
=
2 2
1
2
2
1
...
2
1 1
2
1
log
1
log log
o t o
n
X X n n L
( )

|
.
|
\
|
+ =
. \ . \ . \
2
2
2 2
1
log log
2 2 2
o
t
o
o t o
i
X n n
. \
2 2t
cl L
+ =
c
c
2 3
) (
log
o
o o
i
X
n L
0 ) (
0
log
2 3
= + =
c
c
o
o o
i
X
n L
2 2
) ( Var ) (
1
2 2
X X X
i
= =

o
0 ) (
2 2
= +

X X n
i
o
) ( Var ) ( X X X
n
i

o
Propiedades Asintticas: Consistencia Propiedades Asintticas: Consistencia Propiedades Asintticas: Consistencia Propiedades Asintticas: Consistencia
En muchos problemas economtricos es imposible p p
encontrar estimadores con las propiedades anteriores.
Sin embargo, muchas veces se puede justificar la
utilizacin de un estimador en base a sus propiedades utilizacin de un estimador en base a sus propiedades
asintticas.
La distribucin muestral de un estimador muchas veces
cambia en la medida que cambia el tamao muestral cambia en la medida que cambia el tamao muestral.
Es posible que el sesgo de un estimador se haga cada vez mas
pequeo en la medida que aumenta n.
P t l li l i d d d bl d Por esta razn al analizar las propiedades deseables de un
estimador se deben tener en cuenta las propiedades asintticas
o de muestras grandes del mismo:
Convergencia en probabilidad
Convergencia en probabilidad
Convergencia en distribucin
Convergencia en probabilidad Convergencia en probabilidad Convergencia en probabilidad Convergencia en probabilidad
La variable aleatoria x
n
converge en probabilidad a
t t i una constante c si
( ) 0 lim = > c c x
P
Se dice que plim (x )=c
( ) 0 lim = >

c c x
n
n
P
Se dice que plim (x
n
)=c
Convergencia en media cuadrtica:
si x
n
tiene media
n
y varianza o
2
n
, tal que lim
n
=c y si x
n
tiene media
n
y varianza o
n
, tal que lim
n
c y
lim o
2
n
=0, entonces plim (x
n
)=c
La convergencia en media cuadrtica implica la
i b bilid d
convergencia en probabilidad.
Estimador consistente Estimador consistente Estimador consistente Estimador consistente
Un estimador es consistente si
( )
( ) u u =
lim p
Convergencia en distribucin:
distribucin lmite: si xn convergen en distribucin a
x siendo F(x) la fx de x entonces F(x) es la x, siendo F(x) la fx de x, entonces F(x) es la
distribucin lmite de x,
x x
d
Distribucin asinttica: es una distribucin que se usa

para aproximar la verdadera distribucin muestral de
x x
n

para aproximar la verdadera distribucin muestral de
una variable aleatoria
f(x)
100
)
( f |
40
)
( f |
20
)
( f |
|
Propiedades de los estimadores Propiedades de los estimadores
MV MV MV MV
Consistentes
( ) u u =
lim P
Asintticamente normales ( ) | | u u u
1
,

I N
a
Asintticamente eficiente
( ) | |
2
, 0
o u u N n
d

Invarianza: si es el EMV de y g() es una
funcin continua de Luego g( ) es el EMV
u
funcin continua de . Luego, g( ) es el EMV

de g().
u
Testeo de hiptesis Testeo de hiptesis Testeo de hiptesis Testeo de hiptesis
Supongamos que tenemos un estimador y su varianza.
Podemos preguntarnos si ste calza con un prejuicio nuestro. Testeo de
hiptesis.
Con algn grado de incertidumbre podremos rechazar o no la presuncin
que nuestro prejuicio sea correcto.
El procedimiento nos pide tener una hiptesis nula (Ho) y una hiptesis
alternativa (H1) mutuamente excluyentes, en general. ( ) y g
El test rechaza o no rechaza Ho.
Se rechaza (o no) con determinada probabilidad.
Como el testeo se hace con variables aleatorias, es probable cometer errores
Tipo I: Rechazar Ho cuando es verdadera
Tipo II: No rechazar Ho cuando es falsa
Nte que la distinta naturaleza de los errores lleva asociado dos distintos
conceptos tiles: conceptos tiles:
Nivel de significancia (Tamao del Test): es la probabilidad de cometer error tipo
I, que usualmente llamamos .
Poder del Test: es la probabilidad de que el test correctamente rechaze Ho
cuando es falsa, es decir 1- (donde es la probabilidad de cometer error tipo
II)
II).
Un test ser ms potente que otro si tiene ms poder que otro para todo
tamao.
Tres teoremas Tres teoremas Tres teoremas.. Tres teoremas..
Teorema Central de Lmite: si X es la
di d t l t i d
X
X
media de una muestra aleatoria de
tamao n que se toma de una
poblacin con media y varianza finita
o2, entonces

o

=
n
) 1 , 0 ( N ~
n /
X
z de ite lm
Si S2 es la varianza de una muestra
aleatoria de tamao n tomada de una
poblacin normal que tiene la varianza
1
2
2
2
2
) 1 (
~
= n
S n
_ _
o2, entonces el estadstico, entonces
Si X es la media de una muestra
aleatoria de tamao n que se toma de
2
_
o
_
X
aleatoria de tamao n que se toma de
una poblacin normal con media y
varianza finita y desconocida o2, pero
varianza estimada S2, entonces el
estadstico
1 n
t ~
n / S
X
t

=
estadstico
Testeo de hiptesis Testeo de hiptesis
El procedimiento se basa en utilizar un estimador y su distribucin,
considerando que sta se cumple bajo la hiptesis nula. considerando que sta se cumple bajo la hiptesis nula.
Supongamos,
luego,
n
t ~
u
o u
o o
1 )
(
2 / 2 /
= s s t t P
luego,

Bajo Ho,u
~ t
n

t t
o/2
0
-t
c
t
c
Acepto la hiptesis nula (Ho)
No rech H
0

Rech Ho
Rech Ho

Si cae en alguna de las colas de la distribucin
(Rech H0) puede ser por dos razones
2
u
(Rech H0), puede ser por dos razones
La hiptesis nula es cierta, pero se ha elegido una muestra
equivocada.
La hiptesis nula es efectivamente falsa La hiptesis nula es efectivamente falsa.
H0 cierto H0 falso
.
Rech H0 Error I Ok
No Rech H0 Ok Error II
Al hacer test de hiptesis, estoy fijando en o, la
probabilidad de cometer error I
o = P(Error Tipo I) = P(Rech H0/H0 es cierto)
u bajo H
0
u bajo H
^
^
u bajo H
0
u bajo H
1
Rechazo H
0
P (E Ti I) P (R h H / H i ) o = P (Error Tipo I) = P (Rechazar H
0
/ H
0
es cierto)
Al minimizar la probabilidad de error I , se aumenta la
probabilidad de cometer error II.
| = P (Error Tipo II) = P (No rechazar H
0
/ H
0
es falso)
t
c
P (EII) ( )
t
c
P (EII)
PONTIFICIAUNIVERSIDAD CATLICA PONTIFICIA UNIVERSIDAD CATLICA
FACULTAD DE CIENCIAS ECONMICAS Y ADMINISTRACIN
ECONOMETRA: MATRICES ECONOMETRA: MATRICES ECONOMETRA: MATRICES ECONOMETRA: MATRICES
Prof. Vernica Gil
Pontificia Universidad Catlica de Chile
1 TERMINOLOGA 1 TERMINOLOGA 1. TERMINOLOGA. 1. TERMINOLOGA.
DEFINICIN: una matriz es un arreglo rectangular de
elementos a donde i representa la fila en que se elementos a
ij
donde i representa la fila en que se
encuentra el elemento y j representa la columna en que
se encuentra.
Por ejemplo, la matriz A=
|
|
|
|
4 3 1
Por ejemplo, la matriz A
El elemento a
21
=2
|
|
.
\
3 1 2
Dimensin: (orden) es el numero de filas y columnas que
tiene la matriz
tiene la matriz
A es de 23.
1 TERMINOLOGA 1 TERMINOLOGA 1. TERMINOLOGA. 1. TERMINOLOGA.
VECTOR: es un conjunto ordenado dispuesto en una fila (vector
fila) o en una columna (vector columna )
Se usa la notacn x para vector columna, por tanto x es el vector
fila.
Matriz simtrica: es aquella en la que a
ik
=a
ki
Por ejemplo la matriz Por ejemplo, la matriz
| |
7 3 1
S=
|
|
|
.
|
\
|
1 2 7
2 5 3
7 3 1
Submatriz
Matriz identidad. Matriz identidad. Matriz identidad. Matriz identidad.
Se denota como I
n
a la matriz cuadrada de orden n, que tiene elementos 1 en la
diagonal y cero en el resto.
I
2
=
|
|
.
|
\
|
1 0
0 1
Propiedades:
Sea A
mn
, luego, I
m
A=AI
n
=A
Matriz Diagonal es una matriz cuyos elementos fuera de la diagonal principal son
cero.
|
|
| 0 0 1
| | 0 0
|
|
|
|
|
.
\
= A
2
2
0 0
0 0
. .
I
=
|
|
|
|
|
.
|
\
|
= A
. .
0 0
0 0
0 0
Matriz escalar, es una matriz diagonal en que todos los elementos de la diagonal son
iguales
Operaciones matriciales: Operaciones matriciales: Operaciones matriciales: Operaciones matriciales:
Igualdad
A=B, si a
ij
=b
ij
- Transposicin
La traspuesta de la matriz A
mn
, es una
matriz A
nm
, que tiene por filas las
| |
|
|
.
|
\
|
=
3 1 2
4 3 1
A
columnas de A.
Propiedades:
(A')'=A |
|
|
.
|
\
|
=
3 4
1 3
2 1
' A
(A+B)'=A'+B'
(AB)'=B'A'
(oA)'=oA', si o es un escalar y A una
matriz.
. \
3 4
Si A=A', entonces se dice que A es
simtrica.
En Excel: TRANSPONER(C1:D4)
CTRL+SHIFT+ENTER
Suma y Resta Suma y Resta Suma y Resta Suma y Resta
Sea A
mn
y B
mn
, entonces C
mn
=A+B es tal que c
ij
=a
ij
+b
ij mn
y
mn mn
q
ij ij ij
Sea A
mn
y B
mn
, entonces D
mn
=A-B es tal que d
ij
=a
ij
-b
ij
Propiedades: Propiedades:
Igual dimensin
Matriz nula: A+0=A
A+B+C=A+(B+C)=(A+B)+C (asociativa) A+B+C=A+(B+C)=(A+B)+C (asociativa)
A+B=B+A (conmutativa)
(A+B)=A+B
Producto de matriz por escalar
Sea A
mn
una matriz y o una constante, entonces B
mn
=oA, es tal que b
ij
= o a
ij
Producto de vectores Producto de vectores Producto de vectores Producto de vectores
Producto interno:
3
|
|
|
Producto interno:
Sean a y b vectores:
El producto interno ab es
un escalar
( )
2
8
3
4 3 1 '
|
|
|
.
|
\
|
= = b a
un escalar
ab=a
1
b
1
+a
2
b
2
++a
n
b
n
Propiedad:
35 ) 2 ( 4 ) 8 ( 3 ) 3 ( 1 ' = + + =
. \
b a
ab=ba
Producto de matriz por matriz Producto de matriz por matriz oducto de at po at oducto de at po at
Sea A
mn
y B
pq
, el producto
mn pq
AB solo se puede calcular si
n=p (matrices conformables),
C AB t l
=
(
(
(
=
5 0
6 1
4 2
1 5 4
2 3 1
AB
C
mq
=AB es tal que c
ij
se
obtiene multiplicando elemento
a elemento de la fila i-esima de
A por la columna j-esima de B
(
=
(
+ +
+ + + +
=

32 5
) 5 ( 1 ) 6 ( 5 ) 4 ( 4 ) 0 ( 1 ) 1 ( 5 ) 2 ( 4
) 5 ( 2 ) 6 ( 3 ) 4 ( 1 ) 0 ( 2 ) 1 ( 3 ) 2 ( 1
A por la columna j esima de B
y sumando estos productos.
Es decir

=
n
b a c
(
=
41 13
32 5
Chequear BA
=
=
1 s
sj
b
is
a
ij
c
Chequear BA
Producto de matriz por matriz Producto de matriz por matriz Producto de matriz por matriz Producto de matriz por matriz
Propiedades:
AB = BA
en AB,
B est premultiplicada por A
A esta postmultiplicada por B
La nica matriz que se puede multiplicar por si misma es la matriz
cuadrada.
Si AA=A se dice que A es idempotente.
Si A
n1
, entonces A'A es un escalar igual , mientras que
AA' ser una matriz cuadrada y simtrica de orden n
n.
n
1
2
i
a
A(BC)=ABC=(AB)C
A(B+C)=AB+AC
(AB)=BA
( )
(ABC)=CBA
En EXCEL : MMULT(A1:B2; A4:B5) CTRL+SHIFT+ENTER
Producto vector por matriz Producto vector por matriz Producto vector por matriz Producto vector por matriz
Sea
(
(
(
(
(
(
=
(
(
(
b
a
1 6 2
1 2 4
4
5
Se trata de una manera compacta de escribir tres ecuaciones:
(
(
(
(
=
(
(
c
b
0 1 1
1 6 2
1
4
c b a
c b a
+ + =
+ + =
6 2 4
2 4 5
Se puede escribir:
b a + = 1
(
(
(
(
+
(
(
(
(
+
(
(
(
(
=
(
(
(
(
1
1
6
2
2
4
4
5
c b a
Donde el lado derecho es una COMBINACION LINEAL de las
columnas de la matriz
(
0 1 1 1
Sumatorias y matrices Sumatorias y matrices Sumatorias y matrices Sumatorias y matrices
x i x x x x x x x
n n
n
i
' ) 1 ( ) 1 ( ) 1 (
2 1 2
1
1
= + + + = + + + =

1
n i i = '
x i a x a ax
n n
'

= = x i a x a ax
i i
1 1

= =
x i
n
x
n
n
i
'
1 1
x ,
n
1
a si

= = =
n n
n
1
=
n
i
x x x
1
2
'
=
n
i i
y x y x
1
'
Una transformacin a desvos Una transformacin a desvos Una transformacin a desvos. Una transformacin a desvos.
= ii I A '
1
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y
y
Y
Y
Y
Y
Y
Y
AY
n

2
1
2
1
2
1
1 1 1
1 1 1
1
0 1 0
0 0 1
|
|
|
.
\
=
|
|
|
|
.
|
|
|
.
\
=
|
|
|
.
)
`
|
|
|
|
.
|
|
|
|
.
\
=
n n n
y Y Y Y
n
AY
. . . .
. .
. .
1 1 1 1 0 0
Comente.
La matriz A= I (1/3)ii es idempotente Sea y un La matriz A= I
3
-(1/3)ii es idempotente. Sea y un
vector cualquiera Ay es igual a la identidad.
1
+ =
|
.
|
\
|

|
.
|
\
|
=
=
' '
9
1
'
3
1
'
3
1
'
3
1
'
3
1
'
3
1
ii ii ii ii I ii I ii I AA
ii I A

| |
= =
. \ . \
1 1 1
rdadero. ve '
3
1
9 3 3 3 3
' 3
A ii I AA
ii
=
|
|
|
|
.
|
\
|
|
|
|
.
|
\
|
=
|
|
|
.
|
\
|
|
|
|
.
|
\
|
=
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
3
1
1 0 0
0 1 0
0 0 1
1 1 1
1 1 1
1 1 1
3
1
1 0 0
0 1 0
0 0 1
A
|
|
|
|
|

=
|
.
\
. \
)
. \ . \
3
1
3
2
3
1
3
1
3
1
3
2
3 3 3
A
|
|
.
\

3
2
3
1
3
1
3 3 3
Traza Traza Traza Traza
La traza de una matriz cuadrada es igual a la suma de los elementos de
la diagonal principal.
Propiedades:
Tr(A+B)=Tr(A)+Tr(B)
Tr(ABC)=Tr(CAB)=Tr(BCA)
Comente
Sean Ay B matrices de 200*200 C y D matrices de 200*50 y Sean A y B matrices de 200 200, C y D matrices de 200 50 y
E y F matrices de 50*50. Si se cumple que AB=I y
CDEF=I, luego la traza de (AB-DEFC) es 50.
Combinaciones lineales de Combinaciones lineales de
vectores vectores
Dependencia lineal: un
(
p
conjunto de vectores es
Linealmente dependiente si
cualquiera de los vectores del LD son c b, a, 0 1/2c - b 2a
3
3

2
1
= +
(
=
(
=
b
a
conjunto puede ser escrito
como una combinacin lineal
de los otros.

14
10
c
3
(
=

Independencia lineal: un
conjunto de vectores son LI si
y solo s la nica solucin a :
0
3 1 3

2
1
=
(
(
+
(
(
(
(
=
(
=
o o b
a
o
1
a
1
+o
2
a
2
++o
k
a
k
=0
Es o
1
=o
2
==o
k
=0
0 0 0 3 0 3 2 ) 3 ( 0 3 2
3 0 3 1
0
3 2

3
1 2 2 2 2 2 1
2 1 2 1
2 1
= = = = + = +
= = +
=
(
+
(
=
o o o o o o o
o o o o
o o b
Rango de una matriz Rango de una matriz a go de u a at a go de u a at
Una matriz A
mn
puede interpretarse como una coleccin de m vectores fila
m n
de dimensin n, o como una coleccin de n vectores columna de dimensin
m. Entonces, podemos hablar de filas linealmente independientes (LI) o
linealmente dependientes (LD).
Se denomina rango de la matriz al mximo nmero de columnas (o filas) LI Se denomina rango de la matriz al mximo nmero de columnas (o filas) LI.
Propiedades:
El nmero mximo de filas LI es igual al nmero mximo de columnas LI
Rango (A ) Rango A min (m n) Rango (A
mn
)=Rango A min (m,n)
Denominamos matriz de rango completo, a aquella cuyo rango es igual al
nmero de columnas que esta tiene.
Si rango A =m=n entonces A es no singular y su inversa existe y es Si rango A
mn
=m=n, entonces A es no singular y su inversa existe y es
nica.
Rango de X = rango de XX=rango (XX)
Si (A ) de rango r y P y Q matrices cuadradas de orden m y n entonces
Si (A
mn
) de rango r y P y Q matrices cuadradas de orden m y n, entonces
rango(PA)= rango(AQ)=rango (PAQ)=rango(A)=r
Determinante de una matriz Determinante de una matriz Determinante de una matriz Determinante de una matriz
El determinante es una funcin que asocia un nmero real a una matriz cuadrada.
Corresponde al area del paralelogramo formado por los vectores de las columnas de p p g p
la matriz.
Cunto es el rea del paralelogramo si las columnas son LD?
Si las columnas son LD los dos vectores estn en la misma lnea y el rea del paralelogramo es cero.
El determinante es no nulo si la matriz es de rango pleno El determinante es no nulo si la matriz es de rango pleno.
Procedimiento de Laplace:
1. Elija cualquier fila o columna de una matriz y para cada uno de los elementos calcule el
cofactor. El cofactor de un elemento a
ij
ser c
ij
=(-1)
i+j
M
ij
.
2. M
ij
(matriz menor) es el determinante de la matriz que surge de eliminar la fila i y la columna j
d l t i i i l de la matriz original.
3. Multiplique cada elemento a
ij
de esa fila (o columna) por su cofactor c
ij

n
i
4. Determinante de A=|A|=
=

1 j
ij ij
i c a
Ejemplos Ejemplos::
|
|
|
|
12 11
a a
A
Ejemplos Ejemplos::
|
|
.
\
=
22 21
a a
A
12 21 11 11
c a c a A + =
12 21 22 11 12 21 22 11
a a a a ) a ( a a a A = + =
c
11
=(-1)
1+1
M
11
=(-1)
2
(a
22
)=a
22
c
21
=(-1)
2+1
M
21
=(-1)
3
(a
12
)= -a
12
12 21 22 11 12 21 22 11
) (
| |
3 1 2
1. A=
|
|
|
.
|
\
|
1 1 2
5 0 3
3 1 2
31 21 11
c 2 c 3 c 2 A + + =
c
11
=(-1)
1+1
M
11
=(-1)
2
5
1 1
5 0
=
c
21
=(-1)
2+1
M
21
=(-1)
3
4 ) 3 1 )( 1 (
1 1
3 1
= =
32 ) 5 ( 2 ) 4 ( 3 ) 5 ( 2 A = + + = 21 21
1 1
c
31
=(-1)
3+1
M
31
=(-1)
4
5
5 0
3 1
=
32 ) 5 ( 2 ) 4 ( 3 ) 5 ( 2 A + +
Propiedades Propiedades:: op edades op edades
Intercambiar 2 filas (o columnas) cambia el signo del determinante
' A A
Si una fila de un determinante se multiplica por k, el determinante queda
multiplicado por k.
' A A =
Si una fila (o columna) es combinacin lineal de otra fila (o columna) el
determinante de la matriz es cero.
Una matriz con determinante cero se denomina singular.
El determinante de una matriz triangular es igual al producto de los elementos g g p
de la diagonal.
B A AB =
A
A
1
1
=
En EXCEL: MDETERM (A1:B2) CTRL+SHIFT+ENTER

A
Resolucin de Ecuaciones Resolucin de Ecuaciones Resolucin de Ecuaciones Resolucin de Ecuaciones
Sea Ax=0, es un sistema de ecuaciones homogeneo.
Sea Ax=c donde A es cuadrada
Para que exista una solucin nica los vectores columna de A
deben ser linealmente independientes. p
Si la nica solucin a
0 es 0
2 1 2 2 1 1
= = = = = + +
n n n
a a a
las columnas de A son LI
Si A es cuadrada, existe B, tal que BA=I? Si las
columnas de A son LI, s existe y se denomina inversa
d A Si A ti i di i l
de A. Si A tiene inversa se dice que es no singular.
Matriz inversa Matriz inversa Matriz inversa Matriz inversa
Dada la matriz cuadrada A
n
, es su matriz inversa si
1
n
A
n
1
n n
I A A =
n
Procedimiento de calculo:
uesta transp cofactores de matriz )' A (
A
c
1
La matriz de cofactores se forma de sustituir cada elemento de la matriz por
A de e eterminant d
p
A
) (
A
1
= =
p
su correspondiente cofactor c
ij
. Donde c
ij
=(-1)
i+j
M
ij
, siendo M
ij
(menor) el
determinante de la submatriz que se forma cuando a la matriz A se le
elimina la fila i y la columna j.
EN EXCEL: MINVERSA (A1:B2) CTRL+SHIFT+ENTER
Ejemplo Ejemplo::
|
|
|
|
|
= 1 0 0
0 0 1
A
Ejemplo Ejemplo::
c
11
=(-1)
1+1
M
11
=(-1)
2
=-1
|
.
\
0 1 0
1 0 0 1
31 21 11
= + + = c c c A
1 0
c
11
( 1) M
11
( 1) 1
0 1
) 1 ( A =
| |
| |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
) 0 )( 1 ( ) 0 )( 1 ( ) 1 )( 1 (
'
0 1
) 1 (
0 1
) 1 (
0 0
) 1 (
1 0
0 0
) 1 (
0 0
1 0
) 1 (
0 1
1 0
) 1 (
=
|
|
|
.
|
\
|

=
|
|
|
|
|
.
\
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
.
\
|
|
.
\
|
|
.
\
=
'
) 0 )( 1 ( ) 1 )( 1 ( ) 0 )( 1 (
) 1 )( 1 ( ) 0 )( 1 ( ) 0 )( 1 (
) 0 )( 1 ( ) 0 )( 1 ( ) 1 )( 1 (
0 0
0 1
) 1 (
1 0
0 1
) 1 (
1 0
0 0
) 1 (
1 0
) 1 (
0 0
) 1 (
0 1
) 1 (
)' A (
c
| |
|
|
|
|
|
|
|
|

0 0 1
1 0 0
0 0 1
' 1 0 0
0 0 1
1 1 A
|
|
|
.
|
\
|
=
|
.
\

=
|
.
\

=
0 1 0
1 0 0
0 0 1
1
0 1 0
1
0 1 0

Propiedades Propiedades:: Propiedades Propiedades::
Siempre existe ? No la matriz A debe ser
1
A
Siempre existe ? No, la matriz A debe ser

cuadrada y no singular
La inversa (si existe) es nica.
A
La inversa (si existe) es nica.
A ) A (
1 1
=

1 1 1
A B ) AB (

=
A B ) AB ( =
1 1 1 1
) (

= A B C ABC
)' A ( ) ' A (
1 1
=
Ecuaciones Otra vez Ecuaciones Otra vez Ecuaciones. Otra vez Ecuaciones. Otra vez
En la ecuacin homogenea Ax=0 En la ecuacin homogenea Ax=0
Si A es cuadrada y no singular, la nica
solucin es x=0 solucin es x=0
Para que x sea distinto de 0, A debe ser
singular o el determinante de A debe ser singular, o el determinante de A debe ser
cero.
En la ecuacin no homogenea Ax=b si A En la ecuacin no homogenea Ax b, si A
es no singular,
x=A
-1
b
x=A b
Valores y vectores propios Valores y vectores propios Valores y vectores propios Valores y vectores propios
Dada una matriz cuadrada A
n
, entonces existe una
n
,
constante y un vector x (no nulo), tal que satisfacen la
siguiente ecuacin: Ax=x y que reciben el nombre
= valor propio de A valor propio de A
x= vector propio de A
Ax=x es una ecuacin que tiene implcita dos
incgnitas un vector y un escalar Las soluciones incgnitas, un vector y un escalar. Las soluciones
vendrn en parejas, a cada le corresponde un vector x
Si x es cualquier vector de solucin kx tambin lo es,
para eliminar la indeterminacin se normali a haciendo para eliminar la indeterminacin se normaliza x haciendo
xx=1
Procedimiento Procedimiento de de cclculo lculo:: Procedimiento Procedimiento de de cclculo lculo::
Ax=x Ax x
Ax-x=0
(A-I)x=0
Si A-I es no singular, entonces la nica solucin a la ecuacin
anterior es la trivial (x=0) anterior es la trivial (x=0).
Entonces, para que la solucin sea no nula, el determinante de
A-I debe ser igual a cero.
A t l i t ti ti A esta se le conoce como ecuacin caracterstica y tiene
n soluciones a las que se denomina valores propios. Para cada
valor propio existe un vector propio que se obtiene sustituyendo
el valor de en la ecuacin (A I)x=0
el valor de en la ecuacin (A-I)x=0.
Ejemplo Ejemplo::
(
(
=
1 0
A
je p o je p o
i) Encontramos los valores propios de la matriz A:
(
5 . 0 5 . 0
A
) p p
Debemos resolver: det( A-I)=0 det
1
0 5 0 5 . .
= (-)(0.5-)-0.5= -0.5+
2
-0.5 =0
=

5 . 0
1
2
5 . 1 5 . 0
2
) 5 . 0 ( 4 5 . 0 5 . 0
2
Los valores propios son 1 y 0.5
ii) ii) Vectores Vectores propios propios:: )) p p p p
(
(
=
(
(
(
(
= = =
0 1 1
0 )I)x 1 ( - (A 0 I)x - (A 1
1 1 1
a

-a+b=0 a=b
0.5a-0.5b=0 a=b
(
0 5 . 0 5 . 0 b
Dado que las dos ecuaciones son iguales el vector propio es un vector genrico
(
(
=
(
(
=
a a
x
Cualquier vector que tenga dos componentes que sean iguales verifica esta
ecuacin.
(
=
(
=
a b
x
1
En particular se puede normalizar el vector haciendo que su longitud sea 1, es decir,
haciendo que a
2
+b
2
=1
|
|
|
|
2
1
1
|
|
|
|
|
.
\
= = =
2
1
que lo con
2
1
1
x b a
Para =-0.5 det(A-
2
I)x
2
=0 (A- 0.5I)x
2
=0 (
2
)
2
( )
2
(
=
(
0
0
d
c

1 5 0
1 5 . 0
0.5c+d=0 c= -2d

0 d 1 5 . 0
=
|
|
.
|
\
|
=
|
|
.
|
\
|
=
d
d 2
d
c
2
x
05c+d=0 c= -2d
Normalizando tenemos dos ecuaciones: c
2
+d
2
=1 y
c= -2d con lo que:
|
.
\
|
.
\
d d
c 2d , con lo que:
(-2d)
2
+d
2
=1 4d
2
+d
2
= 1 5d
2
=1
5 / 1 d =
( )
c= -2d
5 / 2 c =
|
|
|
|
|
=
|
|
.
|
\
|
=
5
2
d
c
2
x
|
|
.
\
|
.
\
5
1
d
Propiedades Propiedades:: Propiedades Propiedades::
Los valores propios de una matriz simtrica son reales. Los de una matriz no simtrica pueden
ser reales o complejos.
Los vectores propios correspondientes a distintos valores propios de una matriz simtrica son
ortogonales entre si. Es decir que su producto es cero.
Sea B una matriz que tenga por columnas los vectores propios de A y D una matriz que tiene los
valores propios en la diagonal y cero en el resto.
|
|
| | | |
|
|
|
1
0 0
|
|
|
|
|
|
.
\
=
| | |
| | |
. .
| | |
2 1 n
x x x B
y D=
|
|
|
|
|
|
.
n
2
0 0
0 . 0 0
0 . 0 0
0 0
Ax
i
=
i
x
i
por lo que AB=BD
por lo que si B es no singular B
-1
AB=D (diagonalizacin de A)
Como xx =1, BB=I , B=B
-1
BB=BB
-1
=I
D AB ' B =
Descomposicin espectral de A= A=BDB
Otra vez el rango Otra vez el rango Otra vez el rango Otra vez el rango
Para cualquier matriz A y matrices B y C no singulares, el rango de q y y g g
BAC es igual al rango de A.
Rango (BAC)=rango (BA)C= rango (BA) g ( ) g ( ) g ( )
rango (BA)=rango (AB)=rango A =rango (A)
Rango A= Rango(BDB)=rango D= numero de valores distintos de
cero de la diagonal principal
El rango de una matriz simtrica es el nmero de valores propios El rango de una matriz simtrica es el nmero de valores propios
distintos de cero.
Recordando que rango(A)= rango (AA) y esta ltima es siempre
cuadrada la regla se cumple para matrices cuadradas y no
cuadrada, la regla se cumple para matrices cuadradas y no
cuadradas.
La suma de los valores propios de una matriz A es igual a la traza de
A
El producto de los valores propios de una matriz A es igual al
determinante de A determinante de A
Una matriz es singular si y solo si al menos un valor propio es cero.
El rango de una matriz es igual al nmero de valores propios no nulos
de ella.
Los valores propios de la matriz A
2
son el cuadrado de los valores
propios de A.
Los valores propios de A
-1
son los inversos de los valores propios de
A, los vectores propios son los mismos que los de A.
Matrices idempotentes. Matrices idempotentes. Matrices idempotentes. Matrices idempotentes.
Los valores propios de una matriz simtrica idempotente Los valores propios de una matriz simtrica idempotente
son cero o uno.
El rango de una matriz idempotente es igual al nmero
d l i i l 1 i l t de valores propios iguales a 1 e igual a su traza.
La nica matriz simtrica idempotente de rango
completo es la matriz identidad. completo es la matriz identidad.
Todas las matrices idempotentes, salvo la identidad, son
singulares.
Formas cuadrticas y matrices definidas. Formas cuadrticas y matrices definidas. Formas cuadrticas y matrices definidas. Formas cuadrticas y matrices definidas.
q= bAb es una forma cuadrtica, donde A es una matriz simtrica.
Es definida positiva si q >0 para b distinto de cero.
Es semidefinida positiva si q 0
Si A es simtrica: A=BDB
xAx=xBDBx luego sea y=Bx x Ax=x BDB x luego, sea y=B x
xAx=yDy=
Si lambda es positivo: q es positivo, A es definida positiva
Si algn lambda es cero, y los otros positivos: q0, A es semidefinida positiva.
n
i i
y
1
2
Los elementos de la diagonal principal de una matriz definida positiva son

estrictamente positivos (condicin necesaria y suficiente), mientras que los
elementos de la diagonal principal de una matriz semidefinida positiva son no g p p p
negativos.
Sea una matriz A de orden m, definida positiva, y P una matriz de mn, de
orden m, el producto PAP es una matriz definida positiva.
Toda matriz simtrica idempotente es semidefinida positiva
Toda matriz simtrica idempotente es semidefinida positiva.
Clculo y algebra matricial Clculo y algebra matricial Clculo y algebra matricial Clculo y algebra matricial
Diferenciaci Diferenciacin Matricial n Matricial e e c ac e e c ac at c a at c a
Si x
n1
, entonces
| |
| |
| |
(
(
(
(
(
c
c
c
c
c
x
x f
x
x f
x f
) (
) (
) (
1
Se usa normalmente la convencin de que la
derivada de una funcin respecto a una columna
Algunos resultados
| |
| |
(
(
(
(
(
(
c
c
c
=
c
c
n
x
x f
x
x
x f
) (
.
.
'
) (
2
da como resultado un vector columna. Pero hay
que tener cuidado con el orden matricial
| |
a
x
x a
=
c
c '
| |
cuadrada es A si ) ' (
'
x A A
x
Ax x
+ =
c
c
| |
A
x
Ax
=
c
c
'
| |
) ' (
'
'
x A A
x
Ax x
+ =
c
c
| |
simtrica es A si 2
'
Ax
x
Ax x
=
c
c
| |
' A
x
Ax
=
c
c
| |
simtrica es A si 2
'
'
Ax
x
Ax x
=
c
c
ejemplo ejemplo ejemplo ejemplo
3 1
| |
A
4 3
3 1
|
|
.
|
\
|
=
x x x x Ax x 6 4 '
2 1
2
2
2
1
+ + =
Ax x
x x
x x
x x
x x
x
Ax x
2
4 3
3 1
2
4 3
3
2
8 6
6 2
'
2 1
2 1
2 1
2 1
=
|
|
.
|
\
|
=
|
|
.
|
\
|
+
+
=
|
|
.
|
\
|
+
+
=
c
c
2 1 2 1
. \ . \ . \
MODELO DE REGRESIN MODELO DE REGRESIN
LINEAL MULTIPLE LINEAL MULTIPLE
Econometra Econometra Econometra Econometra
Fundamentos tericos Fundamentos tericos
Microeconoma y macroeconoma
Modelos de comportamiento: Optimizacin, Modelos de comportamiento: Optimizacin,
Oferta de trabajo, ecuaciones de demanda,
etc.
Fundamentos Estadsticos
Elementos matemticos.
Modelacin el modelo economtrico.
Elementos matemticos.
La verdad subyacente hay alguna?
El rol de la econometra El rol de la econometra El rol de la econometra El rol de la econometra
Poblacin
Medicin
Teora
Caractersticas
-OBSERVACION Y DESCRIPCIN
Caractersticas
Patrones de comportamiento
- FORMULACIN DE UNA HIPTESIS
Inferencia clasica Inferencia clasica Inferencia clasica Inferencia clasica
Poblacin
Medicin
Econometra
Caractersiticas
Patrones de comportamiento
Inferencia imprecisa sobre
la poblacin.
Prediccin
Prediccin.
MODELOS MODELOS
MODELO:
representacin simplificada de la realidad,
nmero limitado de conceptos formalizados.
MODELO ECONMICO, conjunto de supuestos que
aproximadamente describen el comportamiento de una aproximadamente describen el comportamiento de una
economa (o de un sector)
Ej. La funcin de produccin
Cobb-Douglas?.... Y= A K
o
L
|
, g ,
establece la relacin exacta, deterministica, que existe entre los insumos y el
producto
cun bueno es este modelo para explicar la evolucin del PIB en Chile?
PROBLEMAS PROBLEMAS:
NO hay muchos sets de datos.
NO PUEDE explicar hechos como la cada de la produccin por inundacin o
sequa, los momentos de huelga, etc.
Para poder testear este modelo, es necesario incorporarle elementos
estocsticos . esto lo convertir de un modelo econmico en uno
economtrico.
EJEMPLO EJEMPLO: modelo keynesiano en economa cerrada. : modelo keynesiano en economa cerrada.
l estructura forma 0 2 1 1 0 ) , ) 1 (( < < < =
+ + =
f f donde r Y t f C
G I C Y
Forma funcional
0 2 0 1 ) , ( < > A = f f donde r Y f I
Definicin y medida de los datos.
Estructura de la dinmica.
Eleccin entre teoras.
0 1 0 ) 1 (
2 1 2 1 0
< < < + + + =
+ + =
o o o o o donde r Y t C
G I C Y
0 0 ) (
2 1 1 3 2 1 1 0
< > + + =

| | | | | donde r Y Y I
Variables endgenas
Variables exgenas
Variables contemporneas o rezagadas
FORMA REDUCIDA FORMA REDUCIDA FORMA REDUCIDA FORMA REDUCIDA
t
donde G r Y Y r Y
o
o o o | o | o o o | o
) 1 ( 1
1
) ( ) (
1
1 2 2 1 1 2 0 0

= + + + + + =

| | | |
donde r Y Y I | | | | | 0 0 ) (
) (
2 1 1 2 2 1 1 0
1
< > + + =

| | | | G t r t Y Y t r t t C o o o o | o | o o o o o o | o o o ) 1 ( ) 1 ( ) ( ) 1 ( ) 1 ( ) )( 1 (
1 1 1 2 2 1 1 1 2 1 2 0 0 1 0
+ + + + + + + + + + + + =

) (
2 1 14 13 1 12 11 10
+ + + + + = Y Y r r G Y t t t t t
) (
2 1 24 1 22 20
+ + + + = Y Y r I t t t
) (
2 1 34 33 1 32 31 30
+ + + + = Y Y r r G C t t t t t
MODELO ECONOMTRICO:
Es un set de ecuaciones de comportamiento derivadas de Es un set de ecuaciones de comportamiento derivadas de
un modelo econmico que involucra:
- Datos de las variables observables
( ) - Elementos estocsticos o shocks (error aleatorio) ,
Estocstico:
viene de stokhos (blanco o ojo de buey),
indica que una relacin estocastica no siempre da en blanco (no
siempre predice el valor preciso de la variable).
El error es la magnitud de lo que no se.
P d t Podramos preguntarnos :
se distribuyen los dardos uniformemente alrededor del blanco?,
es el error promedio grande o pequeo?
E i t t i t ti d l d d ? Es importante quien est tirando el dardo?
Es seguido un dardo a la derecha del blanco de otro a la
izquierda o se cargan a un lado?
Aleatoriedad del comportamiento humano o del contexto
Aleatoriedad del comportamiento humano o del contexto.
El modelo determinstico Y= A K
o
L
|
se transforma en
El modelo economtrico Y= A K
o
L
|
e
El trmino e
ser una variable aleatoria con

determinadas propiedades que veremos en el curso,
por lo que deberemos especificar la distribucin de por lo que deberemos especificar la distribucin de
probabilidad de y las consecuencias de estas sobre
la estimacin.
Becker: Modelo econmico de la Becker: Modelo econmico de la
delincuencia delincuencia delincuencia delincuencia
Y=f(x1, x2, x3, x4, x5, x6, x7) Y=f(x1, x2, x3, x4, x5, x6, x7)
Y= horas dedicadas a actividades delictivas
X1= salario por hora de las actividades p
delictivas.
X2= salario por hora en un empleo legal
X3= otros ingresos
X4= probabilidad de ser capturado. p p
X5= probabilidad de ser declarado culpable
X6= sentencia esperada
X6 sentencia esperada
X7= edad
Estructura de los datos Estructura de los datos Estructura de los datos Estructura de los datos
Tipos de datos Tipos de datos
Cross section
Time series (series de tiempo) Time series (series de tiempo)
Panel datos longitudinales
Tipos de datos Tipos de datos
i. Datos de cross-section (seccin cruzada):
Tipos de datos. Tipos de datos.
son observaciones de una variable para varias unidades
individuales en un momento de tiempo. Por ejemplo, la tasa de
crecimiento del PIB para el ao 1991, para distintos pases de
Amrica Latina.
Pas 1991 Pas 1991
Argentina 8.9
Brasil 0.3
Colombia 1.8
Chile 6.8
Mxico 3.6
Venezuela 9.7
MULTIFONDOS MULTIFONDOS
RETORNO EN 2004 RETORNO EN 2004
35%
30%
35%
20%
25%
10%
15%
5%
0%
A B C D E
Salario=f(educ, experiencia, Salario=f(educ, experiencia,
it i ) it i ) capacitacin) capacitacin)
Informacin muestral Informacin muestral
obs salario educ exper Sexo
1 3.2 11 2 1
2 3 11 2 0 2 3 11 2 0
:
:
560 8 16 6 1
ii D d i l b i d ii. Datos de series temporales: son observaciones de una
determinada variable a lo largo de cierto perodo de tiempo. Por
ejemplo en PIB del perodo 1976-1997.
PIB en millones de pesos de 1986
8000
7000
6000
5000
4000 4000
3000
2000
76 78 80 82 84 86 88 90 92 94 96
PIB
EVOLUCIN EN EL AO EVOLUCIN EN EL AO
113
115
117
109
111
113
105
107
109
101
103
97
99
3 1 2 1 2 1 2 0 2 0 1 0 1 3 1 2 1 2 0 2 0 2 0 1 0 1 2
3
1
/
1
2
/
2
0
0
3
4
/
0
1
/
2
0
0
4
2
8
/
0
1
/
2
0
0
4
1
/
0
2
/
2
0
0
4
2
5
/
0
2
/
2
0
0
4
0
/
0
3
/
2
0
0
4
2
4
/
0
3
/
2
0
0
4
0
7
/
0
4
/
2
0
0
4
2
1
/
0
4
/
2
0
0
4
0
5
/
0
5
/
2
0
0
4
9
/
0
5
/
2
0
0
4
0
2
/
0
6
/
2
0
0
4
6
/
0
6
/
2
0
0
4
3
0
/
0
6
/
2
0
0
4
4
/
0
7
/
2
0
0
4
2
8
/
0
7
/
2
0
0
4
1
/
0
8
/
2
0
0
4
2
5
/
0
8
/
2
0
0
4
0
8
/
0
9
/
2
0
0
4
2
2
/
0
9
/
2
0
0
4
0
6
/
1
0
/
2
0
0
4
2
0
/
1
0
/
2
0
0
4
0
3
/
1
1
/
2
0
0
4
7
/
1
1
/
2
0
0
4
0
1
/
1
2
/
2
0
0
4
5
/
1
2
/
2
0
0
4
2
9
/
1
2
/
2
0
0
4
iii. Pool-Data: es la mezcla de datos de cross-section y series
t l Ej l t d i i t d i d temporales. Ejemplo: tasas de crecimiento de varios pases de
Amrica Latina en el perodo 1991-1995.
Un tipo especial son los datos de panel (Panel Data), donde a la
unidad de corte transversal se la sigue en el tiempo.
Pas 1991 1992 1993 1994 1995
Argentina 8.9 8.7 6.0 7.1 -4.4
Bolivia 5.1 1.7 3.9 4.2 4.0
Brasil 0.3 -0.8 4.2 5.8 4.1
Colombia 1.8 4.0 5.2 5.7 5.3
Chile 6.8 11.0 6.3 4.2 8.5
Mxico 3.6 2.8 0.6 3.5 -6.9
Venezuel
a
9.7 6.1 -0.4 -3.3 2.2
EVOLUCIN EN EL AO EVOLUCIN EN EL AO EVOLUCIN EN EL AO EVOLUCIN EN EL AO
117
115.4
112.6
111.5
111
113
115
A B C D E
109.14
107.7
107
109
111
103
105
97
99
101
3 1 2 1 2 1 2 0 2 0 1 0 1 3 1 2 1 2 0 2 0 2 0 1 0 1 2
3
1
/
1
2
/
2
0
0
3
1
4
/
0
1
/
2
0
0
4
2
8
/
0
1
/
2
0
0
4
1
1
/
0
2
/
2
0
0
4
2
5
/
0
2
/
2
0
0
4
1
0
/
0
3
/
2
0
0
4
2
4
/
0
3
/
2
0
0
4
0
7
/
0
4
/
2
0
0
4
2
1
/
0
4
/
2
0
0
4
0
5
/
0
5
/
2
0
0
4
1
9
/
0
5
/
2
0
0
4
0
2
/
0
6
/
2
0
0
4
1
6
/
0
6
/
2
0
0
4
3
0
/
0
6
/
2
0
0
4
1
4
/
0
7
/
2
0
0
4
2
8
/
0
7
/
2
0
0
4
1
1
/
0
8
/
2
0
0
4
2
5
/
0
8
/
2
0
0
4
0
8
/
0
9
/
2
0
0
4
2
2
/
0
9
/
2
0
0
4
0
6
/
1
0
/
2
0
0
4
2
0
/
1
0
/
2
0
0
4
0
3
/
1
1
/
2
0
0
4
1
7
/
1
1
/
2
0
0
4
0
1
/
1
2
/
2
0
0
4
1
5
/
1
2
/
2
0
0
4
2
9
/
1
2
/
2
0
0
4
FORMAS FUNCIONALES FORMAS FUNCIONALES FORMAS FUNCIONALES FORMAS FUNCIONALES
Lineal Lineal
Cuadrtica
Doble Logartmica
Semi Logartmica
Recproca
Log recproca Log recproca
FUNCIN LINEAL FUNCIN LINEAL
X Y
2 1
| | + =
X Y
dX dY
= d elasticida
2 1
2
/ ) ( | |
|
+
=
X X
2 1
2
2 1
) / (
/ ) (
| |
|
| |
+
=
+
X
X X
2 1
En el modelo lineal, la elasticidad es distinta para cada valor de X. El cambio de
una unidad en X se refleja en un cambio de unidades en Y.
2
|
7
FUNCIN DOBLE LOGARTMICA FUNCIN DOBLE LOGARTMICA
Y= o X
|
Y= o X
|
dY
X
Y
X
X
X
dX
dY
|
o
| o|
|
|
= = =
1
d elasticida
X
Y
dX
| =
La forma de la funcin depende de |.
|>1, la pendiente aumenta al aumentar X
O<|<1, pendiente positiva, pero a tasa decreciente.
|<0 pendiente negativa
X
|<0, pendiente negativa.
|=-1, hiprbola equiltera
Este modelo no es lineal en los parmetros
Si queremos linealizarlo es preciso transformarlo previamente tomando logaritmos Si queremos linealizarlo es preciso transformarlo previamente tomando logaritmos
logY=log o+ | logX,
En este modelo de regresin, el parmetro | recoge la elasticidad de la variable Y
respecto a X y se interpreta como el cambio porcentual que se provoca en Y, por cambio
porcentual en X.
ELASTICIDAD Y LA FUNCIN DOBLE LOGARTIMICA
|
2
1
|
| X Y =
X Y log log
1
2
|
|
=
Modelo
linealizado
' '
2
'
1
X Y | | + =
X
X
X Y
log log
log log
log log
2 1
1
1
2
| |
|
|
|
+ =
+ =
log '
, log ' donde
=
=
X X
Y Y
X log log
2 1
| | +
1
'
1
log
log
| | =
X X
| |
25
La constante ser estimada a travs de log |
1
. Para obtener |
1
, se debe calcular exp(|
1
').
FUNCIN SEMI FUNCIN SEMI-- LOGARTMICA LOGARTMICA
Y= e
o+ | X
| |
| o
= =
+
dY
Y e
dX
dY
X
L(Y) =o+ | X
| =
Y
dX
dY
La forma de la funcin depende de |. p |
Si queremos linealizarlo es preciso transformarlo previamente tomando logaritmos
logY= o+ |X,
En este modelo de regresin, el parmetro | no recoge la elasticidad de la variable Y
respecto a X
respecto a X.
La tasa de cambio proporcional en Y por un cambio unitario en X es constante e igual a |.
De forma que si X vara en una unidad, Y vara en 100|%
FUNCIN RECPROCA FUNCIN RECPROCA
Y= o+ | (1/X)
2
X dX
dY |
=
X dX
|>0, la pendiente ser negativa
|<0, pendiente positiva.
Como 1/X tiende a cero cuando X tiene a infinito, o es un valor
asinttico para Y.
Como es lineal en los parmetros no es necesario llevar a cabo
p
ninguna transformacin para poder estimarlos
FUNCIN LOG FUNCIN LOG--RECPROCA RECPROCA FUNCIN LOG FUNCIN LOG RECPROCA RECPROCA
LOG Y= o- | (1/X)
2
e
X dX
dY
X
|
|
o
|
.
|
\
|
=

LOG Y o | (1/X)
Y=e
o- | (1/X)
2
dY
Y
X dX
dY |
|
.
|
\
|
=
. \
2
X Y
dX
dY
|
=
La tasa de crecimiento de Y por cambio unitario en X es
inversamente proporcional al cuadrado de X
C 1/X ti d d X ti i fi it
o
l Como 1/X tiende a cero cuando X tiene a infinito, e
o
es un valor
asinttico para Y.
Es necesario linealizar esta funcin para estimarla.
Es similar a una logstica
t
e
k
Y
o
|

+
=
1
ANLISIS DE REGRESIN ANLISIS DE REGRESIN
REGRESIN: REGRESIN:
descripcin y evaluacin de la relacin entre una determinada variable (dependiente o
explicada) y una o ms variables denominadas explicativas o independientes.
ANTES:(Francis Galton, 1886): ANTES:(Francis Galton, 1886):
la estatura promedio de los nios que nacan de padres con una determinada estatura
tenda a moverse o regresar hacia la altura promedio de la poblacin total.
Ello an cuando exista una tendencia a que los padres altos tuvieran hijos altos y padres
bajos tuvieran hijos bajos.
Galton dijo que exista una regresin a la mediocridad.
ACTUALMENTE: estudio de la dependencia de una variable ( la variable
dependiente) de una o ms variables (las explicativas) con la perspectiva de estimar
/ d i l l bl i l di d l i t i d l l y/o predecir el valor poblacional medio de la primera en trminos de los valores
conocidos de las segundas.
Y = f ( X1, X2, .........,Xk )
Si k = 2 Regresin Simple
Si k > 2 Regresin Mltiple
Regresin: Regresin:
Relacin entre variables dependiente e independiente: Y = f (X)
puede ser de dos tipos:
Determinstica o matemtica Estocstica o estadstica
Ej: Y = 5.3 + 0.16 X
- Cada Y queda determinado
Y = |
1
+ |
2
X +
Para valores de X no podemos determinar
En ECONOMETRA: relaciones estocsticas
exactamente dado el valor de la variable
X.
Y en forma exacta, sino
probabilsticamente.
Y
i
= |
1
+ |
2
X
i
+
i
dos componentes
componente determinstico: |
1
+ |
2
X
i
,
donde |
1
y |
2
son los coeficientes de la regresin (sus valores sern
estimados a partir de los datos disponibles para X e Y)
componente estocstico: , RESIDUO, es una variable aleatoria
componente estocstico: , RESIDUO, es una variable aleatoria
EJEMPLO EJEMPLO EJEMPLO EJEMPLO
Relacin deterministica
Y=K
0.3
L
0.7
3 . 0
7 0 3 0
1
| |
K L K Y
Divido entre L,
3 . 0
3 . 0 3 . 0 3 . 0
7 . 0 3 . 0
1
|
.
|
\
|
= = = =

L
K
L
K L K
L
L K
L
Y
| |
(
| | | |
3 0
Aplico logaritmo:
Dados los valores de K/L (relacin capital/trabajo) existe un nico
|
.
|
\
|
=
(
|
.
|
\
|
=
|
.
|
\
|
L
K
L
K
LN
L
Y
LN 3 . 0
3 . 0
Dados los valores de K/L (relacin capital/trabajo), existe un nico
valor de producto por trabajador (Y/L).
6
7
LN(K/L) LN(Y/L) Y/L
2
3
4
5
L
N

(
Y
/
L
)
LN(K/L) LN(Y/L) Y/L
12 3.6 36.6
14 4.2 66.7
20 6 403 4
0
1
0 5 10 15 20 25
LN (K/L)
20 6 403.4
5 1.5 4.5
10 3 20.1
EJEMPLO EJEMPLO EJEMPLO EJEMPLO
Relacin estocstica
Y=K
0.3
L
0.7
e
Y K L e
Divido entre L,

e
L
K
e
L
1
K e L K
L
e L K
L
Y
3 . 0
3 . 0
3 . 0 3 . 0 3 . 0
7 . 0 3 . 0
|
.
|
\
|
= = = =

Aplico logaritmo:
+
|
.
|
\
|
=
|
.
|
\
|
L
K
LN
L
Y
LN 3 . 0
El valor final de LN(Y/L) no depende solamente del
valor de LN(K/L) sino tambin del valor de .
es una variable aleatoria
Supongamos que tiene la siguiente distribucin:
E t d l d K/L
+
=
1/2 de ad probabilid con 1 -
1/2 de ad probabilid con 1
Entonces para cada valor de K/L

tendramos dos valores posibles
de Y/L
LN(K/L)
X
LN(Y/L)
si =1
Y
LN(Y/L)
si =-1
Y
12 4.6 2.6
14 5.2 3.2
20 7 5
5 2.5 0.5
10 4 2
Por qu no suponer normalidad? Por qu no suponer normalidad? Por qu no suponer normalidad? Por qu no suponer normalidad?
: es una variable aleatoria
ti continua
~ N(0,1)
Por cada valor de K/L : infinitos
valores de Y/L, dependiendo
del valor de .
La relacin entre LN(Y/L) y
(K/L), ahora es estocstica.
Mas formal: FUNCIN DE Mas formal: FUNCIN DE
REGRESIN POBLACIONAL (FRP) REGRESIN POBLACIONAL (FRP)
Funcin de Regresin Poblacional
(FRP) (FRP):
Dado que para cada X i, existe una
bl i d l d Y poblacin de valores de Y,
se puede calcular la esperanza
condicional de los valores de Y,
condicional a cada X i.
A l i d l
Y
.
A la unin de las esperanzas
condicionales se les denomina FRP.
FRP: recta que une las esperanzas
Y
.
.
.
.
.
.
.
.
FRP: recta que une las esperanzas
condicionales de la variable
dependiente para los valores fijos de
la variable explicativa.
.
.
.
.
.
Del grfico podemos concluir que
E(Y/ X i) =f(X i)
.
X
Qu forma tiene esta funcin? Qu forma tiene esta funcin?
Para saberlo hay que recurrir a la teora
Podra ser por ejemplo E(Y/ X i ) = |1 + |2 X i .
Existe una relacin lineal entre X i y E(Y/ X i ), en el caso del grfico y ( ), g
esta relacin es positiva (|2 es positivo)
Cmo es la relacin entre cada Yi y el X i correspondiente?
Para cada X i dado, un Yi en particular se desva de la E(Y/ X i ), por un
trmino de error i trmino de error, i.
i = Yi - E(Y/ X i ) o
Yi = E(Y/ X i ) + i ,
Yi = |1 + |2 X i + i
Para el ejemplo que veamos antes:
Ln (Y/L) = |1 + |2 ln(K/L) + i
para encontrar cada valor de producto por trabajador debo sumar dos para encontrar cada valor de producto por trabajador debo sumar dos
componentes
el primero representa el promedio de producto dado el capital utilizado
el segundo indica cunto hay que sumarle o restarle a ese promedio para
alcanzar el valor de Y/L.
Como cambia esto si hay mltiples Como cambia esto si hay mltiples
?? regresores? regresores?
En algunas aplicaciones cientficas (medicina, g p ( ,
agronoma) los modelos de regresin
generalmente utilizados tienen una nica
variable explicativa (modelo simple). variable explicativa (modelo simple).
En economa es difcil tener un fenmeno
explicado por una sola variable explicativa.
G l t Generalmente,
Y = f (X1, X2,.......,Xk,i) a este tipo de modelo lo
llamamos modelo mltiple.
Ejemplo:
Vtas. Empresa = f (PIB, tasa de inters real, gastos
publicidad)
publicidad)
Modelo de regresin poblacional
mltiple. mltiple.
(1) Y
i
= |
1
+ |
2
X
i2
+ |
3
X
i3
+.... +|
k
X
ik
+
i
para i =1,2,
....n
y donde X
ik
representa la observacin i de la variable k.
(1) es equivalente a (2)
+ + + + + =
k k
u X X X Y . . .
1 1 13 3 12 2 1 1
| | | |
+ + + + + =
k k
u X X X Y
. . .
) 2 (
2 2 23 3 22 2 1 2
| | | |
) (
+ + + + + =
n nk k n n n
u X X X Y . . .
3 3 2 2 1
| | | |
forma abreviada de n
+ + + + + =
k k
u X X X Y . . .
1 1 13 3 12 2 1 1
| | | |
ecuaciones con k
incgnitas
y por tanto se puede
escribir:
+ + + + + =
k k
u X X X Y
. . .
) 2 (
2 2 23 3 22 2 1 2
| | | |
escribir:
( (
(
(
X X X
Y
|
1
+ + + + + =
n nk k n n n
u X X X Y . . .
3 3 2 2 1
| | | |
(
(
(
(
+
(
(
(
(
(
(
(
(
=
(
(
(
(
k
k
X X X
X X X
Y
Y
|
|
. 1
. 1
) 3 (
2
1
2
1
2 23 22
1 13 12
2
1
(
(
(
+
(
(
(
(
(
(
(
=
(
(
(
k
X X X
Y
|
.
.
.
.
1
. . . . .
. . . . .
.
.
) 3 (

(

n k
nk n n
n X X X
Y
|
. 1
3 2
( (
(
(
(
k
X X X
Y
|
. 1
1 1
1 13 12
1
(
(
(
(
+
(
(
(
(
(
(
(
=
(
(
(
(
k
k
X X X
Y
Y
|
|
. 1
) 3 (
2
1
2
1
2 23 22
1 13 12
2
1
(
(
(
+
(
(
(
(
(
(
(
=
(
(
(
X X X
Y
|
.
.
.
.
1
. . . . .
. . . . .
.
.
) 3 (

(

n k
nk n n
n X X X
Y
|
. 1
3 2
(
(
(
(
=
2
1
Y
Y
Y
(
(
(
(
=
k
k
X X X
X X X
X
. 1
. 1
2 23 22
1 13 12
(
|
(
(
1
(
(
(
n
1 n
Y
.
.
Y
(
(
(
(
nk n n
k n
X X X
X
. 1
. . . . .
. . . . .
3 2
(
(
(
(
(
|
|
= |

2
1
1 k
.
(
(
(
(
(
=

2
1 n
.
nk n n 3 2
(
(
|
k
.
(
n
.
FRP FRP FRP FRP
1 1 k k 1
X Y + | =
1 n 1 k k n 1 n
X Y

+ |
Linealidad: puede ser en las variables y en
l t los parmetros.
Lo que nos interesa es que la relacin sea
li l l t
lineal en los parmetros.
Lineal en las variables y en los parametros:
LINEALIDAD Y NO LINEALIDAD
Lineal en las variables y en los parametros:
u X X X Y + + + + =
4 4 3 3 2 2 1
| | | |
Modelo lineal en los parametros, no lineal en las variables:
u X X X Y + + + + =
4 4 3 3
2
2 2 1
log | | | |
4 4 3 3
2
2 2
log , , X Z X Z X Z = = =
Z Z Z Y | | | |
Modelo no lineal en los parmetros:
u Z Z Z Y + + + + =
4 4 3 3 2 2 1
| | | |
u X X X Y + + + + =
4 3 2 3 3 2 2 1
| | | | |
7
FRP: breve repaso FRP: breve repaso FRP: breve repaso FRP: breve repaso
Supongamos una distribucin bivariada f(Q,P)
Qu hace variar a P? Qu hace variar a P?
La variacin en Q, y
La variacin en su propia distribucin La variacin en su propia distribucin.
Existe una distribucin condicional f(P|Q) y una
media condicional E[P|Q]. media condicional E[P|Q].
Regresin es la esperanza condicional
Una variable aleatoria siempre se puede Una variable aleatoria siempre se puede
escribir:
P = E[P|Q] + (P - E[P|Q]) = E[P|Q] +
P E[P|Q] (P E[P|Q]) E[P|Q]
Greene
Noten que al condicionar se reduce la varianza.
Cul es la forma de esta funcin? Cul es la forma de esta funcin? Cul es la forma de esta funcin? Cul es la forma de esta funcin?
Para saberlo hay que recurrir a la teora, pero Para saberlo hay que recurrir a la teora, pero
exigiremos linealidad
Modelo lineal, E[y|x]= +
1
x
Modelo cuadrtico: E[y|x]= +
1
x +
2
x
2
Modelo loglinear E[lny|lnx]= + lnx
Semilog E[y|x]= + lnx Semilog, E[y|x]= + lnx
Todas estas son lineales
E[y|x] =
1
f
1
() +
2
f
2
() + +
K
f
K
(). E[y|x]
1
f
1
()
2
f
2
()
K
f
K
().
fk() ser en funcin de los datos.
Ver las formas funcionales y su interpretacin (J-D,
t l 2)
captulo 2)
Modelo de regresin poblacional
mltiple. mltiple.
(1) Y
i
= |
1
+ |
2
X
i2
+ |
3
X
i3
+.... +|
k
X
ik
+
i
para i =1,2,
....n
y donde X
ik
representa la observacin i de la variable k.
(1) es equivalente a (2)
+ + + + + =
k k
u X X X Y . . .
1 1 13 3 12 2 1 1
| | | |
+ + + + + =
k k
u X X X Y
. . .
) 2 (
2 2 23 3 22 2 1 2
| | | |
) (
+ + + + + =
n nk k n n n
u X X X Y . . .
3 3 2 2 1
| | | |
( (
(
(
(
k
X X X
Y
|
. 1
1 1
1 13 12
1
(
(
(
(
+
(
(
(
(
(
(
(
=
(
(
(
(
k
k
X X X
Y
Y
|
|
. 1
) 3 (
2
1
2
1
2 23 22
1 13 12
2
1
(
(
(
+
(
(
(
(
(
(
(
=
(
(
(
X X X
Y
|
.
.
.
.
1
. . . . .
. . . . .
.
.
) 3 (

(

n k
nk n n
n X X X
Y
|
. 1
3 2
(
(
(
(
=
2
1
Y
Y
Y
(
(
(
(
=
k
k
X X X
X X X
X
. 1
. 1
2 23 22
1 13 12
(
|
(
(
1
(
(
(
n
1 n
Y
.
.
Y
(
(
(
(
nk n n
k n
X X X
X
. 1
. . . . .
. . . . .
3 2
(
(
(
(
(
|
|
= |

2
1
1 k
.
(
(
(
(
(
=

2
1 n
.
nk n n 3 2
(
(
|
k
.
(
n
.
FRP FRP FRP FRP
1 1 k k 1
X Y + | =
1 n 1 k k n 1 n
X Y

+ |
Linealidad: puede ser en las variables y en
l t los parmetros.
Lo que nos interesa es que la relacin sea
li l l t
lineal en los parmetros.
FRM FRM FRM FRM
Funcin de Regresin Muestral (FRM). Funcin de Regresin Muestral (FRM).
Hasta ahora nos hemos referido a los valores poblacionales de
Y correspondientes a los valores fijos de X.
no conocemos la poblacin, sino una muestra de ella. no conocemos la poblacin, sino una muestra de ella.
Y
.
.
.
Y
X
X
.
.
.
.
.
.
.
.
.
X
X
X
X
X
X
.
.
.
X
X X
No conocemos la poblacin sino muestras
La estimacin de la E(Y/ X i ) depender de la muestra La estimacin de la E(Y/ X i ) depender de la muestra
elegida.
Cul es la verdadera? No lo sabemos. Luego de
ti l i d d ti i f i l estimarla veremos que propiedades tiene para inferir la
verdadera.
FRM
1
FRM FRM
2
Nuestro objetivo : E(Y/X)= | + | X Nuestro objetivo : E(Y/X
i
)= |
1
+ |
2
X
i
no conocemos |1 y |2 (parmetros
poblacionales o tericos) poblacionales o tericos),
DEBEMOS estimarlos:
estimada recta la ser X

Y
X Y
i 2 1 i
i i 2 1 i
| + | =
+ | + | =
i 2 1 i
| |
1 1
para estimacin
| | 2 2
para estimacin
| |
i i i
e Y
Y + =
1 1
p | |
i i 2 1 i
e X

Y + | + | =
Modelo terico Modelo terico Modelo terico Modelo terico
Y
i
E(Y/ X
i
) = |
1
+ |
2
X
i
Y
1
|
2
1
Y
2
|
2
X
i
X
1
X
2
|
1
Modelo estimado
Y
1
Modelo estimado
X Y

| | +
1
i i
X Y
2 1
| | + =
2
|
E(Y/ X
i
) = |
1
+ |
2
X
i
1
e
1
E(Y/ X
i
)
|
2
|
1
)
X
1
X
i
1
|
Usaremos ambas lneas en nuestro anlisis. Ambas permite descomponer el valor de Y en
Usaremos ambas lneas en nuestro anlisis. Ambas permite descomponer el valor de Y en
dos partes.
i i i i i
e X e Y Y + + = + =
2 1

| |
u X u ) E(Y/X Y
i i 2 1 i i i
+ + = + = | |
Diferencias entre Diferencias entre i y ei i y ei Diferencias entre Diferencias entre i y ei i y ei
Notar que los valores de los residuos no son los mismos que los valores de los trminos
aleatorios. El error aleatorio corresponde a la diferencia entre el componente no
ERROR ALEATORIO RESIDUO
aleatorio de la recta verdadera y la observacin actual. El residuo es la diferencia
entre el valor estimado y el valor verdadero de Y
ERROR ALEATORIO
i
= Y
i
- E(Y/ X
i
)
RESIDUO
Y Y e
=
es no observable
representa nuestra
ignorancia al plantear el
modelo economtrico
es observable para una
muestra dada
si el ajuste entre FRM y
FRP es bueno tiende a modelo economtrico.
es una variable aleatoria a
la que se le supone cierta
distribucin de probabilidad
FRP es bueno, tiende a
parecerse al error aleatorio.
tiene ciertas propiedades
que veremos ms adelante
distribucin de probabilidad que veremos ms adelante
Qu pasa si tenemos ms variables? Qu pasa si tenemos ms variables?
Modelo de regresin muestral mltiple ode o de eg es uest a t p e
1,2,.....n i para
. . .

3 3 2 2 1
= + + + + =
ik k i i i
X X X Y | | | |
sistema de n ecuaciones,
puede transformarse en: p
y definiendo:
| + + | + | + | =
k 1 k 13 3 12 2 1 1
X
. . . X
X

Y
(
(
1
Y
(
(
|
1
| + + | + | + | =
k 2 k 23 3 22 2 1 2
. . . X
X

Y
(
(
(
(
(
(
2
1
1 n
.
.
Y
(
(
(
(
(
(
|
|
= |

2
1
1 k
.
.
n
Y
|
k

X Y |
| + + | + | + | =
nk k 3 n 3 2 n 2 1 n
X
. . . X
X

Y
1 1
=
k k n n
X Y |
Adems Adems .
i ik k 3 i 3 2 i 2 1 i
e X
. . . X
X

Y + | + + | + | + | =
Con lo que definiendo
(
(
(
1
e
e
(
(
(
(
2
1 n
.
.
e
e
,
1 1 1

+ =
n k k n n
e X Y |
(
(
n
e
Resumiendo: Resumiendo: Resumiendo: Resumiendo:
1 1

=
k k n n
X Y |
(
(
(
e
e
2
1
1 1 k k n n
|
1 1 1

+ =
n k k n n
e X Y |
| = =
(
(
(
(
(
X Y Y
Y
.
. e
2
1 n
(
e
n
X Y + | =
)
( X
X u X e
X Y
+ | | = | + | =
| =

X Y e
)
| =
Y
X Y
X e Y

= | + | = +
Cmo calcular Cmo calcular ||1 y 1 y ||2 (y todo el 2 (y todo el

resto)? resto)? resto)? resto)?
NUBE DE PUNTOS (UNA MUESTRA)
12
13
9
10
11
7
8
9
Y
4
5
6
4 5 6 7 8 9 10 11
Mtodo de momentos?
Mxima Verosimilitud?
X
Mxima Verosimilitud?
Mtodo de Mnimos Cuadrados Ordinarios (MICO)?
MICO MICO
M i d d di i M i d d di i Mnimos cuadrados ordinarios Mnimos cuadrados ordinarios
Idea:
Pasar la recta de regresin a travs de los puntos del grfico de
forma que est lo ms prxima posible a la nube de puntos.
Trataremos que las distancias verticales (errores) sean lo ms
pequeas posibles pequeas posibles.
Se trata de elegir los valores de tal que la
diferencia sea mnima.
k
| | |
.....
2 1
Minimizaremos
(para dar peso equivalente a residuos ms grandes)
2
i
e
(para dar peso equivalente a residuos ms grandes).
Minimizaremos la suma de los cuadrados de las
distancias verticales desde los puntos de la recta
Primer mtodo Primer mtodo Primer mtodo Primer mtodo
2
3 3 2 2 1
2
)

( min min min
ik k i i i i
X X X Y e Q | | | | . . = =

0 )

( 2
) 1 (
3 3 2 2 1
1
= . =

ik k i i i
X X X Y
Q
| | | |
| c
c
0 ) )(

( 2
) 2 (
2 3 3 2 2 1
= . =

i ik k i i i
x X X X Y
Q
| | | |
| c
c K ecuaciones

) )( ( ) (
2 3 3 2 2 1
2
i ik k i i i
| | | |
| c
normales
0 ) )(

( 2 ) (
= =

X X X X Y
Q
k | | | |
c
0 ) )( ( 2
) (
3 2 2 1
ik ik k i k i i
k
X X X X Y k | | | |
| c
Trabajando Trabajando Trabajando. Trabajando.
X X
X Y ) 2 (
X
X

N Y ) 1 (
2 i ik k
2
2 i 2 2 i 1 2 i i
ik k 2 i 2 1 i
| + . + | + | =
| + . | + | =

X
X X
X Y ) k (
) (
2
2 i ik k 2 i 2 2 i 1 2 i i
| | |
| | |

X X X X X Y ) k (
ik
k ik 2 i 2 ik 1 ik i
| + . + | + | =

(
(
(
|
(
(
(
(
(
(

1
2
ik 2 i 1
X X X X
X . . X n
Y
Y
X X X
1 . . 1 1
(
(
(
(
(
|
(
(
(
(
(
=
(
(
(
(
(
(
(
(
(
(
.

2
ik 2 i
2
2 i 2 i 2
2 n 22 12
.
. . . . .
X X . . X X
.
Y
. . . .
X . . X X
(
(
|
(
(
(
(
(
(

k
2
ik ik 2 i ik n
k 2 k 1
.
X . . X X X
. . . . .
Y
.
X . . X X
. . . . .
nk
X
Y
|
.
(
(
(
k 2 23 22
k 1 13 12
X . X X 1
X . X X 1
(
(
(
X . . X X
1 . . 1 1
2 n 22 12
(
(
(
(
(
k 2 23 22
k n
. . . . .
. . . . . X
(
(
(
(
(
.
=
. . . . .
. . . .
X
2 n 22 12
'
n k
(
nk 3 n 2 n
X . X X 1
(
nk
X . . X X
k 2 k 1
(

X X
matriz XX:
(
(
(
(
=

ik 2 i
2
2 i 2 i
ik 2 i
X X . . X X
X . . X n
X ' X
simtrica
de dimensin k x k (cuadrada)
l di l i i l d
(
(
(
(
=

2
ik ik 2 i ik
X . . X X X
. . . . .
. . . . . X X
en la diagonal principal : suma de
cuadrados de cada variable
y en el resto las sumas de
d t d

ik ik 2 i ik
|
' ' X X Y X
conjunto de
productos cruzados.
| ' ' X X Y X =
j
ecuaciones
normales.
|
' ' X X Y X =
Si (XX)
-1
existe puedo postmultiplicar por (XX)
-1
|
) ' ( ' X X Y X =
| X X Y X
|
|
' ) ' ( ' ) ' (

) (
1 1
X X X X Y X X X
X X Y X

=
| =
I Y ' X ) X ' X (
1
| ) (
Y ' X ) X ' X (
1
= |
necesitamos algn supuesto?
S, necesitamos que XX sea invertible
Cundo una matriz es invertible?
Si es cuadrada Si es cuadrada
Si no se pueden expresar las filas o las columnas como combinacin lineal entre s la
matriz es de rango completo el determinante de la matriz es distinto de cero.
Esto implica que para poder calcular , las variables explicativas que son las
que forman XX, tendrn que cumplir con determinadas condiciones que
aseguren que la matriz sea invertible
aseguren que la matriz sea invertible.
Segunda forma Segunda forma Segunda forma. Segunda forma.
Queremos minimizar , y esto es equivalente
a minimizar ee, porque
2
i
e
, p q
|
|
|
|
|
|
|
1
e
|
|
|
|
|
|
|
|
|
.
.
.

= = . =
|
|
|
|
|
.
\
2
1 1
2 2
1
' ) ( min e e e
n
e
e e e e
n i
)
( )
min( ' min min

2
1
| | X Y X Y e e e
'
= =

) )( ' '
' ( )
( )'
min( ' min
| | | |
|
X Y X Y X Y X Y e e = =
) )( ' '
' ( )
( )'
( i | | | | X Y X Y X Y X Y ) )( ' ' ' ( ) ( )' ( min
| | | |
|
X Y X Y X Y X Y =
| | | |
' '
' '

' ' X X Y X X Y Y Y + =

IGUALES
1 1 1 1
escalares

_
_
_ _
|
' 2 X Y

| | |
' '

' 2 ' min X X X Y Y Y Q + = | | |
|
2 min
X X X Y Y Y Q + =
)
' '
( )
' 2 ( ) ' ( | | c | c c c X X X Y Y Y Q
0
) (
) 2 (
) (

= + + =
| c
| | c
| c
| c
| c
c
| c
c X X X Y Y Y Q
2
c Q
0
)'
)(
(
>
c| | c
c Q
0
' '
' 2 (
) ' (

= +
+ =
| c
| | c
| c
| c
| c
c
| c
c X X X Y Y Y Q
| c | c | c | c
0
) ' ( c Y Y
0
) (
=
| c
Y X
X Y X Y
' 2
)
' (
2
)
' 2 ( | c | c
Y X 2
= =
| c | c
|
| | c
' 2
)
' '
(
X X
X X
|
| c
' 2
X X =
0
' 2 ' 2
= + = |
| c
c
X X Y X
Q
( ) Y X X X ' '
1
= |
existe ) X ' X ( Si Y ' X
X ' X
Y ' X 2
X ' X 2
1
= |
= |
( )
existe ) X X ( Si Y X X X = |
Condiciones de segundo orden
X ' X 2
)'
)(
(
Q
2
=
| c | c
c
Las condiciones de mnimo: XX definida
) )( ( | |
Las condiciones de mnimo: X X definida
positiva.
Definamos d cualquier vector no nulo de k elementos
c un vector de n elementos tal que c=Xd.
Como X es de rango completo por columna
esto implica que c sea no nulo esto implica que c sea no nulo
(de lo contrario habra dependencia lineal entre las columnas
de X).
Por lo tanto cc= dXXd >0 y entonces XX es
Por lo tanto, c c= d X Xd >0 y entonces X X es
definida positiva.
Deduccin de los estimadores MICO Deduccin de los estimadores MICO
en el modelo simple. en el modelo simple. en el modelo simple. en el modelo simple.
Y ' X ) X ' X (
1
= |
i
2
i 2 1 i
X Y + | + | =
Cmo son las matrices para este caso en
particular?
) ( |
(
X 1
particular?
(
(
(
(
=
(
(
(
(
. . . . .
=
(
(
(
(
(
=
1
12
12
:
:
Y
Y
1 1
' X : :
X 1
X 1
X
(
(
.
(
(
(
n
2 n 22 12
2 n
Y
:
X X X
X 1
: :
(
12
X 1
(
=
(
(
(
(
(
=

2
2 i 2 i
2 i
22
12
2 22 12
X X
X n
. .
X 1
.
X . . X X
1 . . 1 1
X ' X

(
(
(
2 i 2 i
2 n
2 n 22 12
X X
X 1
. .
X . . X X
(
(
n X
X X
) X ( X n
1
) X ' X (
2 i
2 i
2
2 i
2
2 i
2
2 i
1
(
(
(
(
2
2 i
2
2 i
2 i
2
2 i
2
2 i
2
2 i
1
) X ( X n
X
) X ( X n
X
(
(
(
(
2
2 i
2
2 i
2
2 i
2
2 i
2 i
1
) X ( X n
n
) X ( X n
X
) X ' X (
(
=
(
(
(
(
i
1
Y X
Y
:
:
Y
.
X X X
1 . . 1 1
Y ' X

(
(
i 2 i
n
2 n 22 12
Y X
Y
: X . . X X
(
(

2 i
2
2 i
X X
(
(
(
(
(
(
(
(

= = |
i
2
2 i
2
2 i
2 i
2
2 i
2
2 i
2 i
1
Y X
Y
X
) X ( X n ) X ( X n
Y ' X ) X ' X (

(
(
(

i 2 i
2
2 i
2
2 i
2
2 i
2
2 i
2 i
Y X
) X ( X n
n
) X ( X n
X
(
(
(
(
(
(
(
i
2
2 i
2
2 i
2 i
2
2 i
2
2 i
2
2 i
1
Y ) X ( X n
X
) X ( X n
X
Y ' X ) X ' X (
(
(
(
(
(
(
= = |

i 2 i
2
2 i
2
2 i
2
2 i
2
2 i
2 i
Y X
) X ( X n
n
) X ( X n
X
Y ' X ) X ' X (
(
(
(

2
2 i
2
2 i
i 2 i 2 i i
2
2 i
) X ( X n
Y X X Y X
= = Y n Y
n
Y
Y
i
i
(
(
(
(
(
+
= = |

2 2
i 2 i i 2 i
2 i 2 i
1
Y X n Y X
) (
Y ' X ) X ' X (
= = X n X
n
X
X
n
i
i
(

2
2 i
2
2 i
) X ( X n
(
(

(
(

i 2 i
2
2 i i 2 i
2
2 i
Y X X Y X Y X X n Y n X
(
(
(
(
(
(
=
(
(
(
(
(
(
= = |
i 2 i
2 2
2 i
i 2 i
2 2
2 i
1
Y X Y X n
X n X
Y X n Y n X n
) X n ( X n
Y ' X ) X ' X (

(
(
(
(

2 2
2 i
i 2 i
2 2
2 i
i 2 i
X n X ) X n ( X n
(
(
(

2 2
2 i
i 2 i
2
2 i
X n X
Y X X Y X
(
(
(
(
(
= |
i 2 i
2 i
Y X n Y X
X n X
(
(
2 2
2 i
X n X
(
(
(
(
(

2 2
i 2 i
2 2
2 2
2 i
i 2 i
2 2
2 i
X n X
) Y X n Y X ( X
X n X
Y X n Y X
) Y X n Y X ( X Y X n Y X
(
(
(
(
(
(
|

=
(
(
(
(
(
= |

2
2 i 2 i
2
2 2
2 i
i 2 i 2 i

X n X X n X
X n X
(
(
(
(
|
|
.
|
\
|
|
|
.
|
\
|
2 2
2 i
i 2 i
2 2
2 i
2 2
2 i
X n X
Y X n Y X
X
X n X
X n X
Y
(
(
(
X Y |
(
(
|
|
=
(
(
(
(
(
(
|
. \ . \
= |

2
2
2
2 i 2 i
X Y

X n X X n X
(
(
(
(
2
2
Y X n Y X
X Y
i i
|
|
(
(
(
(
2 2
2
2
X n X
i
i i
Reinterpretando las ecuaciones Reinterpretando las ecuaciones pp
Recordando de Inferencia:
) ( ) )( ( Y X Y X Y X Y X Y Y X X

+ ) ( ) )( (
) , cov(
n
Y X Y X Y X Y X
n
Y Y X X
Y X S
i i i i i i
xy

=
+
= = =

n
n
Y X Y X X Y
n
Y X
n
n
Y X
n
Y
X
n
X
Y
n
Y X
i i i i i i
= + == + =

n
X Y n Y X
X Y
n
Y X
i i i i

= =
n n
) ( ) (
2
2 2
2

X n X X X
i i
1
) (
1
) (
Var(X)
2
= =

n
X n X
n
X X
S
i i
x
Luego, la frmula (**) la podemos transformar para interpretarla
mejor.
2
~ =
S nS Y X n Y X
xy xy i i
|
Y e X entre muestral covarianza
) 1 (
2 2 2 2
2
~
x x i
S S n X n X
|
X de varianza
=
donde:
|1 d d l i |1 - ordenada en el origen
|2 - coeficiente angular o pendiente
Las formulas en desvos Las formulas en desvos

= =
=
2 2 2 2
2
) (
) )( (

X X
Y Y X X
S
S
X n X
Y X n Y X
i i
XY
i i
|
Si definimos las variables en desvos respecto a su media

) ( X X S X n X
i X i
Y Y y
X X x
i i
i i

=
=
=
2
2
i
i i
x
y x
|
Donde las variables en minsculas representan desvos respecto a
i
la media.
Para el caso de la regresin y dos variables:
Y
i
= |
1
+ |
2
X
i2
+ |
3
X
i3
+
i
X = XY =
(
(
(
(
X X
X X
23 22
13 12
1
1
(
(
Y X
Yi
X
nx3
= X Y =
(
(
(
(
X X n n 3 2
1
. . .
. . .
(
(
(
Y X
Y X
i i
i i
3
2
(
(
(

X X X X
X X i i
n
2
3 2
XX =
(
(

X X X X
X X X X
i i i i
i i i i
2
3 3 2 3
3 2 2 2
Para el caso de la regresin con dos variables en desvos respecto a la
media: media:
y
i
= |
2
x
i2
+ |
3
x
i3
+
i
y
i
|
2
x
i2
|
3
x
i3

i
(
(
(
(
(
(
y
x x x x x
x x
1
12 11
(
(
(
(
=
(
(
(
.
=
(
(
(
(
=
n
y
x x x
x x x
x
x x
x
:
:
'
: :
: :

1 21 11 22 21
(
.
(
(
n
n
n n
y
x x x
x x
: :
2 22 12
2 1
'
2
2 1 2
1 2
2
1
|
|
.
|
\
|
=

i i i
i i i
x x x
x x x
x x
'
2
1
|
|
.
|
\
|
=
y x
y x
y x
i
i
2 1 2 . \

i i i
x x x
2 . \
y
i
'
1
|
|
|
|
=
y x
y x
i
( )
( )

1
'
2
1 2
2
2
2
2
2
1
|
|
.
|
\
|

=

i i i
x x x
x x
2
|
|
.
y x
y
i
( )
2
1 1 2 1 2
2
2 1
|
.
\

i i i i i i i
x x x x x x x
( )
|
|
|
|

2
2
2
2 1 2 1
2
2 i i i i i
y x x x y x x
( )
( )
|
|
|
|

== =

2
2
1 2
2
2
2
1
1
' '
i i i i
x x x x
y x x x |
( )
|
|
|
.

2
1 2
2
2
2
1
1 1 2 2
2
1
i i i i
i i i i i
x x x x
y x x x y x x
EJEMPLOS : EJEMPLOS : EJEMPLOS : EJEMPLOS :
1. Modelo de mercado
2. funcin keynesiana de consumo 2. funcin keynesiana de consumo
(para la casa)
Modelo de mercado Modelo de mercado Modelo de mercado Modelo de mercado
La teora (CAPM) plantea que el retorno
esperado de cualquier activo financiero esperado de cualquier activo financiero
menos de la tasa libre de riesgo rf es igual
al premio por riesgo no diversificable
(sistemtico) del activo, el cual depende de
la sensibilidad del activo ante un cambio en
el retorno de mercado y el exceso de
retorno del mercado
( ) ( )
i f m f
E r r r r o | = +
retorno del mercado.
El modelo de mercado testea esto,
estableciendo que existe un nico factor que
explica el retorno de una accin y que sirve
( )
|
explica el retorno de una accin y que sirve
como aproximacin al resto de los factores
comunes o sistemticos. Este factor es el
ndice de mercado. Es decir que el modelo
implica que :
( )
it f Mt f i
r r r r o | = + +
( )
, , Accion t f ipsa t f t
r r r r o | = + +
Ejemplo Ejemplo Ejemplo Ejemplo
Ejemplo Montecarlo Ejemplo Montecarlo
Ejemplo de clculo: muestra numero 12
Clculo con modelo mltiple Clculo con modelo mltiple
Clculo con modelo simple
ver corolarios
Clculo en Eviews
Interpretacin de los coeficientes estimados
Outliers
Cambio de escala en las variables
Una digresin sobre formas Una digresin sobre formas
funcionales y elasticidades funcionales y elasticidades
RELACIONES LINEALES Y NO LINEALES
X Y | o + =
es lineal en los parmetros o y |, tambin es lineal
en las variables Y y X.
X
e Y
| o+
=
No es lineal en X e Y, pero s en el plano log Y, X.
Es linealizable.
X Y | o + = log
2
X X Y o | o + + =
Es lineal en los parmetros, pero ya no en las
variables.
Es linealizable.
La estimacin de |=b
X Y = o
|
La estimacin de |=b
La estimacin de o=antilog(a)
bx a y
X Y
+ =
+ = log log log | o
No es lineal en los parmetros.
|
o X Y + =
FUNCIN DOBLE LOGARTMICA FUNCIN DOBLE LOGARTMICA
Y= o X
|
Y= o X
|
dY
X
Y
X
X
X
dX
dY
|
o
| o|
|
|
= = =
1
d elasticida
X
Y
dX
| =
O<|<1, pendiente positiva, pero a tasa decreciente.
|<0 pendiente negativa
X
|=-1, hiprbola equiltera
Si queremos linealizarlo es preciso transformarlo previamente tomando logaritmos Si queremos linealizarlo es preciso transformarlo previamente tomando logaritmos
logY=log o+ | logX,
En este modelo de regresin, el parmetro | recoge la elasticidad de la variable Y
respecto a X y se interpreta como el cambio porcentual que se provoca en Y, por cambio
porcentual en X.
ELASTICIDAD Y LA FUNCIN DOBLE LOGARTIMICA
|
2
1
|
| X Y =
X Y log log
1
2
|
|
=
Modelo
linealizado
' '
2
'
1
X Y | | + =
X
X
X Y
log log
log log
log log
2 1
1
1
2
| |
|
|
|
+ =
+ =
log '
, log ' donde
=
=
X X
Y Y
X log log
2 1
| | +
1
'
1
log
log
| | =
X X
| |
25
La constante ser estimada a travs de log |
1
. Para obtener |
1
, se debe calcular exp(|
1
').
FUNCIN SEMI FUNCIN SEMI-- LOGARTMICA LOGARTMICA
Y= e
o+ | X
| |
| o
= =
+
dY
Y e
dX
dY
X
L(Y) =o+ | X
| =
Y
dX
dY
La forma de la funcin depende de |. p |
Si queremos linealizarlo es preciso transformarlo previamente tomando logaritmos
logY= o+ |X,
En este modelo de regresin, el parmetro | no recoge la elasticidad de la variable Y
respecto a X
respecto a X.
La tasa de cambio proporcional en Y por un cambio unitario en X es constante e igual a |.
De forma que si X vara en una unidad, Y vara en 100|%
FUNCIN RECPROCA FUNCIN RECPROCA
Y= o+ | (1/X)
2
X dX
dY |
=
X dX
|>0, la pendiente ser negativa
|<0, pendiente positiva.
Como 1/X tiende a cero cuando X tiene a infinito, o es un valor
asinttico para Y.
Como es lineal en los parmetros no es necesario llevar a cabo
p
ninguna transformacin para poder estimarlos
FUNCIN LOG FUNCIN LOG--RECPROCA RECPROCA FUNCIN LOG FUNCIN LOG RECPROCA RECPROCA
LOG Y= o- | (1/X)
2
e
X dX
dY
X
|
|
o
|
.
|
\
|
=

LOG Y o | (1/X)
Y=e
o- | (1/X)
2
dY
Y
X dX
dY |
|
.
|
\
|
=
. \
2
X Y
dX
dY
|
=
La tasa de crecimiento de Y por cambio unitario en X es
inversamente proporcional al cuadrado de X
C 1/X ti d d X ti i fi it
o
l Como 1/X tiende a cero cuando X tiene a infinito, e
o
es un valor
asinttico para Y.
Es necesario linealizar esta funcin para estimarla.
Es similar a una logstica
t
e
k
Y
o
|

+
=
1
Cmo se incorpora el trmino de error?
u X Y + + = log log log
2 1
| |
u
e X Y
2
1
|
| =
Para que sea posible la linealizacin, el trmino de error debe ser multiplicativo: e
u
. Para que sea posible la linealizacin, el trmino de error debe ser multiplicativo: e .
u X Y + =
2
1
|
|
) log( log
2
1
u X Y + =
|
|
u X Y +
1
|
) g( g
1
|
En este caso NO es posible linalizar tomando logartmos. No hay forma de simplificar
log(|
1
X
|
+ u). Debemos utilizar un mtodo de regresin no lineal.
7
EJEMPLO 3: INTERPRETACIN DE UNA REGRESIN DE CORTE
TRANSVERSAL.
60
70
80
40
50
60
o
r

h
o
r
a

20
30
40
S
a
l
a
r
i
o

p
o
0
10
-10
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Aos de escolaridad
1
El diagrama muestra el salario por hora obtenido en 2004 para una muestra de 570
encuestados.
EJEMPLO 3: INTERPRETACIN DE UNA REGRESIN DE
CORTE TRANSVERSAL.
. reg salario S
Source | SS df MS Number of obs = 570
---------+------------------------------ F( 1 568) = 65 64 + F( 1, 568) = 65.64
Model | 3977.38016 1 3977.38016 Prob > F = 0.0000
Residual | 34419.6569 568 60.5979875 R-squared = 0.1036
---------+------------------------------ Adj R-squared = 0.1020
Total | 38397.0371 569 67.4816117 Root MSE = 7.7845
------------------------------------------------------------------------------
EARNINGS | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
S | 1.073055 .1324501 8.102 0.000 .8129028 1.333206 S | 1.073055 .1324501 8.102 0.000 .8129028 1.333206
_cons | -1.391004 1.820305 -0.764 0.445 -4.966354 2.184347
------------------------------------------------------------------------------
Estimacin en Stata.
En la primera columna se encuentra el nombre y en la segunda, el valor estimado del
coeficiente.
coeficiente.
Aqu hay una sola variable, S, y su coeficiente es 1.073. _cons, se refiere a la constante
que es -1.391.
5
80
EJEMPLO 3: INTERPRETACIN DE UNA REGRESIN DE CORTE TRANSVERSAL.
60
70
a
S Salario 073 . 1 391 . 1 + =
^
30
40
50
i
o

p
o
r

h
o
r
a
10
20
30
S
a
l
a
r
-10
0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Aos de escolaridad
Como se interpreta? Depende de las unidades de medida. S est medido en aos,
SALARIO en dlares por hora. Luego, la pendiente implica que el salario por hora aumenta
di USD 1 07 d di i l d l id d
en promedio en USD 1.07 por cada ao adicional de escolaridad.
La constante indica (en forma literal) que una persona sin escolaridad debe pagar -1.39
dolares por trabajar. ESTO NO TIENE SENTIDO E INDICA QUE NO SIEMPRE SE PUEDE
INTERPRETAR.
9
. reg Lsalario S
Modelo SEMI- LOGARTMICO
---------+------------------------------ F( 1, 568) = 93.21
Model | 21.681253 1 21.681253 Prob > F = 0.0000
Residual | 132 12064 568 23260676 R-squared = 0 1410 Residual | 132.12064 568 .23260676 R squared = 0.1410
---------+------------------------------ Adj R-squared = 0.1395
Total | 153.801893 569 .270302096 Root MSE = .48229
------------------------------------------------------------------------------
LGEARN | Coef. Std. Err. t P>|t| [95% Conf. Interval]
---------+--------------------------------------------------------------------
S | .0792256 .0082061 9.655 0.000 .0631077 .0953435
_cons | 1.358919 .1127785 12.049 0.000 1.137406 1.580433
------------------------------------------------------------------------------
|
La estimacin de |
2
es 0.079. Esto implica que un ao extra de escolaridad, implica un
aumento del salario en 7.9%.
13
Modelo SEMI- LOGARTMICO
80
60
70
40
50
o

p
o
r

h
o
r
a
10
20
30
S
a
l
a
r
i
o
-10
0
10
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
$
10
Aos de escolaridad
La regresin lineal predice que el ingreso aumenta en $1 por hora por cada ao adicional,
mientras el semi-logartmico, implica que el ingreso aumenta junto al nivel educacional.
21
Comparacin del trmino de error.
140
100
120
60
80
40
60
0
20
-2 0 2
Lineal Semi-logartmico
20
COROLARIOS DE LOS COROLARIOS DE LOS
ESTIMADORES MICO ESTIMADORES MICO
1. Ortogonalidad del residuo
2. Hiperplano pasa por punto de medias.
3. es ortogonal a e e=0
4 El l di d Y ti d i l l l di d 4. El valor medio de Y estimado es igual al valor medio de
Y observado
5. Regresin en desvos
6. Suma de cuadrados.
6. Suma de cuadrados.
1 Ortogonalidad del residuo 1 Ortogonalidad del residuo 1. Ortogonalidad del residuo 1. Ortogonalidad del residuo
Al i i i ll l i i t i
Y X X X '
) ' ( |
Al minimizar ee, llegamos a la siguiente ecuacin
ECUACIONES NORMALES
SABEMOS QUE
Y X X X ' ) ' ( = |
SABEMOS QUE
| = =
X Y Y
Y e e
X Y + | =
Y ' X
) X ' X ( = |
e ' X
X ' X
) X ' X (
) e
X ( ' X
) X ' X (
+ | |
+ | = |
0 e ' X =
e ' X X ' X ) X ' X ( + | = |
Qu significa? Qu significa?
(
(
(
(
=
(
(
(
(
= (
(
(
(
(
(
(
(
.
=

0
0
0
X e
X e
e
e
e
e
. . . .
X . . X X
1 . . 1 1
e ' X
3 i i
2 i i
i
2
1
2 n 22 12
0
(
(
(
(
=
(
(
(
(
=
(
(
(
(
(
(
(
(
.
=
0
.
0
X e
.
X e
e
.
e
X . . X X
. . . . .
. . . .
e X
ik i
3 i i
n
3
k 2 k 1
nk
e
i
= 0
La igualdad de la primera fila implica que si la regresin tiene constante la
media de los errores es SIEMPRE cero
Se compensan
0 e =
Se compensan
e
i
X
i
= 0
0 e =
la correlacin muestral entre los residuos y cada variable Xi es cero.
En trminos matriciales esto implica que el vector de errores es ortogonal a la
matriz X de variables del modelo.
Un vector como e, que es ortogonal a cualquier vector del hiperplano
generado por las columnas de X, se dice que es normal al hiperplano.
Ecuaciones normales Ecuaciones normales Ecuaciones normales Ecuaciones normales
Estas son las condiciones que se debe
cumplir para minimizar la suma de los
cuadrados de los residuos.
A las k condiciones se les llama
generalmente ECUACIONES generalmente ECUACIONES
NORMALES.
grados de libertad
2. 2. El hiperplano de regresin pasa por el
punto de medias muestrales
e X Y |
+ =
i ik k i i i
e X X X Y | | | |
|
i todo para sumo
....

3 3 2 2 1
+ + + + + =
( )
i ik k i i i
e X X n Y
e X X X Y
| | |
| | | |

....

i todo para sumo
3 3 2 2 1
+ + + + =
+ + + + + =

Si hay intercepto el
punto
i ik k i i
e n Y
e X X n Y
| | |
| | |

n entre divido
....
2 2 1
+ + + + =

) , ,...., , (
3 2
Y X X X
k
punto
verifica la ecuacin
i
ik
k
i
i
n
e
X
n
X
n n
n
n
Y | | |
....
2
2 1
+ + + + =

f
k k
X X X Y | | | |
....

3 3 2 2 1
+ + + + =
3. Y es ortogonal a e 3. Y es ortogonal a e
.
) ' '
( '
)'
( '
=
=
e X e Y
e X e Y
|
|
44 El valor medio de Y estimado es igual El valor medio de Y estimado es igual
0 ' '
'
0
= = e X e Y |
4. 4. El valor medio de Y estimado es igual El valor medio de Y estimado es igual
al valor medio de Y observado al valor medio de Y observado
e Y Y
+ =
e Y Y
e Y Y
i i i
i i i
i todo para sumo

+ =
+ =

Y Y
n entre divido

Y Y
e
n
Y
n
Y
i
i i
0
=
+ =

5. EXPRESION DE LA REGRESIN 5. EXPRESION DE LA REGRESIN
EN DESVIOS EN DESVIOS EN DESVIOS EN DESVIOS
i ik k i i i
e X X X Y (1)
........

3 3 2 2 1
| | | | + + + + + =
i ik
k
i i i
i ik k i i i
e X X X Y

( )
3
3
2
2 1
3 3 2 2 1
| | | |
| | | |
E
+
E
+ +
E
+
E
+ =
E
k
X X X Y
n n n n n

........
3 2 1
| | | |
| | | |
+ + + + =
+ + + + + =
k k
X X X Y ........
3 3 2 2 1
| | | | + + + + =
k k 3 3 2 2 1
X
........ X
| | | = |
k k 3 3 2 2 1
| | | |
i ik k 2 i 2 1 i
e X
........ X

Y ) 1 ( + | + + | + | =
( )
i ik k 2 i 2 k k 2 2 i
i ik k 2 i 2 1 i
e X
........ X
........ X
Y Y
) (
+ | + + | + | | =
| | |
i k ik k 3 3 i 3 2 2 i 2 i
i ik k 2 i 2 k k 2 2 i
e ) X X (
........ ) X X (
) X X (
Y Y
e X
...... X
........ X
Y Y
+ | | + | =
+ | + + | + | | =
i ik k 3 i 3 2 i 2 i
e x
........ x
y + | + + | + | = el modelo se puede expresar en desvos.

Una transformacin a desvos Una transformacin a desvos Una transformacin a desvos. Una transformacin a desvos.
= ii
n
I A '
1
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
y
y
Y
Y
Y
Y
Y
Y
AY
n

2
1
2
1
2
1
1 1 1
1 1 1
1
0 1 0
0 0 1
|
|
|
.
\
=
|
|
|
.
|
|
|
.
\
=
|
|
|
.
)
`
|
|
|
.
|
|
|
.
\
=
n n n
y Y Y Y
n
AY
. . . .
. .
. .
1 1 1 1 0 0
Aes una matriz simtrica e idempotente A es una matriz simtrica e idempotente.
Ae=e
Ai=0
y
Y Y
(
(
(
(
1
1
(
(
2
AY
y
Y Y
y =
(
(
(
(
(
=
(
(
(
(

= .
.
2
2
(
(
(
(
=
k
|
|
3 *
1 ) 1 (
y
Y Y
n
n
(
(
(
(
(

.
.
(
k
|
x x
x x
X X X X
X X X X
k
k
k k
k k
(
(
(
(
(
(

. .
. .
. .
. .
2 22
1 12
2 2 22
1 2 12
AX
x x
x x
X X X X
x
nk n
k
k nk n
k k
k n
=
(
(
(
=
(
(
(

=

. .
. . . .
. .
. .
. . . .
. .
2
2 22
2 2
2 2 22
) 1 (
( )
1
|
| e X i e X Y +
|
|
|
|
+ ( )
( )
1
*
2
|
|
|
Ae AX Ai AY
e X i e X Y
+
|
|
|
|
=
+
|
|
.
\
= + =
( )
( )
* 1
*
2
|
|
|
Ae AX Ae AX AY
Ae AX Ai AY
= + = +
|
|
|
|
=
+
|
|
.
\
=
e x y + =
*
|
( )
*
2
2
*
2
0
|
|
|
e AX AY
Ae AX Ae AX AY
= + =
= + = +
|
|
.
\
=
y |
*
*
| e x y + =
.
*
x y
| =
*
| x y =
x y
*
*
| =
x ' x '
y ' x '
2 - y y'
x ' x '
y ' x '

x ' y y ' y )
x y ( )'
x y ( e ' e
x y y
y e
* * * * * * * *
*
| | + | = | | + | | = | | =
| = =

e ' e
*
c
0
x ' x y ' x
0
x ' x 2 y ' x 2
e e
*
*
= | + =
= | + =
| c
c
y ' x ) x ' x (

y
1 *
= |
|

y x ) x x ( = |
6. Descomposicin de la suma de 6. Descomposicin de la suma de
d d d d cuadrados cuadrados
) e
X ( Y + | =
e ' e
X ' e e ' X '

X ' X '
) e
X ( ) ' e ' X '
( Y ' Y
) e
X ( )' e
X ( Y ' Y
+ | + | + | | = + | + | =
+ | + | =
0
X ' e y 0 e ' X '
= | = |
e ' e
X ' X '
Y ' Y + | | = | |
Suma de cuadrados totales (SCT) Suma de cuadrados totales (SCT) Suma de cuadrados totales (SCT) Suma de cuadrados totales (SCT)
Definamos: Definamos:
2 2 2 2
) ( Y n Y Y Y y SCT = E = E =

2
) 1 (
) (
Y
i i i
S n SCT
Y n Y Y Y y SCT
=
= E = E =

(
(
(
|
|
|
|
2
1
Y
Y
2
( )

=
(
(
(
(
(
|
|
|
|
|
.
\
=
2
i
n
2
n 2 1
Y
Y
.
. Y . . Y Y Y ' Y
2
Y n Y ' Y SCT =

. \ n
SUMA DE CUADRADOS SUMA DE CUADRADOS
EXPLICADOS (SCE) EXPLICADOS (SCE) EXPLICADOS (SCE) EXPLICADOS (SCE)
2
2 2 2
2
2 2
) 1 (

)

(
S Y Y Y Y Y Y SCE

2 2 2 2 2
) 1 ( ) (
Y i i i i
S n Y n Y Y n Y Y Y y SCE = = = = =

Y Y =
| =
X Y
' '

'

2 2 2 2
Y n X X Y n Y Y Y n Y SCE
i
= = =
| |

' '
2
Y n X X SCE = | |
| |
SUMA DE CUADRADOS SUMA DE CUADRADOS
RESIDUALES (SCR) RESIDUALES (SCR) RESIDUALES (SCR) RESIDUALES (SCR)
e e S n e SCR
e i
' ) 1 (
2
= = =
Es lo que minimiza el mtodo MICO

LUEGO LUEGO LUEGO LUEGO
e ' e
X ' X '
Y ' Y + | | =
restando a ambos lados
| |
2
Y n
Y X X Y Y Y
2 2
'
' '
' | |
S n S n S n
e e Y n X X Y n Y Y
e
Y
Y
+ =
+ =
2 2
2
2 2
) 1 ( ) 1 ( ) 1 (
' ' ' ' | |
SCR SCE SCT
S S S
e
Y
Y
+ =
+ =
2 2
2
es posible dividir la suma de cuadrados totales en dos
partes, una explicada por el modelo y otra residual.
SCR SCE SCT +
Suma de cuadrados en desvos:
e
x y
*
+ | =
e ' e
x ' x '
e ' e
x ' e e ' x '

x ' x '
) e
x )( ' e ' x
( ) e
x ( )' e
x ( y ' y
* * * * * * * * * *
+ | | + | + | + | | + | + | + | + |

e ' e x ' x ' e ' e x ' e e ' x ' x ' x ' ) e x )( ' e ' x ( ) e x ( )' e x ( y ' y + | | = + | + | + | | = + | + | = + | + | =
y ' y SCT

=
SCR SCE e ' e
x ' x '
y ' y
e ' e SCR
x ' x '
' y
SCE
y y SCT
* * * *
+ = + | | =
=
| | = =
=
)
Notar que cuando las variables estn expresadas en desvos, no es necesario restar el
trmino
2
Y
trmino
para el clculo de la suma de cuadrados totales y de la suma de cuadrados
explicados.
2
Y n
Otra forma de expresar este
lt d resultado
Y ' X ) X ' X (
1
= |

e ' e Y ' X ' e ' e Y ' X ) X ' X ( X ' X ' Y ' Y
I
1
+ | = + | =

_
( ) e ' e Y ' X ) X ' X ( X ' Y e ' e Y ' X ' Y ' X ) X ' X ( Y ' Y
1 1
+ = + =

EJEMPLO: el modelo de mercado EJEMPLO: el modelo de mercado
i Mt it
r r | o + + =
2 2 2 2
o o | o + =
M i
De acuerdo al modelo de mercado, el riesgo total de la accin i,
viene dado por la varianza del retorno de i, o
2
i
y esta puede quebrar
en dos componentes: en dos componentes:
una parte sistemtica que proviene del riesgo de mercado
una parte nica o no sistemtica.
Puede demostrarse que cuantas ms acciones tenga el portafolio,
este ltimo componente tiende a desaparecer por lo q e este ltimo componente tiende a desaparecer, por lo que
generalmente este riesgo se llama diversificable. Aumentar la
diversificacin del portafolio lleva a una reduccin del riesgo nico
del portafolio. Esto no ocurre con el riesgo sistemtico o no
diversificable
diversificable.
o
p
Riesgo nico Riesgo nico
Riesgo de mercado
Riesgo total
N
Riesgo total
N
COEFICIENTE DE COEFICIENTE DE
DETERMINACION R DETERMINACION R
22
Coeficiente de determinacin (R2).
Esta descomposicin da lugar a una medida de la bondad de ajuste del
modelo de regresin
SCT
SCR
1
SCT
SCR SCT

SCT
SCE
R
2
=
= =
Consideraciones:
Es una medida de bondad absoluta del modelo
mide qu proporcin de varianza total (la varianza de Y) es explicada por el modelo mide qu proporcin de varianza total (la varianza de Y) es explicada por el modelo
de regresin ( por X).
Cuanto mayor sea la relacin entre X e Y, mayor ser este indicador.
E did d b d d l ti t d l Es una medida de bondad relativa entre modelos.
Por ejemplo, permite comparar si la capacidad explicativa es mayor incluyendo X
como variable independiente respecto a incluir Z.
0 s R2 s 1
( Si el modelo no explica nada SCR = SCT R2 = 0)
( Si el modelo explica todo SCE = SCT R2 = 1)
R
2
= 1 R
2
= 0
Y Y
Y Y
* * *
Y Y
* * * *
X X
Todas las observaciones
coinciden con la lnea de
regresin ajuste perfecto
No existe relacin alguna que
sea expresable linealmente.
regresin ajuste perfecto
(imposible).
FRMULAS FRMULAS FRMULAS FRMULAS
Y n X X SCE
' '
2
2
| |
SCR SCT
R
2

Y n Y X
Y n Y Y
Y n X X
SCT
SCE
R
' '
'
2
2
2
2
|
| |

= =
SCR
R
SCT
R
1
2
2
=
y x x x
Y n Y Y
Y n Y X
R
' '

' '
'

* *
2
2
2
| | |
|
=
e e
SCT
SCR
R
'
1
2
=
y y
y x
y y
x x
R
' '

2
| | |
= =
e e
Y n Y Y
e e
R
'
'
1
2
2
=
y y
e e
R
'
1
2
=
Comente Comente Comente Comente
El anlisis de regresin sirve para verificar si las variables
explicativas son las causantes del comportamiento de la variable
dependiente dependiente.
Se han estimado las siguientes regresiones. Son comparables los
R2? R2?
LN(salario) = 6.24 + 0.09 EDUC R2 = 0.629
l i 878 12 27 65*EXPER R2 0 56 salario = 878.12 + 27.65*EXPER R2 = 0.56
Pese a que el R2 permite verificar el ajuste de la regresin no es
b it i l i t ti d buen criterio para seleccionar entre estimadores.
El R2 corregido.
El R2 mltiple tiene un problema
i 2 i 2 1 i
X Y + | + | =
qu ocurre con SCT?
i 3 i 3 2 i 2 1 i
X X Y + | + | + | =
+ =
+ =
2 2 2
1 1 1
SCR SCE SCT
SCR SCE SCT

qu ocurre con SCT?
es la misma ya que no cambia la muestra.
Pero, slo por agregar una nueva variable (algo explica),
la SCR2 disminuye, provocando un aumento R2 cuando aumenta k.
Por esta razn, para comparar el R2 de dos regresiones, estas deben
tener igual numero de variables. g
Para evitar este problema se define un R2 corregido por grados de
libertad
k n
e ' e
1
k n
e ' e
1 R
2
1 n
y ' y
k n
1
1 n
Y n Y ' Y
k n
1 R
2
2
c
=
Qu relacin tiene R2 y
2
C
R
Qu relacin tiene R2 y
C
R

k n
1 n
) R 1 ( 1
Y n Y ' Y
1 n

k n
e ' e
1 R
2
2
2
c
=
1
| |
) 1 (
1
1
2 2 2 2
R
k n
n
R R R
c

|
.
|
\
|
+ =
|
|
|

+ =
|
|
|

+ =
1
1 ) 1 ( ) 1 (
1
) 1 (
2 2 2 2 2 2
n
R R R
n
R R R
|
.
\

+
|
.
\

+ 1 ) 1 ( ) 1 ( ) 1 (
k n
R R R
k n
R R R
c
|
.
|
\
|
=
|
.
|
\
|
+
+ =
k n
k
R R
k n
n k n
R R R
c
1
) 1 (
1
) 1 (
2 2 2 2 2
. \ . \
k n k n
|
.
|
\
|

=
k n
1 k
) R 1 ( R R
2 2 2
C
. \
k n
|
|
|

+
=
n 1
R
k 1
R
2 2
|
.
\

+
=
k n
R
k n
R
c
Alg nas propiedades Alg nas propiedades Algunas propiedades Algunas propiedades: :
R
2
< R
2
R
c
< R ,
son iguales cuando la correlacin es
perfecta. p
Si aumenta el tamao muestral, dado k,
el R
c
2
tiende al R
2
.
c
Dado n, al aumentar el nmero de
variables explicativas, (R
2
- R
c
2
) p (
c
)
aumenta.
R
c
2
puede ser negativo.
c
p g
Ms sobre R Ms sobre R
22
Ms sobre R Ms sobre R
En el modelo de regresin mltiple ya no se cumple la g p y p
relacin entre el coeficiente de correlacin y el de
determinacin.
Sin embargo, el cuadrado del coeficiente de correlacin
t Y i l R
2
entre Y e es igual a R
2
.
El R
2
sigue siendo solamente un indicador de la bondad
de ajuste de la regresin:
por tanto es ms importante la relevancia lgica o terica de la
regresin
y la significancia estadstica de esta que el ajuste obtenido.
Un R
2
elevado no es evidencia a favor del modelo as Un R
2
elevado no es evidencia a favor del modelo, as
como un R
2
bajo no es necesariamente evidencia en
contra del mismo. El modelo tiene que ver con
parmetros en una poblacin, no con la bondad de
parmetros en una poblacin, no con la bondad de
ajuste en una muestra.
Interpretacin de los estimadores Interpretacin de los estimadores
MICO. MICO. MICO. MICO.
En el modelo simple En el modelo simple
Y
i
= |
1
+ |
2
X
i2
+ e
i
nos interesa medir el efecto de la variable explicativa sobre
la variable explicada
^
^
la variable explicada.
Este efecto se cuantifica a travs de la estimacin de |
2
.
La interpretacin econmica difiere generalmente de la
matemtica y de la grfica matemtica y de la grfica.
En el modelo mltiple, p ,
Y
i
= |
1
+ |
2
X
i2
+............+ |
k
X
ik
+ e
i
,
Los coeficientes |i estimados miden el efecto parcial de la
variable Xi sobre Yi luego de eliminados los efectos de las
^ ^
^
variable Xi sobre Yi luego de eliminados los efectos de las
otras variables sobre Xi.
diagramas de Ballentine.
Modelo Y
i
= |
1
+ |
x
X
i
+ e
i
.
circulo Y : representa la variacin de la variable dependiente
circulo X: representa la variacin de la variable explicativa.
^ ^
El rea achurada donde se sobreponen los dos crculos, representa la
variacin que es comn entre X e Y y que por tanto puede ser
explicada por MICO.
Esta rea representa la informacin que es utilizada para calcular |x.
^
Cuanto mayor esta rea, mayor la informacin y por tanto menor la varianza
del coeficiente.
X Y
Modelo mltiple Modelo mltiple
X Y
*
* * *
* * * *
* * *
Z
Modelo mltiple Modelo mltiple Modelo mltiple Modelo mltiple
En general existir una zona (tringulos y rayas) en que X y Z se
l overlapan.
Si Y fuera explicada slo por X, para calcular |x se utilizara la
informacin comn entre X e Y (rayas y asteriscos).
Si Y fuera explicada slo por Z, para calcular |z se utilizara la
i f i Y Z ( ) informacin comn entre Y y Z (rayas y puntos).
En la regresin mltiple se incluyen X y Z como variables
explicativas explicativas.
Para calcular |x se usa la interseccin entre X e Y, luego de eliminar la
interseccin entre X y Z.
Es decir que el estimador es calculado usando slo la informacin
representada por el rea marcada con asteriscos representada por el rea marcada con asteriscos.
En forma anloga, la informacin contenida en el rea con puntos es la
nica utilizada para calcular |z.
La informacin contenida en el rea rayada no es utilizada porque al
reflejar la variacin en Y que es determinada en conjunto por X y Z no
reflejar la variacin en Y que es determinada en conjunto por X y Z no
permite aislar sus efectos y asignarlos a cada estimador.
Al agregar variables explicativas los parmetros del modelo son
calculados utilizando cada vez menos informacin calculados utilizando cada vez menos informacin.
Esto provocar un incremento de las varianzas de los estimadores.
La informacin utilizada en la estimacin de los parmetros (y por La informacin utilizada en la estimacin de los parmetros (y por
tanto su varianza) depender de cuanta informacin comn exista
entre las variables explicadas utilizadas.
C t l t X Z ( li lid d t Cuanto mayor el rea comn entre X y Z (mayor colinealidad entre
las variables explicativas), menor resultarn las reas de puntos y
asteriscos y por tanto mayor la varianza de los estimadores.
Si la colinealidad es perfecta los crculos X y Z se overlapan
completamente haciendo imposible la estimacin
Por lo contrario si no e iste ningn rea comn entre X Z (si son Por lo contrario, si no existe ningn rea comn entre X y Z (si son
ortogonales) no existe zona zona rayada y por tanto los estimadores
encontrados en la regresin mltiple seran los mismos que en dos
regresiones simples (una respecto a X y otra respecto a Z).
Otra forma de ver como se interpretan Otra forma de ver como se interpretan
l fi i t l fi i t los coeficientes los coeficientes
Cada coeficiente debe interpretarse como una medicin del efecto
d X b Y l d l li i l f t d l d i bl de X
i
sobre Y
i
luego del eliminar el efecto de las dems variables
sobre Y.
Supongamos que queremos calcular el efecto puro de X sobre Y
podramos hacer el siguiente ejercicio: p g j
Supongamos que la regresin es
Realizamos una regresin entre X y W, y generamos el residuo de
esa regresin: res X que corresponde a la parte de X que no es
i i i i
W X Y | | | + + + =
3 2 1
esa regresin: res X, que corresponde a la parte de X que no es
explicada por W.
Realizamos una regresin entre Y y resX y ese coeficiente lo
interpretamos como el efecto puro de X sobre Y.
Podemos ver que este coeficiente coincide con la estimacin multiple Podemos ver que este coeficiente coincide con la estimacin multiple.
La estimacin de cada coeficiente proporciona el efecto puro de
esa variable sobre Y
i
. No es necesario eliminar efectos cruzados
porque eso es lo que hace la regresin
porque eso es lo que hace la regresin.
Regresin particionada Regresin particionada
Sabemos que:
|
X Y
Y ' X ) X ' X (
1
|
| = X Y e
Y ' X ) X ' X (
1
= |
Y X X X X Y e ' ) ' (
1
= Y X X X X Y e ) (
( )Y ' X ) X ' X ( X I e
1
=
1
( ' ) '
x
M I X X X X
=
MY e =
' X ) X ' X ( X I M
1
=
La matriz M es especial por cumplir las
siguientes propiedades: g p p
Es cuadrada (nn)
Es no estocstica s o estocst ca
Es simtrica
Es idempotente
( ) M ' X ) X ' X ( X ' I ' ' X ) X ' X ( X I ' M
1 1
= = =

Es idempotente
( )( ) = =

' X ) X ' X ( X I ' X ) X ' X ( X I MM
1 1
' X ) X ' X ( X ' X ) X ' X ( X ' X ) X ' X ( X ' X ) X ' X ( X I
1 1 1 1
+ =
MX=0
X ) X X ( X X ) X X ( X X ) X X ( X X ) X X ( X I +
M ' X ) X ' X ( X I ' X ) X ' X ( X ' X ) X ' X ( X ' X ) X ' X ( X I
1 1 1 1
= = + =

0 X X X ' X ) X ' X ( X X X ) ' X ) X ' X ( X I ( MX
1 1
MX=0 0 X X X ' X ) X ' X ( X X X ) ' X ) X ' X ( X I ( MX
1 1
= = = =
Regresin particionada Regresin particionada Regresin particionada Regresin particionada
Supongamos que deseamos particionar Supongamos que deseamos particionar
la regresin en 2,
( )
( )
( )
( )
( )
e X X Y Y Y +
|
|
.
|
\
|
= =
2
2
2 2 2 2
|
|
X2 t d *1 X(2)
( )
. \
X2 es un vector de n*1 y X(2) es una
matriz (n*k-1)con todas las columnas
menos X2
menos X2.
( )
|
|
|
|
|
|
|
|
|
=
Y X X X X X
Y X X X
' ' '
'
) ' (
|
|
( )
( ) ( ) ( ) ( )
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|
Y X
Y X
X X X X
X X X X
'
2
2
) 2 (
2
2
'
2 2
'
2
2 2 2 2
|
|
( )
( )
( ) ( )
1 1
) 2 ( 2
'
2
'
2 2 2
'
2
'
2 ) 2 ( 2
'
2 2 2
'
2

| |
| |
X X Y X X X
Y X X X X X
=
= +
( )
( )
( )
) 2 ( 2
'
2
1
2
'
2 2

| | X Y X X X =

Si (x
2
'x
(2)
)=0, es decir si son
ortogonales, los estimadores
( ) ( )
( ) ) 2 ( 2
'
2
1
2
'
2
'
2
1
2
'
2 2

| | X X X X Y X X X

=
El coeficiente estimado
ortogonales, los estimadores
pueden ser obtenidos de
regresiones independientes.
Resultado util?: puede ser.
Resultado probable? NO
El coeficiente estimado
corresponde a la regresin de
(Y-X
(2)
)|
(2)
en X
2
Resultado probable? NO
Si no son ortogonales, la
omisin de x2 o x
(2)
llevar a
obtener estimadores
sesgados
sesgados.
( )
|
|
|
|
|
|
|
|
|
=
Y X X X X X
Y X X X
'
2 2 2
'
2 2
'
2
'
) ' (
|
|
( )

) 2 (

) 1 (
' ' '
'
2 ) 2 ( 2
'
2 2 2
'
2
| |
| |
Y X X X X X
Y X X X X X
= +
= +
( )
( ) ( ) ( ) ( )
|
|
.
\
=
|
|
.
\
|
|
.
\
Y X X X X X
'
2
2
) 2 ( 2
'
2 2
'
2
2 2 2 2
|
( )
( ) ( )
( )
) 3 (

) 2 (
) 2 ( 2
'
2
1
2
'
2
'
2
1
2
'
2 2
) 2 ( ) 2 ( 2 ) 2 ( 2 2 ) 2 (
| |
| |
X X X X Y X X X
Y X X X X X

=
= +
( ) ( )
( )
) 3 (
) 2 ( 2 2 2 2 2 2 2 2
| | X X X X Y X X X
Sustituyendo (3) en (2)
( ) ( )
( ) ( )
1 1
2
' ' ' ' ' ' '

( ')X X X X X Y X X X X X X X Y | |

(
+ =

( ) ( )
( ) ( )
2 2 2 2 2 2 2 2 2 2 2 2 2 2
2
( ) ( ) ( ) ( ) ( )
( )X X X X X Y X X X X X X X Y | | + =

( ) ( )
( ) ( )
1 1
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
4
' ' ' ' ' ' ' '
( ) ( ) ( ) ( ) ( ) ( )

( )X X X X X Y X X X X X X X X X Y | |

+ =
( ) ( )
( ) ( )
( )
( ) ( )
( )
( )
( ) ( )
( )
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
1 1
2 2 2 2 2 2 2 2 2 2 2 2 2 2 2
1 1
2 2 2 2 2 2 2 2 2 2 2 2 2
5
6
( ) ( ) ( ) ( ) ( ) ( )
' ' ' ' ' ' ' '
( ) ( ) ( ) ( ) ( )
' ' ' ' ' '
( ) ( ) ( )
( )
( )
( )
X X X X X X X X X Y X X X X X Y
X X X X X X X X Y X X X X Y
| |
|
|

(
+ =

( (
+ =

( )
2 2 2 2 2 2
8
' '
( ) ( ) ( )
( )X M X X M Y | =
2
7
'
( )
( )X

( )
( )
( )
1 1
2 2 2 2 2 2 2 2 2 2 2
1
2 2 2 2 2
7

' ' ' ' '
( ) ( )
' '
( ' ) '
( )
n
X X X X I X X I X X X X Y
pero M I X X X X
X M X X M Y
|
|

( (
+ =

=
( )
2 2 2 2 2 2
7
( ) ( ) ( )
( )X M X X M Y | =
( )
2 2 2 2 2
2
8
' '
( ) ( ) ( )
( )X M X X M Y | =
( )
1
2 2 2 2 2
2
9
' '
( ) ( ) ( )
( ) X M X X M Y |

(
=

Y en forma equivalente:
( )
( )
1
2 2 2 2 2
2
10
' '
( )
( ) X M X X M Y |

=
M
(2)
X
(2)
indica el residuo de X
2
, cuando desaparece la influencia
de X
(2)
M
(2)
Y indica el vector de residuos de Y cuando se incluye X
(2)
M
(2)
Y indica el vector de residuos de Y cuando se incluye X
(2)
El coeficiente es la pendiente de la regresin de estos ltimos
sobre los primeros.
El estimador describe la contribucin marginal de X
2
para
li l i i d Y d i t d l t ib i d explica las variaciones de Y, es decir, neta de la contribucin de
X
(2)
.
Teorema de Frisch-Waugh (1933): Regresin de residuos
(double residual regression) , Regresin de residuos sobre
( g ) g
residuos
( ) Y M X X M X
'
1
'

|
M
(2)
X
(2)
2
cuando
( )
( )
( )
Y M X X M X
2 2 2 2 2 2
= |
M
(2)
X
(2)
2
, cuando
desaparece la influencia de X
(2)
M
(2)
Y indica el vector de residuos de Y cuando M
(2)
Y indica el vector de residuos de Y cuando
se incluye X(2)
El coeficiente es la pendiente de la regresin de p g
estos ltimos sobre los primeros.
El estimador describe la contribucin marginal g
de X2 para explica las variaciones de Y, es
decir, neta de la contribucin de X(2)
Cmo seleccionar entre Cmo seleccionar entre
estimadores? estimadores?
Insesgadez
Eficiencia Eficiencia
Consistencia
Cmo seleccionar entre estimadores? Cmo seleccionar entre estimadores?
MICO: es el mtodo ms popular para estimar los
parmetros de un modelo
minimizar la suma de los errores al cuadrado, no dice nada
sobre la relacin del estimador y el verdadero valor del
parmetro.
Puede pasar que la minimizacin sea vlida para una
muestra en particular.
MICO siempre minimiza e
i
2
, pero esto por si solo no
garantiza que se cumplan otras propiedades.
La popularidad de este mtodo proviene de que en
muchos (pero no en todos) los problemas de estimacin
(p ) p
MICO cumple bien con los otros criterios
| = |)
( E
gg
Esto NO quiere decir que
Si se calcula el estimador para muestras
| = |
Si se calcula el estimador para muestras

repetidas, "en promedio" estaremos sobre el
parmetro poblacional. p p
SUPUESTOS:
Minimizar la suma de errores al cuadrado puede
aplicarse sin requerir casi ninguna informacin sobre la
forma en que los datos han sido generados.
Este no es el caso del criterio de insesgamiento Este no es el caso del criterio de insesgamiento.
Para verificar si el estimador MICO es insesgado,
deberemos realizar ciertos supuestos sobre la forma
en que se extrajo la muestra con la que trabajamos.
Distribucin muestral de un estimador Distribucin muestral de un estimador
S li i t t tid Supongamos que realizamos un experimento en muestras repetidas:
dejamos fijos los valores de la variable independiente y obtenemos nuevas
observaciones de la variable dependiente a travs de cambios en la
perturbacin estocstica.
Repetimos el experimento 2000 veces
Para cada una de las 2000 muestras utilizamos un estimador (|*) y Para cada una de las 2000 muestras utilizamos un estimador (| ) y
calculamos la estimacin de |.
Como las muestras son distintas tendremos distintas estimaciones. La
distribucin de estas estimaciones se llama DISTRIBUCIN MUESTRAL DE distribucin de estas estimaciones se llama DISTRIBUCIN MUESTRAL DE
|*f(|*)
La forma que tenga esta distribucin muestral depende del estimador q g p
utilizado y de la forma en que son generados los datos.
Un estimador ser insesgado si la media de la distribucin muestral es
igual a |. Aunque la media no es una medida ideal de posicin, en general se
igual a |. Aunque la media no es una medida ideal de posicin, en general se
prefiere un estimador insesgado, deseando que la estimacin en particular
estar proxima a la media de la distribucin muestral.
Ejemplo: es MICO insesgado? Ejemplo: es MICO insesgado?
Esto se puede probar matemticamente o por Esto se puede probar matemticamente o por
medio de un experimento Montecarlo
Este es un ejercicio de simulacin diseado Este es un ejercicio de simulacin diseado
para dar luz sobre las propiedades en pequeas
muestras de estimadores competitivos para un
problema de estimacin dado problema de estimacin dado.
Pasos:
modelar el proceso de generacin de datos modelar el proceso de generacin de datos
generar un set artificial de datos
emplear esos datos y un estimador para crear
muchas estimaciones.
Utilizar estas estimaciones para encontrar las
propiedades de la distribucin muestral de un
p p
estimador
1. Modelar el Proceso de Generacin de Datos
Por ejemplo consideremos la siguiente FRP:
i i 2 1 i
X Y + | + | =
Por ejemplo consideremos la siguiente FRP:
donde Xi es fijo y los coeficientes sonconocidos (2 y 0.5) y el
error aleatorio se distribuye normal, con media cero y varianza 0.5
2. Generar los datos y utilizar un estimador para crear 1000
estimaciones
For !i=1 to 1000
smpl 1 95
series u{!i}=0.5*nrnd
series y{!i} = 2+0.5*X+u{!i}
equation eq{!i} ls y{!i} c x equation eq{!i}.ls y{!i} c x
smpl 1 1000
beta1(!i) = c(1)
beta2(!i)=c(2)
next
3. Estudiar la distribucin muestral del estimador
show beta1.line
show beta2.line
show beta1.hist
show beta2.hist
Eficiencia Eficiencia Eficiencia Eficiencia
Cmo elegimos entre estimadores que son todos
insesgados?
Ser mejor el que tenga la varianza ms pequea, es
decir el que sea eficiente Pero el criterio de mnima decir el que sea eficiente. Pero el criterio de mnima
varianza no puede ir solo, sino acompaado de otro
como insesgamiento (ej).
Veremos qu supuestos deben plantearse para que se
cumpla con esta propiedad en el caso MICO.
Si la distribucin del error es conocida se puede calcular
la cota de Kramer-Rao
la cota de Kramer Rao.
|*
|**
|
Si tengo un estimador con mnima varianza, estar
seguro que es el mejor estimador? No, depende del sesgo.

ERROR CUADRTICO MEDIO
ECM (|
) =
2
)
( E | | = Var (|
)+ [Sesgo (|
)]
2
El estimador |
*
es
sesgado, pero con menor
varianza
^
f (|
*
)
varianza
El estimador | es
insesgado pero con mayor
varianza varianza.
Para poder elegir entre
ellos debo comparar el
f (|)
^
ECM, que resume varianza
y sesgo.
Debieramos elegir el
g
estimador con menor
ECM.
| E(|
*
) = |
Consistencia Consistencia Consistencia Consistencia
En muchos problemas economtricos es imposible p p
encontrar estimadores con las propiedades anteriores.
Sin embargo, muchas veces se puede justificar la
utilizacin de un estimador en base a sus propiedades utilizacin de un estimador en base a sus propiedades
asintticas.
La distribucin muestral de un estimador muchas veces
cambia en la medida que cambia el tamao muestral cambia en la medida que cambia el tamao muestral.
Es posible que el sesgo de un estimador se haga cada vez mas
pequeo en la medida que aumenta n.
P t l li l i d d d bl d Por esta razn al analizar las propiedades deseables de un
estimador se deben tener en cuenta las propiedades asintticas
o de muestras grandes del mismo:
1. Si la distribucin asinttica de se concentra en un valor k en la
medida que n tiende a infinito, se dice que k es el lmite en probabilidad
de
|
de
Si plim =| se dice que el estimador es consistente.
2. La varianza de la distribucin asintotica de se denomina varianza
|
|
|
2. La varianza de la distribucin asintotica de se denomina varianza
asinttica de .
Si es consistente y su varianza asinttica es menor que la varianza
i tti d t ti d di i tti t
|
|
asinttica de otros estimadores, se dice que es asintticamente
eficiente.
En el grafico vemos un ejemplo en que a medida que aumenta n (de
|
En el grafico vemos un ejemplo en que a medida que aumenta n (de
20 a100) la distribucin se concentra respecto a | mientras la varianza
del estimador va disminuyendo.
En conclusin: cuando no se encuentra un estimador con buenas
propiedades para muestras pequeas es deseable elegir un estimador
con buenas propiedades para muestras grandes.
f(x)
100
)
( f |
40
)
( f |
20
)
( f |
|
Cul es el set de supuestos que Cul es el set de supuestos que
garantiza que MICO tiene buenas garantiza que MICO tiene buenas garantiza que MICO tiene buenas garantiza que MICO tiene buenas
propiedades? propiedades?
Supuestos clsicos
SUPUESTOS CLSICOS DEL MODELO
DE REGRESIN
Para derivar las frmulas de los estimadores MICO,
no fue necesario realizar supuestos sobre la forma no fue necesario realizar supuestos sobre la forma
en que se extrajo la muestra o sobre la distribucin
de probabilidad de .
Solo fue necesario suponer LINEALIDAD Solo fue necesario suponer LINEALIDAD
ESTE SUPUESTO LO MANTENDREMOS.
Para verificar las propiedades estadsticas que
tienen estos estimadores s requeriremos ciertos
supuestos. p
Los supuestos usuales que se requieren y que por
tanto reciben el nombre de SUPUESTOS
tanto reciben el nombre de SUPUESTOS
CLSICOS
SUPUESTOS CLSICOS SUPUESTOS CLSICOS SUPUESTOS CLSICOS SUPUESTOS CLSICOS
Notacin escalar Notacin matricial
1 X X t ti X t ti 1. X
2
.... X
k
son no estocsticas X
nxk
es no estocstica
2. E(i) = 0 i E() = 0
n1
donde
n1
3. Homocedasticidad y no autocorrelacin E() = o
2
I
COV(i, j)=
= o
=
=
j i
j i 0
) ( E
2
j i
4. Ausencia de multicolinealidad perfecta.
Las Xi no son combinacin lineal exacta
Rango de X=(X) = k
= o j i
entre s
5. El modelo est bien especificado El modelo est bien especificado
6. ui ~ N(0, o
2
) i u ~ N(0, o
2
I)
1. LA VARIABLE EXPLICATIVA X EST
DADA (ES NO ESTOCSTICA). DADA (ES NO ESTOCSTICA).
Este supuesto implica que si se repitiera la seleccin p p q p
de muestras se podra considerar que las variables
independientes seran las mismas. Como se ve este
supuesto es muy fuerte.
T d t li i t di i d X Todo nuestro anlisis est condicionado a conocer X
que se supone se mantiene fija en distintas muestras.
Esto implica que la nica fuente de variacin de Y
i d d i viene dada por i.
Dado que X es no estocstica :
COV(X, ) = 0.
Este supuesto se puede relajar suponiendo X
Este supuesto se puede relajar suponiendo X
estocsticos, pero independientes de .
2. E( 2. E(i/Xi) = 0 i/Xi) = 0 i i
0 ) ( E =
i es una perturbacin aleatoria que puede valores
positivos negativos pero no existe razn para esperar
0 ) ( E =
positivos negativos, pero no existe razn para esperar
que sea sistemticamente positiva o negativa.
Por el contrario, suponemos con los errores a la
larga se compensan.
Con lo que este supuesto tambin implica que todo lo
que ignoramos sobre los determinantes de la variable
Y no afecta en forma sistemtica el valor promedio de Y, no afecta en forma sistemtica el valor promedio de
Y, porque se compensan los errores negativos y los
positivos.
) (
| | | | | |
1 nx
2
1
2
1
0
0
0

) ( E
) ( E
E ) ( E =
|
|
|
|
|
=
|
|
|
|
=
|
|
|
|
=
1 nx
n n
0
.
) ( E
. .
) (
|
|
|
.
\
|
|
|
.
\

|
|
|
.
Esto permite calcular:

E(Y/X) = E(Y)= E(X| + ) = X| + E() = X|
Es decir que se cometen errores pero en q p
promedio estaremos sobre el plano de
regresin.
3. Perturbaciones esfericas: 3. Perturbaciones esfericas:
3.a No autocorrelacin 3.a No autocorrelacinCov ( Cov (i, i, j) = 0 i j) = 0 i == j j 3.a No autocorrelacin 3.a No autocorrelacinCov ( Cov (i, i, j) 0 i j) 0 i == j j
Se supone que los errores cometidos en dos momentos distintos en el
tiempo no estn correlacionados tiempo no estn correlacionados.
Esto significa que en repetidas muestras no existe ninguna tendencia a
que los errores asociados con una observacin estn relacionada a los
errores de otra Si en un momento de tiempo o en un individuo de la errores de otra. Si en un momento de tiempo o en un individuo de la
muestra se genera un error positivo, esto no nos da ninguna
informacin sobre si el prximo error ser positivo o negativo.
Este s p esto implica q e los errores no tienen n patrn de Este supuesto implica que los errores no tienen un patrn de
comportamiento sistemtico.
| || | { }
0 ) , E(
1 supuesto el dado y ) ( ) ( ) , (
i
i
= =
=
j
j j i i j
E E E COV

Cuando los trminos de error correspondientes a perodos diferentes
estn correlacionados, diremos que existe autocorrelacin. Ms tarde

) , (
i j

, q
en el curso estudiaremos MICO bajo autocorrelacin.
Ejemplo:
C d t b j i d ti Cuando se trabaja con series de tiempo en economa es muy comn
que se presenten fenmenos que que tienen inercia y si esta no es
recogida por el modelo, se genera autocorrelacin en el error. Por
ejemplo los efectos de la crisis de 1982 generalmente son difciles ejemplo, los efectos de la crisis de 1982 generalmente son difciles
de recoger en su totalidad por un modelo, por lo que se genera un
error que estar correlacionado con el error cometido en el perodo
siguiente. siguiente.
i
*
*
*
*
*
*
*
j
-
j
*
*
*
* *
Correlacin
Positiva
-
i
i
*
*
*
*
*
-
j

j
*
*
*
* *
Correlacin
*
-
i
Negativa
i
No existe
Correlacin
*
* * *
-
j

j
*
*
*
*
* *
* *
*
-
i
3.b. 3.b. Homocedasticidad V ( i / Xi )
=V(i )= o
2
V(i ) o
Se supone que las perturbaciones se Se supone que las perturbaciones se
distribuyen con igual dispersin (varianza)
respecto a la media. p
2 2
1 supuesto el dado y )) ( ( ) ( o = =
i i i
E E V
Cuando este supuesto no se cumple,
2 2
i
) E( a e equivalent es o =
Cuando este supuesto no se cumple,
decimos que existe heterocedasticidad.
f ()
Homocedasticidad
Y
X
X
1
E(Y/ X
i
) = |
1
+ |
2
X
i
X
X
3
X
2
f ()
Heterocedasticidad e e ocedas c dad
Y
X
1
X
E(Y/ X
i
) = |
1
+ |
2
X
i
X
2
X
3
X
Ejemplo Ejemplo Ejemplo Ejemplo
Deseamos explicar el gasto en consumo Deseamos explicar el gasto en consumo
de las familias en funcin de su ingreso.
Si los datos se refieren a una muestra de Si los datos se refieren a una muestra de
corte transversal, el supuesto de
homocedasticidad no tiene mucho sentido, ya
que indica que independiente del nivel de que indica que independiente del nivel de
ingreso, los gastos de cada familia se desvan
del modelo con la misma dispersin. p
Lo lgico es pensar que a mayores niveles
de ingreso, hay un mayor espacio para que
l f ili di t ib i
las familias distribuyan su ingreso.
Matricialmente. y en general Matricialmente. y en general Matricialmente. y en general Matricialmente. y en general
Varianza de W=
| | | | )' )( ( ))' ( ))( ( ( = = W W E W E W W E W E
Varianza de W
| | | | ) )( ( )) ( ))( ( (
(
(
(
|
|
|
|
W
W
1 1
|
|
|
|

2
) )( ( . . )
2
)( (
2
) (
1 1 2 1 1 1 1 n n
W W W W X
( )
(
(
(
(
(

|
|
|
|
|
.
=
n n
n n
W W W
W
W
E
. .
.
.
2 2 1 1
2 2
|
|
|
|
|
|
.
=
2
) (
. .
. . . . .
. . .
2
) ( .

2 2
n n
W
W
E
) , ( ) , ( ) (
1 2 1 1
|
|
|
.
n
W W Cov W W Cov W VAR
|
|
|
) )( ( . . )
2
)( (
2
) (
1 1 2 1 1 1 1 n n
W W E W W E W E

) (
.
.
. ) , (

2 1
|
|
|
|
|
|
.
\
=
W VAR
W W Cov
|
|
|
|
|
|
|
.
=
2
) (
. .
. . . . .
. . .
2
) ( .
2

2 2
1 1 2 1 1 1 1 n n
W E
W E

) (
. \ n
W VAR
. \
) (
n n
W E
Nos interesa la varianza del error Nos interesa la varianza del error Nos interesa la varianza del error Nos interesa la varianza del error
) ' ( )' ) ( )( ) ( ( E E E E =
(
(
(

) ( ) ) ( )( ) ( (
0
0

(
(
_
( )
(
(
(
(

(
(
(
(
|
|
|
|
2
2
n 1 2 1
2
1
2
1
. .
( )
(
(
(
(
=
(
(
(
(

|
|
|
|
.
\
2
n 2 1
.
.
E . .
.
. E
(
|
.
2
n
n
(
(
(
(
o =
(
(
(
(
o
o
=
(
(
(
(

= 1
1 0
0 . . 0 1
0 . . 0
) ( E
) ( E . . ) ( E ) ( E
2
2
2
2
2
n 1 2 1
2
1
(
(
(
(
o =
(
(
(
(
o
=
(
(
(
(

=
1 0
0 .
1
.
.
) ( E
.
.
2 2
n
I E
2
) ' ( o =
n
I E ) ( o
4. 4. El rango de X es k El rango de X es k
X es de rango completo X es de rango completo
No multicolinealidad perfecta No multicolinealidad perfecta pp
Las columnas de X no son combinacin
lineal entre s lineal entre s.
Este es un requisito que permite invertir
XX y que es necesario para obtener
estimadores MICO en forma nica.
5. El modelo est bien especificado.
Es decir que no hay errores en la
especificacin: especificacin:
No hay omisin de variables ni variables
en exceso
La forma funcional es la correcta
No hay supuestos estocsticos No hay supuestos estocsticos
incorrectos.
Esto evitar errores en la estimacin de sto e ta e o es e a est ac de
los parmetros.
6. 6. Normalidad ~ N (0, o
2
I)
Los errores son normales, idntica e
independientemente distribuidos.
Es decir que cada error es una extraccin Es decir que cada error es una extraccin
aleatoria independiente de una
distribucin normal con media cero y distribucin normal con media cero y
varianza o
2
.
f ()
Y

1
~ N (0, o
2
)
2
~ N (0,
o
2
)
X
1
X
E(Y/ X
i
) = |
1
+ |
2
X
i
X
2
X
3
X
PROPIEDADES DE MICO PROPIEDADES DE MICO PROPIEDADES DE MICO PROPIEDADES DE MICO
(bajo los supuestos clsicos) (bajo los supuestos clsicos) ( j p ) ( j p )
Linealidad
Eficiencia
Varianza del estimador MICO
caso simple
| = | )
( E
intuicin.
caso mltiple
intuicin.
Estimador de la varianza del error.
Teorema de Gauss Markov
Consistencia
Mxima versosimilitud
Mxima versosimilitud
1 LINEALIDAD 1 LINEALIDAD 1. LINEALIDAD 1. LINEALIDAD
Y ' X ) X ' X (
1
= |
El estimador es lineal en Y, ya que cada
elemento de es una combinacin lineal
| elemento de es una combinacin lineal

de los elementos de Y.
|
Las ponderaciones son funciones de los
datos X, que son no estocsticos.
2 INSESGAMIENTO 2 INSESGAMIENTO 2. INSESGAMIENTO 2. INSESGAMIENTO
Y ' X ) X ' X (
1
= |

) X ( ' X ) X ' X (
1
+ | = |

I

' X ) X ' X ( ' X ) X ' X ( X ' X ) X ' X (
1 1 1
+ | = + | = |

I
' X ) X ' X (
1
+ | = |

Esta forma de ver el estimador es
muy til porque expresa al
estimador como la suma del estimador como la suma del
verdadero parmetro |2 ms una
suma ponderada de errores
aleatorios que puede resultar
positiva o negativa, pero cuyo valor
esperado es 0.
' X ) X ' X (
1
+ | = |

X ) X X ( + | = |
| | ' X ) X ' X ( E ) ( E )
( E
1
+ | = |

| |
) ( E ' X ) X ' X ( )
( E
X ) X X ( E ) ( E ) ( E
1
+ | = |
+ | |
) ( ) ( ) ( | |
| = | )
( E
MICO es insesgado
| |
| |
|
|
| |) (
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2
1
2
1
Aunque para una muestra en particular el estimador se

puede alejar de |2 en algo positivo o negativo, si repetimos
muchas veces el experimento, estaremos en promedio sobre
|
|
|
|
=
|
|
|
|
E
.
.
.
.
p , p
el verdadero valor del parmetro.
Recordar: que el estimador sea insesgado no nos garantiza
|
.
\
|
.
\
k
k
|
|
Recordar: que el estimador sea insesgado no nos garantiza

que sea el mejor estimador.
0 |
2
3 Varianza del Estimador? 3 Varianza del Estimador? 3. Varianza del Estimador? 3. Varianza del Estimador?
| | ))'
( E
( ))
( E
( E )
( V )
( Cov Var | | | | = | = |
+ | = |

' X ) X ' X (
1
| = | )
( E

= | | = | |

' X ) X ' X (
( E
1
( )
( )
= =
=
= =

) ' ( ) ' ( ' ) ' (
) ' ( ' ' ) ' (
)' ' ) ' (( ) ' ) ' ( )
( _
1 1
1 1
1 1
X X X E X X X
X X X X X X E
X X X X X X E Cov Var
|
) ' ( )
( V
1 2 2

= = X X o o |
|
=
= =

) ' ( ' ) ' (
) ' ( ' ) ' (
) ( ) ( ) (
1 1 2
1 2 1
2
X X X X X X
X X X I X X X
X X X E X X X
I
_
o
o
= = ) ' ( ' ) ' ( X X X X X X
I
_
o
Para el modelo simple: Para el modelo simple: Para el modelo simple: Para el modelo simple:
|
|
|
|
|
|
|
|
1
1 1 1
. .
X 1
|
|
.
|
\
|
=
|
|
|
|
.
\
= o = |

n 2 1
n
1 2
X . . X X
1 . . 1 1
' X
X 1
. .
. . X ) X ' X ( ) ( V
. \
(
=
(
(
(
(
(
|
|
|
|
|
|
|
|
.
|
\
|
=

2
i
1
X X
X n
. .
. .
X 1
X X X
1 . . 1 1
X ' X
(
(
(
(
|
|
|
.
\
|
.
\
2
i i
n
n 2 1
X X
X 1
. .
X . . X X
|
|
|

X X
2
=
|
|
|
|
.
|
\
|

n X
X X

) X ( X n
1
) X ' X (
i
i i
2
i
2
i
1
X X X X
)
( V
i
2
i
2
i
2
i
2
|
|
|
|

o
|
|
|
|

o
|

n X
) X n ( X n
n X
) X ( X n
) ( V
i
2 2
i
i
2
i
2
i
|
|
|
.
=
|
|
|
.
= |

X X X X
i
2
i i
2
i
|
|
|

|
|
|

( )

n X
x n
n X
X n X n
)
( V
i
i i
2
i
2
i
i i
2 2
i
2
|
|
|
|
.
o
=
|
|
|
|
.
o
= |
. \ . \

2
2
2
2 2
2
2
2
2
2
|
|
|
|
|
|
i i
i
i
i
i
i
x
X
x n
X
x n
X
X
x n
o
o o
o
)
(
2 2 2 2
|
|
|
|
|
|
=
|
|
|
|
|
|
E
=
i i i i
X
n X
V
o o o o
|

2 2 2 2
|
|
.
\
|
|
.
\
E
i i i
i
i
x x x n
n X
x n
Caractersticas de la varianza y la Caractersticas de la varianza y la
covarianza covarianza covarianza covarianza
La varianza de es
directamente proporcional a
2
2
|
Implica que
| |
o
2
La varianza de es
inversamente proporcional a
x
i
2
(varianza de variable X)
2
|
Implica que
dependen entre s
2 1
y | |
X d d d i
x
i
(varianza de variable X).
Dado o
2
, cuanto mayor sea la
variabilidad de la variable X,
ms centrado estar el
0 )
2
,
1
( cov 0 X si

< > | |
X de depende signo
estimador del verdadero valor.
Dada la varianza de Xi, a
mayor o
2
(mayor variabilidad
de los datos a explicar o mayor
0 )
2
,
1
( cov 0 > < | | X si

de los datos a explicar o mayor
variabilidad del error aleatorio.
2
)
(
o
|

=
2
2
1 1
)
(
i
x
X
COV
o
| |
=
2
2
) (
i
x
Var
o
|

i
En el modelo de dos explicativas En el modelo de dos explicativas
2
3 2
2
2
2
3
2
3 2
2
3
1
) (

1
) ' (

=
(
(
(
x x x x D
x x x
x x x
D
x x
i i
2 3 2

(
x x x
o
=
o
= |
2
3 i 2 i
2
2
3 i 2 i
2
2
2
3
2
3
2
2
) x x (

) x x ( x x
x

Var

2
3 i
3 i 2 i
2
2
3 i 2 i 2 3
x
) x x (
x
) x x ( x x
( ) | |
o
=
o
= |
2 2
2
2
2
2
) (
Var
) 3 x , 2 x cov(
r
( )
|
|
.
|
\
|

|
2 3
2
2
3 2
2
2
3
2
3 2
2
2
x var x var n
x var ) x x cov( n
x var n
x var n
) x x ( cov n
x var n
3 x 2 x
3 x , 2 x
r
o o
=
( ) ( )

r 1 x r x var n x var n
Var
2
x x
2
2 i
2
2
x x 2 2
2
2
3 2 3 2

o
=
o
= |
( ) ( )
x , x 2 i x , x 2 2
3 2 3 2

Luego Luego Luego Luego
la varianza queda dependiendo del grado de la varianza queda dependiendo del grado de
correlacin entre las variables explicativas
Ceteris paribus, a mayor correlacin, mayor Ceteris paribus, a mayor correlacin, mayor
varianza del parmetro
(intuitivamente este era un resultado conocido)
Tanto las varianzas y como la covarianza de
los estimadores quedan dependiendo de
datos conocidos ( X
i2
, X
i
, n, X, .......) y de
un parmetro desconocido o
2
.
Un estimador de Un estimador de oo
22
D b ti
2
l i d l t i d Debemos estimar o
2
, la varianza del trmino de error.
Como los valores de no se pueden observar, el
estimador se basar en los residuos e. estimador se basar en los residuos e.
Sabemos que:
|
X Y
Y ' X ) X ' X (
1
|
| = X Y e
Y ' X ) X ' X (
1
= |
Y X X X X Y e ' ) ' (
1
= Y X X X X Y e ) (
( )Y ' X ) X ' X ( X I e
1
=
' X ) X ' X ( X I M
1
=
MY e =
' X ) X ' X ( X I M
1
=
La matriz M es especial por cumplir las
siguientes propiedades: g p p
Es cuadrada (nn)
Es no estocstica s o estocst ca
Es simtrica
Es idempotente
( ) M ' X ) X ' X ( X ' I ' ' X ) X ' X ( X I ' M
1 1
= = =

Es idempotente
( )( ) = =

' X ) X ' X ( X I ' X ) X ' X ( X I MM
1 1
' X ) X ' X ( X ' X ) X ' X ( X ' X ) X ' X ( X ' X ) X ' X ( X I
1 1 1 1
+ =
MX=0
X ) X X ( X X ) X X ( X X ) X X ( X X ) X X ( X I +
M ' X ) X ' X ( X I ' X ) X ' X ( X ' X ) X ' X ( X ' X ) X ' X ( X I
1 1 1 1
= = + =

0 X X X ' X ) X ' X ( X X X ) ' X ) X ' X ( X I ( MX
1 1
MX=0 0 X X X ' X ) X ' X ( X X X ) ' X ) X ' X ( X I ( MX
1 1
= = = =
MY e =
| | M M MX X M MY e = + = + = =
0
) (

M MM M M e e
M M
' ' ' ' ' = = =
= M ' e ' e
Queremos calcular:
) M ' ( E ) e ' e ( E =
( )
(
(
(
(
|
|
|
|
|
|
|
|
|
2
1
n 2 22 21
n 1 12 11
a . . a a
a . . a a
( ) =
(
(
(
(
|
|
|
|
.
|
|
|
|
.
\
= =
2 1
n 2 1
.
.
a a a
.
. . . E ) M ' ( E ) e ' e ( E

. \
. \ n nn 2 n 1 n
a a a
( ) ( )

+ + + =
(
(
(
(
|
|
|
|
|
=
2
1
a a a E a a a E ( ) ( )

+ + + =
(
(
(
(
|
|
|
.
=
in i n 2 i i 2 1 i i 1
n
in i 2 i i 1 i i
a ... a a E
.
. a . . a a E
| | ) ( ) ( ) ( E| | ) a ... a a ( ... ) a ... a a ( ) a ... a a ( E
nn n n 2 2 n 1 1 n 2 n n 22 2 12 1 2 1 n n 21 2 11 1 1
+ + + + + + + + + + + + =
( ) ) ( ... ) (
2 2
2 22
2
1 11
2 2 2
E a E a E a
n nn

o o o
+ + + =
_ _ _
) (
) ... (
2
22 11
2
M Traza
a a a
nn
o
o
o o o
=
+ + + =
) (
) ( ) ' (
2
M Traza e e E o =
( ) | | =
=
1 2
1 2
' ) ' ( ) (
) ' ) ' ( (
X X X X Tr I Tr
X X X X I Tr
n
n
o
o
( ) | |
| | = =
1 2
) ' ( '
) ( ) (
X X X X n
n
o
| | I Tr n
k
=
2
) ( o | |
| | k n
k
=
2
) (
o
| | k ) M ' ( E ) ' ( E
2
Luego
| | k n ) M ' ( E ) e ' e ( E
2
o = =
e ' e
2
Luego,
k n
2
= o
2 2 2
) k n (
1
) e ' e ( E
1 e ' e
E )
( E
|
|
|
Es un estimador INSESGADO!!!
) ' (

)
( V
1 2 2
X X |
2 2 2
) k n (
k n
) e ' e ( E
k n k n
E ) ( E o = o
=
|
.
\

= o
) ' ( )
( V
1 2 2
X X |
) ' (

) ( V
1 2 2

= = X X o o |
|
) ' ( ) ( V
1 2 2

= = X X o o |
|
Teorema De Gauss Teorema De Gauss--Markov Markov Teorema De Gauss Teorema De Gauss Markov Markov
HIPTESIS:
Si se cumplen los siguientes supuestos clsicos:
La variable explicativa X est dada (es no estocstica o no
aleatoria). )
E(i) = 0 i
Homocedasticidad y no autocorrelacin
= o
=
|
.
|
\
|
j i si
2

j
u ,
i
u E
No hay errores de especificacin
=
. \
j i si 0
j i
TESIS:
Los estimadores MICO son de mnima varianza entre los
ti d li l i d
estimadores lineales e insesgados
MICO son los mejores estimadores lineales insesgados
(MELI).
Conclusiones: Conclusiones: Conclusiones: Conclusiones:
Este teorema asegura que si existe otro estimador (|*) g q (| )
con similares propiedades al que tiene MICO (linealidad
e insesgamiento), para que la varianza de sea mnima,
este estimador debe ser el estimador MICO.
H t t t h d t d l Hasta este punto hemos demostrado que los
estimadores MICO tienen propiedades importantes:
linealidad
i i t insesgamiento
mnima varianza dentro de la familia de estimadores lineales e
insesgados (eficientes entre los estimadores lineales e
insesgados) g )
De los seis supuestos clsicos solo hemos utilizado los
cinco primeros, es decir, para determinar estas
propiedades no hemos requerido ningn supuesto sobre
l di t ib i d l
la distribucin de los errores.
DEMOSTRACIN DEMOSTRACIN DEMOSTRACIN DEMOSTRACIN
+ | = = |

' X ) X ' X ( Y ' X ) X ' X (
1 1
es un estimador lineal e insesgado de |.
En esta expresin es una matriz de
fij
' X ) X ' X (
1
nmeros fijos.
a. Supongamos que existe |*, otro estimador lineal de
|, tal que: |, tal que:
| |Y C ' X ) X ' X ( *
1
+ = |

, donde C es una matriz de constantes de orden kn.
Dado que Y=X|+,
| | | | + | + + | = + | + = + = |

C CX ' X ) X ' X ( X ' X ) X ' X ( ) X ( C ' X ) X ' X ( Y C ' X ) X ' X ( *
1 1 1 1
+ | + + | |

C CX ' X ) X ' X ( *
1
+ | + + | = | C CX ' X ) X ' X ( *
b. Qu condiciones se deben cumplir para que |* sea
insesgado? insesgado?
) ( CE CX ) ( E ' X ) X ' X ( *) ( E
1
+ | + + | = |

| + | = | CX *) ( E
Luego, para que |* sea insesgado se debe cumplir que CX=0
c. Calculemos la varianza de |*
| | *))' ( E * ( *)) ( E * ( E )
( V | | | | |
-E(|*)=|
| | *))' ( E * ( *)) ( E * ( E ) ( V | | | | = |
+ = | |

C ' X ) X ' X ( - *
1
| | | | )' C ' X ) X ' X (( ) C ' X ) X ' X (( E )' * ( ) * ( E *) ( V
1 1
+ + | | | | |

| | | | )' C ' X ) X ' X (( ) C ' X ) X ' X (( E )' * ( ) * ( E *) ( V + + = | | | | = |
| | ) ' C ' ) X ' X ( X ' ( ) C ' X ) X ' X (( E *) ( V
1 1
+ + = |

| | ' C ' C ) X ' X ( X ' C ' C ' ' X ) X ' X ( ) X ' X ( X ' ' X ) X ' X ( E *) ( V
1 1 1 1
+ + + = |

| | C C ) X X ( X C C X ) X X ( ) X X ( X X ) X X ( E ) ( V + + + |
' C ) ' ( CE ) X ' X ( X ) ' ( CE ' C ) ' ( E ' X ) X ' X ( ) X ' X ( X ) ' ( E ' X ) X ' X ( *) ( V
1 1 1 1
+ + + = |

E()=o
2
I
' CC ) X ' X ( CX ' C ' X ) X ' X ( ) X ' X ( X ' X ) X ' X ( *) ( V
2 1 2 1 2 1 1 2
|

CX=0
' CC ) X ' X ( CX ' C ' X ) X ' X ( ) X ' X ( X ' X ) X ' X ( *) ( V
2 1 2 1 2 1 1 2
o + o + o + o = |
' CC ) X ' X ( *) ( V
2 1 2
o + o = |

' CC ) X ' X ( *) ( V
2 1 2
o + o = |

' CC )
( V *) ( V
2
o + | = |
d. Dado que C es una matriz de constantes de orden kn,
|
|
|
|
|
|
1 k 21 11 n 1 12 11
c . . c c c . . c c
Los elementos de la diagonal
|
|
|
|
|
|
|
|
|
|
|
|
=
2 k 22 12 n 2 22 21
. .
. .
c . . c c
.
.
c . . c c
' CC
Los elementos de la diagonal
principal son positivos o cero, por
lo que necesariamente se cumple
que
)
( V *) ( V | > |
|
.
\
|
.
\ kn n 2 n 1 kn 2 k 1 k
c . . c c c . . c c
|
|
|
ki i 1 i 2 i 1
2
i 1
c c . . c c c
Si existe un estimador lineal e
insesgado de |, para que ste sea
) ( V ) ( V | > |
|
|
|
|
|
|
|
=

ki i 2
2
i 2 i 2 i 1
ki i 1 i 2 i 1 i 1
. . . .
c c . . c c c
c c . . c c c
' CC
g |, p q
el de menor varianza (eficiente),
debe ser el estimador MICO.
MICO es el mejor estimador
|
|
|
.
\

2
ki ki i 2 ki i 1
c . . c c c c
. . . .
j
lineal e insesgado.
MICO es MELI.
Consistencia Consistencia
' X ) X ' X (
1
+ | = |

n
' X
) X ' X
n
1
(
1
|
.
|
\
|

+ | = |

'
) '
1
( lim ) lim( )
lim(
1
(
|
.
|
\
|
+ =

n
X
X X
n
p p p

| |
' 1
1
| | | |

X
( )
'
lim '
1
lim
lim
1
|
.
|
\
|
-
|
.
|
\
|
+ =
n
X
p X X
n
p p

| |
) X ' X
n
1
(
consta de las medias cuadrticas y de las medias
d l d d d l i bl
(
(
(
(
|
|
|
|
.
|
\
|
| |

i
n
p
X
1
1
lim
'
de los productos cruzados de las variables
explicativas. Como la matriz X es constante para
repetidas muestras:
(
(
(
(
(
|
|
|
|
.
|
\
|
=
|
.
|
\
|
i i
X
X
n
p
n
X
p

1
li
1
lim
'
lim
2
.
'
1
'
1
lim
|
.
|
\
|
=
|
.
|
\
|
X X
n
X X
n
(
|
.
|
\
|
i ki
X
n
p
1
lim
(
(
|
.
|
\
|

i
p
1
lim
) lim(
1
lim p p
i
=
|
.
|
\
|

(
(
(
(
(
|
.
|
\
|
. \
=
|
.
|
\
|

i i
X
n
p
n
n
X
p

1
lim
'
lim
2
.
) ( p
n
p
i
|
.
\

( ) 0 lim
0 ) (
2
=
p
E
(
(
(
|
.
|
\
|

i ki
X
n
p
1
lim
.
( ) 0 lim
) (

)
`
=

o
p
n
V
|
.
|
\
|

i ki
X
n
1
plim
0
1
|
|
X E
|
.
|
\
|
n
X
p
'
lim
0
1
lim
1
0
2 2
=
|
.
|
\
|
`
=
|
.
|
\
|
=
|
.
i ki
ki
i ki
i ki
X
n
p
n
X
n
X
n
V
X
n
E
. \
( )
'
lim '
1
lim
lim
1
|
.
|
\
|
-
|
.
|
\
|
+ =

n
X
p X X
n
p p

| |
0 ) '
1
( )
lim(
1
| | | = - + =

X X
n
p
el estimador MICO es consistente
El principio de mxima verosimilitud est basado en la idea de que la
muestra en particular es ms probable que provenga de una distribucin
que tenga un determinado set de parmetros que de otra.
El estimador mximo verosimil (MLE) de | es simplemente el vector |
MLE
que da la mayor probabilidad de obtener la muestra en particular que da la mayor probabilidad de obtener la muestra en particular.
ESTIMACIN MAXIMO VEROSIMIL DE LOS
COEFICIENTES DE UNA REGRESIN.
Y
|
1
+ |
2
X
i
|
1
X X
i
1
Supongamos la regresin simple. Como asumimos que hay un
error
ESTIMACIN MAXIMO VEROSIMIL DE LOS COEFICIENTES
DE UNA REGRESIN.
Y
|
1
+ |
2
X
i
|
1
X X
i
3
La curva representa la distribucin ex ante para u, esto es, su distribucin
potencial antes que la observacin se genera. La curva tambin representa la
distribucin de Y condicional a que X=Xi
DE UNA REGRESIN.
Y
|
1
+ |
2
X
i
|
1
| |
X X
i
6
Tienen mayor probabilidad (densidad) los valores potenciales de Y ms cercanos a |
1
+ |
2
X
i
EISTIMACN MAXIMO VEROSIMIL DE LOS COEFICIENTES

DE UNA REGRESIN.
Y
|
1
+ |
2
X
i
|
1
X X
i
| |
7
... Mientras que los valores de Y relativamente lejanos a |
1
+ |
2
X
i
tendrn menor.
ESTIMACN MAXIMO VEROSIMIL DE LOS COEFICIENTES
DE UNA REGRESIN.
Luego, la funcin densidad para la distribucin ex ante de Y es la siguiente:
2
2
1
2 1
2
1
) (
|
.
|
\
|

=
o
| |
i i
X Y
i
e Y f
Y
2
) (
t o
i
f
| + | X
|
|
1
+ |
2
X
i
|
1
9
X X
i
DE UNA REGRESIN.
2
1
| |
| | X Y
2
1
2 1
2
1
) (
|
.
|
\
|

=
o
| |
t o
i i
X Y
i
e Y f
2
2
1
2
2
1
1
2 1 1 2 1 1
2
1
...
2
1
) ( ... ) (
|
.
|
\
|

|
.
|
\
|

=
o
| |
o
| |
t o t o
n n
X Y X Y
n
e e Y f Y f
2 2 t o t o
10
Y la distribucin conjunta es la multiplicacin de las individuales. Debemos elegir los
valores 1, 2, y tales que maximicen la probabilidad dados los valores de X.
ESTIMACIN MAXIMO VEROSIMIL ESTIMACIN MAXIMO VEROSIMIL
DEL MODELO LINEAL DEL MODELO LINEAL DEL MODELO LINEAL DEL MODELO LINEAL
) , 0 ( con
2
I N X Y o | ~ + = ) , ( |
Con la que la funcin densidad normal multivariante de u (n
perturbaciones identicas, independientes y normalmente
( ) 1
p , p y
distribudas) es:
( )
( )
( )( )
e
2
1 ' -
2
2
2
2
1

o
to
n
f =
La funcin multivariante de Y condicionada a X es:
implicancias implicancias implicancias implicancias
Al suponer normalidad el estimador MICO Al suponer normalidad, el estimador MICO
coincide con el estimador MV.
Al ser igual tiene sus propiedades: Al ser igual tiene sus propiedades:
Consistentes
Asintticamente normales
Asintticamente eficiente
Invarianza
INFERENCIA EN EL MODELO INFERENCIA EN EL MODELO
GENERAL GENERAL GENERAL GENERAL
Test sobre un solo parmetro Test sobre un solo parmetro Test sobre un solo parmetro Test sobre un solo parmetro
INFERENCIA ESTADSTICA INFERENCIA ESTADSTICA INFERENCIA ESTADSTICA INFERENCIA ESTADSTICA
Para obtener estimadores que sean MELI no se requiere
suponer ninguna distribucin de probabilidades de . p g p
Ahora, para tener intervalos de confianza para los
parmetros y testear cualquier hiptesis requerimos el
supuesto 6: supuesto 6:
) I , 0 ( N ~
2
o
Nos interesa saber:
Qu tan cerca estn de los parmetros k
| | |

,
2 1

poblacionales?
Qu tan cerca est del verdadero E (Y/Xi )?
i
Y

Ejemplo: es Ejemplo: es || = 0? = 0? Ejemplo: es Ejemplo: es ||
22
= 0? = 0?
Densidad
f(b ) f(b
2
)
La hiptesis
nula es que el
parmetro
poblacional |
2
es igual a 0
Si esta
hi t i hiptesis es
verdadera la
distribucin del
parmetro
b
0
p
sera algo
similar a esto.
b
2
0
22
= 0? = 0?
Densidad
f(b ) f(b
2
)
Si observo un valor
particular de b2, por
ejemplo 0.5
En este caso parece En este caso, parece
bastante probable
observar un valor de
0.5, incluso si el
verdadero valor verdadero valor
poblacional es 0.
Probablemente no
rechazaremos la
b
0
hiptesis nula.
b
2
0
0.5
22
= 0? = 0?
Densidad
f(b ) f(b
2
)
En este caso,
parece poco
probable observar
0 un valor de 0.5
incluso si el
verdadero valor
del parmetro es del parmetro es
0.
Probablemente
rechazaremos la
b
0
hiptesis nula.
b
2
0
0.5
Intervalos de confianza Intervalos de confianza Intervalos de confianza Intervalos de confianza
Densidad
f(b ) f(b
2
)
Tambin podemos
construir intervalos
de confianza
2.5%
2.5%
b
0
b
2
0
Qu consecuencias tiene suponer Qu consecuencias tiene suponer
~~ N (0, N (0, oo
22
I)? I)? N (0, N (0, oo I)? I)?
1.
i
normales idnticas e independientemente
i
p
distribuidas.
2. Y = X| + |
Por lo que Yi es una combinacin lineal de variables
aleatorias que se distribuyen normal
Yi se distribuir normal.
E (Y) = E (X | + ) = X |
V (Y) = V (X| + ) = V () = o
2
I
Por lo que Y~ N( X| o
2
I)
Por lo que Y~ N( X|, o
2
I)
33
+ | = |

' X ) X ' X (
1
3. 3.
es combinacin lineal de variables aleatorias
|
| | ) (
es combinacin lineal de variables aleatorias
normales
es una variable aleatoria que se distribuye normal
|

||
( | | = E
) ) X ' X ( ( N ~
1 2
o | |
1 - 2
X) X' ( )
(

o | = V
. .
1 12 11 k
a a a
|
|
|
|
) ) X X ( , ( N ~ o | |
) , ( ~
. ) ' ( )
(
2
22 12
2 1 2
ii i i
a N
a a
X X V o | | o o |
|
|
|
|
|
= =

. . .
.
1 kk k
a a
|
|
.
\
4. Estandarizando, 4. Estandarizando,
) 1 , 0 ( ~
N Z
i i
i
| |
=
Este res ltado no es m til por si
) , (
N
i
i
|
o
Este resultado no es muy til por si
mismo, porque no conocemos o
2
.
|
i
~ N(|
i
, o
2
|
i
)
^
|
i
(|
i
, o
|
i
)
0 |
i
Z
i
= |
i
- |
i
~ N (0,1)
o
|
^
^
o
|
i
0
5 Otra 5 Otra 5. Otra. 5. Otra.
) I 0 ( N
2
) I , 0 ( N ~
2
o
2
2
n
2
2
2
1

E t lt d i d
2
n
2
n
2
2
2
1
~ ...... _
o
+
o
+
o
2
1
Este resultado, nos sirve para recordar como se
forman las distribuciones derivadas de una
normal multivariante.
Sin embargo, tampoco es til por si mismo ya
2
n
2
~ '
1
_
o
2 1 2
) (
g , p p y
que no conocemos .
2
n
1 2
~ ) I ( ' _ o

6. Distribucin de 6. Distribucin de
2
o
6. Distribucin de 6. Distribucin de
Hemos visto los siguientes resultados:
o
= M e
di t ib l
) I , 0 ( N ~ u
2
o
e se distribuye normal.
= M ' e ' e
simtrica, idempotente, cuadrada n,
traza M=n-k
' X ) X ' X ( X I M
1
=
Rango(M)=?
Rg(M)= Tr(M) =n-k .
Como M es idempotente de aqu se deriva que M tiene n-k valores
propios.
Sea B una matriz que tenga por columnas los vectores
propios de M y D una matriz que tiene los valores
propios en la diagonal y cero en el resto.
|
|
|
|
| | |
| | |
|
|
|
0 0
0 0
2
1
n
I B B BB = = ' '
|
|
|
|
|
=
| | |
. .
| | |
2 1 n
x x x B
|
|
|
|
|
.
\
= D
0 0
0 . 0 0
0 . 0 0
2
D MB B = '
Dado que los valores propios de una matriz idempotente
son cero o uno, sabemos que D tiene n-k valores
|
.
\
| | |
|
.
\ n
0 0
q
propios 1 y k valores propios igual a cero.
|
|
|
|
1 0
0 . . . . 0 1
|
|
.
|
\
|
=
|
|
|
|
|
|
=

k k
k k n
I
D
0 0
0
0 .
1 .
. . . .
. . 1 0
|
|
|
.
\
0 . . . . . 0
. .
0 .
Definamos:
y= B y= B
Luego, premultiplicando por B tenemos que,
By=B B=I = By By B B I
y B =
By
Dado que y= B, y ser una variable que se distribuye
normal multivariada.
E t l l i d Encontremos la esperanza y la varianza de y.
Esperanza: E(y) =E( B)=BE()=0
Varianza: V(y) =E{[y E(y)][y E(y)]}= E(yy)= E(B B)= BE( ) B=
= Bo
2
IB= o
2
BB=o
2
I
Es decir que y ~ N (0, o
2
I) , con lo que cada N(0,1) ~
i
o
y
se distribuye normal tipificada e
o
independiente.

|
|
|
|
|
|
= =
D
y
y MB B y M e e
0 . . . . 0 1
' ' ' '
1
_

( )
|
|
|
|
|
|
|
|
|
|
|
|
=
+ k n n k n k n
y
y
y y y y y
.
1 .
. . . .
. . 1 0
. . e e'
2
1 2 1
|
|
|
|
.
\
|
|
|
|
.
\
+
n
k n
y
y
.
0 . . . . . 0
. .
0 .
1
. \ . \
= + + + + + =
k n
i k n
y y y y e e
2 2 2
2
2
1
0 .... 0 .... '

=
k n
2
i
y e ' e
i k n
1
2 1

1
N(0 1) ~
i
y
2
k n
2
i
_ |
|
y
k n
2
i 2 2 2
y
y y y

N(0,1)
o
k - n
1
~ _ |
.
\
o
2
k - n
2
1
2
k n
2
2
2
1
~
y
.....
y y
_
o
=
o
+
o
+
o

'
2
k - n
2
~
'
_
o
e e
7 Distribucin t student 7 Distribucin t student 7. Distribucin t student 7. Distribucin t student
Sabemos que Sabemos que
ii ii
i i
a a con N
i

|
o o o
o
| |
) 1 , 0 ( ~
) 1 (
2
= =
Y que
i
i
|
|
o
Y que,
2
) /( ' ' k
2
k - n
2
2
2 2
~
) (
) /( '
) (
'
) 2 ( _
o
o
o o
k n
k n e e
k n
e e
=
=
Podramos probar que (1) y (2) son independientes.
Entonces:
)
( | |
(3) ~
) (

) (

2
2
k n
ii
ii
t
k
k n
a
t

o
o
| |
Expresando (3) de otra forma y simplificando:
) (
2
k n
o
p ( ) y p

(

) (
)
(

2

o o
o | |
o o
o | |
o
o | |
ii i i ii i i ii i i
a a
k n
a
t

=
=
) (
) (
2

o o o o
o
o
k n
k n
k n
i i
ii
i i
t
a
a
t

~
=
2 2
(
o
| |
o
| |
o
| |
ii
a
2
2
|
o

o o o
|
_
Es decir que:
i i
t ~
| | )
(
k n
t
i
~
|
o
Esto nos permitir obtener intervalos de

confianza y realizar test de hiptesis sobre confianza y realizar test de hiptesis sobre
los parmetros.
Intervalos de Confianza para |
i
E t b d
o | | o | 1 )

( + s s P
Estamos buscando , es
decir que la probabilidad de que |
i
est entre dos
valores sea 1-o.
N t i
o o | | o | 1 ) ( = + s s
i i i
P
Notacin:
(1-o) % nivel de confianza
o % nivel de significancia
El i t l l t i (d d d l t ) El intervalo ser aleatorio (depende de la muestra), pero
despus que se utiliz una muestra, el intervalo queda
fijo y por tanto la probabilidad de que el verdadero valor
est en el intervalo es cero o uno (est o no est) est en el intervalo es cero o uno ( est o no est )
Dado que , entonces exactamente el 1-o
k n
i i
t
i
|
o
| |
de esta distribucin t con n-k grados de libertad, estar
entre los valores -t
o/2
y t
o/2
.
i
|
o
o o
1 ) (
2 / 2 /
= s s

t t t P
k n
o
o o
1 ) (
2 / 2 /
= s s

t t t P
k n
o
o
| |
o o
1 )
(
2 / 2 /
= s
s t t P
i i
o
|
i
o o | | o
|
o
|
o
1 )
(
2 / 2 /
= s s
i i
t t P
i i
| |
i i
o o | | o |
|
o
|
o
1 )
(
2 / 2 /
= + s s
i i
t t P
i i i
o o | | o |
|
o
|
o
1 )
2 /
2 /
= + s s
i i
t t P
i i i
| |
i i
t IC o | |
=
i
t IC
i i
|
o
o | |
2 /

Prueba de hiptesis Prueba de hiptesis
Nos interesa verificar si las observaciones
muestrales son compatibles con
determinada hiptesis.
)
)
0
b H
b H
i
=
=
|
|
p
Para eso desarrollamos un procedimiento
que nos permita decidir si se rechaza o no
esa hiptesis en base a la informacin
)
1
b H
i
= |
p
muestral.
Enfoque del intervalo de confianza.
Supongamos que construimos un intervalo de
t IC o | |
2 /
=
Supongamos que construimos un intervalo de
confianza para |i.
Luego es posible discutir si el valor b que me
estoy planteando como hiptesis nula cae o
d t d l i t l
i
t IC
i i
|
o
o | |
2 /

y luego,
- Si b e IC No rech H
no dentro del intervalo.
- Si b e IC No rech H
0
- Si b e IC Rech Ho.
Rech H0 No rech H0 Rech H0
i
t
i i | o
o | |
2 /
*
=
i
t
i i | o
o | |
2 /
* *
+ =
Enfoque de pruebas de significacin.
El procedimiento se basa en utilizar un estimador y su distribucin,
considerando que sta se cumple bajo la hiptesis nula.
Sabemos que Sabemos que
luego,
k n
i i
t

o
| |
k n
i
t
b
|
o
|
i
|
o
i
|
o
|
o o
1 )
(
2 / 2 /
= s
s t
b
t P
i
o
|
i
o o | o
|
o
|
o
1 )
(
2 / 2 /
= s s
i i
t b t P
i
| |
i i
o o | o
|
o
|
o
1 )
(
2 / 2 /
= + s s
i i
t b t b P
i

o o | o
|
o
|
o
1 )
2 /
2 /
= + s s
i i
t b t b P
i
i
t b r
|
o
o
2 /
: aceptacin egin

b
i
|

Bajo Ho,
i
i
|
o
|
~ t
n-k
o/2
0
-t
c
t
c
Rech Ho >
i
|
b +
i
|
o
t
o/2

Rech Ho <
i
|
b -
|
o
t
o/2

Acepto la hiptesis nula (Ho)
No rech H
0

Rech Ho <
i
| b
i
|
o t
o/2
El sentido comn nos dira que si tenemos un buen estimador del parmetro poblacional,
entonces, si el valor del estimador para las realizaciones de la muestra est en torno a la
hiptesis nula, no rechazamos esta ltima.
Entonces rechazamos H0 si
t b |
+ >
tcalc > t
i
t b
i | o
o |
2 /
+ >

|
t
b
i
>
o
|
o
t
i
>
|
t
b
i
>
Y tambin cuando
2
o
|
o
|
t
i
i
>

2 /
i
t b
i | o
o | s
-tcalc > t
2
o
|
o
|
t
b
i
i
s
o
|
o
|
t
b
i
i
>

ASPECTOS PRCTICOS ASPECTOS PRCTICOS ASPECTOS PRCTICOS ASPECTOS PRCTICOS
1. Diferencia entre test a una o dos colas, viene dada por la
hiptesis alternativa.
Una cola
b : H
2 2 1
> |
t
o

Rech H
0
si t > t
c

Dos colas
t
c

o/2

Rech H
0
si |t| > t
c
o/2
t
c

0
| |
c
- t
c

2. Errores de tipo I y II
|
(Rech H0), puede ser por dos razones
La hiptesis nula es cierta, pero se ha elegido una muestra
2
|
equivocada.
La hiptesis nula es efectivamente falsa.
H0 cierto H0 falso
.
Rech H0 Error I Ok
No Rech H0 Ok Error II
Al hacer test de hiptesis, estoy fijando en o, la
b bilid d d t I probabilidad de cometer error I
o = P(Error Tipo I) = P(Rech H0/H0 es cierto)
Test de hiptesis sobre un coeficiente
Error tipo I : rechazar H
0
cuando es verdadera
Funcin densidad de
b
2
rechazo rechazo Regin de aceptacin
0
| | = : H
0
2 2 0
| | = : H
2 2 0
| | = : H
2.5% 2.5%
bb
2
|
2
+2.sd |
2
-2sd |
2
0
|
2
-sd |
2
+sd
0 0 0 0
37
Test de hiptesis sobre un coeficiente
Regiones al 5% y 1%
5%:
1%:
Funcin densidad b
2
0 0
2 2 2
2 8 2 8 s.d. s.d. . . b | | s s +
0 0
2 2 2
2 2 s.d. s.d. b | | s s +
5%
1%
0
2 2
|
=
b
t
s.d.
0.5% 0.5%
b | | +sd | +2sd | sd | 2sd | +3sd | 3sd | 4sd | +4sd
0 0 0 0 0 0 0 0 0
b
2
|
2
|
2
+sd |
2
+2sd |
2
-sd |
2
-2sd |
2
+3sd |
2
-3sd |
2
-4sd |
2
+4sd
0 0 0 0 0 0 0 0 0
48
Error Tipo I y Tipo II
Regin de aceptacin para
Distribucin hipottica
bajo
0
2 2 0
: | | = H
Regin de aceptacin para
b
2
5% level
1% level
Distribucin bajo
H1
1
2 2 1
: | | = H
|
0.5% 0.5%
b | +2sd | +sd | | sd | 2sd
0 1 1 1 1 1
|
2
b
2
|
2
+2sd |
2
+sd |
2
|
2
-sd |
2
-2sd
0 1 1 1 1 1
En este caso, no rechazamos la nula a ningun nivel de significancia y comentemos error de
tipo II.
11
Regin de aceptacin b
Distribucin hipottica
bajo
0
2 2 0
: | | = H
2
5% level
1% level
Distribucin bajo
1
2 2 1
: | | = H
|
0.5% 0.5%
b | +2sd | +sd | | sd | 2sd
0 1 1 1 1 1
|
2
b
2
|
2
+2sd |
2
+sd |
2
|
2
-sd |
2
-2sd
0 1 1 1 1 1
En este caso, la hipotesis se rechaza al 5% y no se rechaza al 1%.
12
Distribucin bajo
0
2 2 0
: | | = H
2
5% level
1% level
Distribucin bajo
1
2 2 1
: | | = H
|
0.5% 0.5%
b | +2sd | +sd | | sd | 2sd
0 1 1 1 1 1
|
2
b
2
|
2
+2sd |
2
+sd |
2
|
2
-sd |
2
-2sd
0 1 1 1 1 1
Si H
1
es cierta, la probabilidad de que b
2
caiga en la regin de aceptacin es la sombreada.
14
Distribucin bajo
0
2 2 0
: | | = H
2
5% level
1% level
Distribucin bajo
1
2 2 1
: | | = H
|
0.5% 0.5%
b | +2sd | +sd | | sd | 2sd
0 1 1 1 1 1
|
2
b
2
|
2
+2sd |
2
+sd |
2
|
2
-sd |
2
-2sd
0 1 1 1 1 1
Si usamos un nivel de 5%, la probabilidad de cometer error de tipo II si H
1
es verdadera es
ms pequea.
15
3. La hiptesis nula ms comn utilizada:
0 :
0 :
1
0
=
=
i
i
H
H
|
|
luego, bajo la hiptesis nula
1 i
|
i
|
H R h
i
~
>
=

i
k n
i
t t
t t
i
|
|
o
|
Objetivo: Evaluar si |
i
es significativamente distinto de cero.
Ho Rechazo
si,
> =
k n
i
t t
i
|
o
|
j |
i
g
Si lo es se dice que la variable X es significativa o relevante.
Ver ejemplo
Ver ejemplo
De qu depende que una variable sea significativa? De qu depende que una variable sea significativa?
o
2
2
2
modelo simple
varianza verdadera:
Var
( )
i
b
n X
|
o
o
o =
n: a mayor n ms precisa es la estimacin
Sigma: cuanto mayor el efecto aleatorio
ms imprecisa ser la estimacin

2
2
2
varianza estimada:
Var Var
' /
( ) ( )
b
e e n k
n X n X
o
o

= =
Varianza de X: inversamente relacionada
Y = 3.0 + 0.8X
25
30
35
25
30
35
5
10
15
20
5
10
15
20
25
-15
-10
-5
0
0 5 10 15 20
-10
-5
0
5
0 5 10 15 20
-15
Los datos fueron generados con un set fijo de valores de X (componente no estocstico),
pero en el grfico de la derecha, los valores aleatorios se multiplicaron por 5.
Dependent Variable: Y1
Method: Least Squares
Date: 04/30/09 Time: 13:18
Sample(adjusted): 1 20
Included observations: 20 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
C 2.261684 1.026450 2.203403 0.0408
X 0.884030 0.085686 10.31704 0.0000
R-squared 0.855353 Mean dependent var 11.54400
Adjusted R-squared 0.847318 S.D. dependent var 5.654943
S.E. of regression 2.209647 Akaike info criterion 4.518182
Sum squared resid 87.88568 Schwarz criterion 4.617755
Log likelihood -43.18182 F-statistic 106.4413
D bi W t t t 2 256720 P b(F t ti ti ) 0 000000 Durbin-Watson stat 2.256720 Prob(F-statistic) 0.000000

Dependent Variable: Y2 p
Date: 04/30/09 Time: 13:19
C -0.691579 5.132252 -0.134752 0.8943
X 1.220150 0.428432 2.847944 0.0107
Durbin-Watson stat 2.256720 Prob(F-statistic) 0.010679

De qu depende que una variable sea significativa? De qu depende que una variable sea significativa?
o
2
2
2
modelo simple
varianza verdadera:
Var
( )
i
b
n X
|
o
o
o =
n: a mayor n ms precisa es la estimacin
Sigma: cuanto mayor el efecto aleatorio
ms imprecisa ser la estimacin

2
2
2
varianza estimada:
Var Var
' /
( ) ( )
b
e e n k
n X n X
o
o

= =
Varianza de X: inversamente
relacionada
Y = 3.0 + 0.8X
25
30
35
30
35
10
15
20
25
10
15
20
25
-10
-5
0
5
0 5 10 15 20
-10
-5
0
5
0 5 10 15 20
Los datos fueron generados con un set fijo de valores de X que tiene menor varianza en el
grfico de la derecha. La posicin de la curva es ms sensible al componente estocstico y
por tanto tiene menor presicin.
-15
-15
Met hod: Least Squares
Date: 05/ 05/09 Time: 13:06
C 2. 261684 1.026450 2.203403 0. 0408
X 0. 884030 0.085686 10.31704 0. 0000
R-squared 0. 855353 Mean dependent var 11.54400
Adjusted R-squared 0. 847318 S. D. dependent var 5.654943
S.E. of regression 2. 209647 Akaike info criterion 4.518182 g
Log likelihood -43.18182 F-statistic 106. 4413
Durbin-Watson stat 2. 256720 Prob(F-statist ic) 0.000000

Met hod: Least Squares
Date: 05/ 05/09 Time: 13:12
Sample(adjusted): 1 20 Sample(adjusted): 1 20
C -5.301023 8.625648 -0.614565 0. 5465
X2 1. 640301 0.856864 1.914307 0. 0716
R-squared 0. 169150 Mean dependent var 11.18400 q p
S.E. of regression 2. 209647 Akaike info criterion 4.518182

Ojo, si el modelo el multiple, tambin importa la
covarianza entre las explicativas.
Ejemplo
u SP SM HC S + + + + =
4 3 2 1
| | | |
S: aos de escolaridad
HC: medida de habilidad cognitiva.
SM: aos de escolaridad de la madre SM: aos de escolaridad de la madre
SP: aos de escolaridad del padre.
Dependent Variable: S
SM SP
SM 1 0 630
q
Date: 10/23/06 Time: 17:57
C 4.813784 0.495097 9.722904 0.0000
SM 1 0.630
SP 0.630 1
HC 0.128726 0.009889 13.01758 0.0000
SM 0.070601 0.041995 1.681162 0.0933
SP 0.139161 0.030737 4.527439 0.0000
6

Ejemplo 2: Relacin Error I y Error II
Rech H0/H0 Error de tipo I P(Error I)= Rech H0/H0 Error de tipo I , P(Error I)=o
no rech H0/H1 Error de tipo II
Ejemplo:
Considere el siguiente modelo: Y
i
= |
1
+ |
2
X
i
+
i
donde a priori se sabe que la varianza verdadera de
i
es
40 (o
2
= 40).
Dado una muestra de 10 observaciones, se sabe que
Usted est interesado en probar la hiptesis nula de que
X
i
= 20
50 X
2
i
=
p p q
|2 = 1, versus la hiptesis alternativa de que |2 > 1, con
un nivel de significacin de 5%. Si el verdadero valor de |2
es 4, cul es la probabilidad de que usted rechace
correctamente la hiptesis nula?
correctamente la hiptesis nula?
Sabemos que
H0) |2 = 1
i i 2 1 i
X Y + | + | =
H1) |2 > 1
Se pide calcular la Probabilidad de rechazar H0 correctamente. Esto es, la
probabilidad de que rechacemos que |2=1, dado que en realidad es 4.
D b l l P b ( h H0/ 2 4) Debemos calcular Prob (rech H0/ |2=4)
Bajo H0, ~ N(0,1), porque se conoce la verdadera varianza de i
1
2
|
o
|

Bajo H
0
,
|2~ N(1, )
2
|
o Bajo H
1
,
|2~ N(4, )
o
El rea achurada es la que se nos pide
l l l P( h H d d H )
| N( , )
2
|
o
calcular, es la P(rech H
0
, dado H
1
) y es
igual a 1-P(no Rech H
0
, dado H
1
)=1-|
1 4

c
| No rech Ho Rech Ho
Lo primero que debemos calcular es el rea de rechazo.
Sabemos que rechazamos H0 si ,
Rech. H0 si
c

| > |
645 1
1
2
>
|
Dada la informacin que conocemos:
645 , 1
2
2
>
o
|
40
2
= o
4
10
40

) 2 ( 10 50
40
X n X
1

) X X (
1

x
1
50 X
20 X
10 n
2
2 2
1
2
2
i
2
2
1
2 2
2
i
i
2
= =
o =
o = o = o
`
=
=
=

|

2 4
= = o
|
2

Rech. H0 si
Rech Ho si
645 , 1
2
1
2
>
|
29 . 4 1 2 * 645 , 1
2
= + > |
Rech Ho si
Luego,
29 . 4
2
> |
|
|
.
|
\
|

>
|
= = | > | = = |
2
4 29 , 4

2
4
P ) 4 / 29 , 4
( ob Pr ) 4 2 / chH (Re ob Pr
2
2 2 0
= P(Z > 0,145) = 0,4443
. \
3. Otro ejemplo de test de hiptesis
Supongamos que
i
X 75 . 0 6 . 3 Y
+ = Supongamos que
y los desvos estndar de los coeficientes eran:
i
X 75 . 0 6 . 3 Y +
256 . 0
09 . 2
2
1
= o
= o
|
|
Nos interesa saber si la variable X es estadsticamente
significativa, esto es probar la hiptesis nula de que
H0) |2 = 0
2
|
H0) |2 = 0
H1) |2 = 0
Por medio de un intervalo de confianza.
t t 2 306 t
o/2, 8
= t
0,025
= 2,306
IC |2 0,75 (2,306)(0,256) s |2 s 0,75 + (2,306)( 0,256)
0.16s |2s1.34 IC 95%
Como el cero no pertenece al intervalo, rechazo la hiptesis nula a un 95% de
nivel de confianza. Esto significa que de cada 100 intervalos que se realicen, 95
g q q ,
contendrn el verdadero valor de |2. Pero luego de calcular uno (0,16; 1,34), la
probabilidad de que |2 est contenido en l es 1 o 0. (o est o no est).
Por medio de una prueba de significacin.

Rech Ho si |t |>2.306
0
2
H . rech 3 , 2 93 , 2
256 , 0
75 , 0

t
2
> = =
o
|
=
|

0.025
2
|
0
-2.306

2.306

Rech |
2
=0 |
2
es significativamente distinto de cero, X es significativo o
relevante para explicar Y.
2.93

p p
Regla 2t
Cuando n = 20, P(t > 2,085) = 0,025 si > 2,0 estamos seguros que
i
t
|
=
rechazamos H0 y el coeficiente |i es significativamente distinto de cero.
i |
o
Salida de E-Views para este ejemplo:

LS // Dependent Variable is Y
Date: 08/25/98 Time: 09:51 Date: 08/25/98 Time: 09:51
Sample: 1 10
Included observations: 10
C 3.600000 2.090177 1.722342 0.1233
X 0.750000 0.255738 2.932692 0.0189
S E of regression 1 353237 Akaike info criterion 0 781855 S.E. of regression 1.353237 Akaike info criterion 0.781855
La salida tiene tres partes: La salida tiene tres partes:
La primera indica la variable dependiente (Y), el perodo muestra
utilizado (sample) y su tamao (nmero de observaciones) utilizado (sample) y su tamao (nmero de observaciones).
La segunda parte plantea las estimaciones de los coeficientes y
sus varianzas. Se muestran cinco columnas:
Variable: variables explicativas (siempre se identifica el intercepto con
la letra C)
Coefficient: muestra los coeficientes estimados Coefficient: muestra los coeficientes estimados.
Std. Error: indica las estimaciones de los desvos estndar de los
coeficientes
|
o
t-Statistic: presenta el valor del estadstico t para la hiptesis

nula |i=0. Para el ejemplo, vemos que el estadstico t del intercepto es
i |
o
i
i
t
|
o
|
=
| j p , q p
menor que dos, por lo que podramos decir que la constante no es
significativa.
Prob: el p-value, o sea, el nivel de significancia (o) mximo ex post que
p , , g ( ) p q
requerimos para no rechazar la hiptesis nula. En este ejemplo, si
trabajamos con o=1.8%, no rechazamos la hiptesis de que |2=0.
La tercera parte de la salida presenta indicadores de
ajuste y otros estadsticos veremos ms adelante en
este curso este curso.
R-squared: es el R
2
de la regresin e indica que la regresin
logra explicar el 51% de la variacin total de Y logra explicar el 51% de la variacin total de Y.
S.E. of regression: desvacin estndar de la regresin=
2 n
e
2
i
= o

Sum squared resid: suma al cuadrado de los residuos:

2
i
e
Mean dependent var:
S.D. dependent var: desvacin estndar de la variable
dependiente
Y
dependiente:
1 n
) Y Y (
2
i

Prueba de Significacin global
en el Modelo Mltiple:
Anlisis De Varianza
ANOVA ANOVA
ANALISIS DE VARIANZA ANALISIS DE VARIANZA ANALISIS DE VARIANZA ANALISIS DE VARIANZA
ANOVA ANOVA
Es un test de significancia global del modelo en su conjunto.
Intenta medir el ajuste de la recta de regresin con el conjunto
de datos proveniente de la muestra de datos proveniente de la muestra.
La hiptesis a probar es:
H0: |2 = |3 =............= |k= 0
H1: Algn |i distinto de 0
Un resultado previo Un resultado previo Un resultado previo. Un resultado previo.
Suponga que W es un
vector con r variables
Suponga que Y es un vector
con r variables normales (no
i d di t )
normales e
independientes
independientes)
I) , N( ~ W
2
o
) , N( ~ Z
2
o
Se puede demostrar:
I) N(0, ~ Z N(0,1) ~
- W
Z
i
=
o

r
2
r
2
2
r
1
i
- W
~ Z
|
|
|
( ) ( ) ( )
2
r
1
2
~ - Z ' - Z _ o

2
r
1
~ _
o

|
.
|
\
|
( ) ( ) ( )
2
r
1
2
~ - W ' - W _ o

I
En particular: En particular: En particular: En particular:
1 2
) ) ' ( * N( *
o | | x x

1 1 2
*) *
)( ' ( *`)' *
(
*) *
( ) ) ' ( ( *)' *
(
) ) ( , * N( ~ *
| | | |
| | o | |
o | |
x x
x x
x x

2
SCE
2
H0 Bajo
) )( ( ) (
o
| | | | x x
(1) ~
2
1 - k
2
_
o
SCE
2
1 - k
2
~
*
' *'
_
o
| | x x
(2)
SCR '
2
e e
Adems..
(2) ~
2
k - n
2 2
_
o o
=
Si (1) y (2) son independientes.
R
SCT
2 2
/
SCE SCE SCE/o
k n k
F
R k
R k n
k n SCT
SCE SCT
SCT
k n
SCE SCT
SCT
k n
SCR
k n
SCR
F

=
=
, 1
2
2
2
~
) 1 )( 1 (
) (

) (
1 - k

/
1 - k 1 - k
/
1 - k
o
k n
) (

Rechazo H
0
, si el valor calculado del
estadstico
o

SCR ) 1 (k
SCE ) k n (
>
o
K n K
F
, 1

0 F
o
Intuicin Intuicin Intuicin Intuicin
Este test indica que el modelo es significativo en su
conjunto, si el efecto explicado por el modelo es
suficientemente grande respecto al ruido, a lo residual.
Si el F calculado es mayor que el F de tabla, rechazo
Ho o sea el aporte de las X respecto al residuo es Ho, o sea el aporte de las X respecto al residuo es
considerable.
Cun considerable? El lmite nos lo da el valor de
tabla.
Antes veamos que al realizar una regresin, esto nos
permita dividir la variacin total en dos partes la parte permita dividir la variacin total en dos partes, la parte
explicada por la regresin y la parte residual. Es decir
que existen distintas fuentes en que se descompone la
i i t t l E t d i t t bl l
variacin total. Esto se puede resumir en esta tabla a la
que generalmente se conoce como TABLA ANOVA.
TABLAANOVA
S d G d d S P di
Variacin
Suma de
Cuadrados
Grados de
Libertad
Suma Promedio
de Cuadrados
Regresin SCE k 1 SCE / (k 1)
Residuo SCR n - k SCR / (n k)
Total SCT n - 1 SCT / (n 1)*
G d d Lib t d Grados de Libertad
Asociado a cada suma de cuadrados hay grados de libertad; (valores
que pueden elegirse arbitrariamente).
Suma de cuadrados Totales (SCT): tiene n 1 grados de libertad.
Esto surge como consecuencia de la prdida de un grado de
libertad, necesario para calcular Y.
* Lo que les coment hoy da en la clase para este valor, no es Lo que les coment hoy da en la clase para este valor, no es
totalmente correcto. En algunos programas (EXCEL) no sale el
clculo de este valor (queda el espacio). En otros es como est en
la transparencia (SCT/n-1) (Stata). En otros (RATS, CATS) es
como les coment en clase (SCE/k-1/SCR/n-k).
como les coment en clase (SCE/k 1/SCR/n k).
En consecuencia: hay que tener cuidado antes de usarlo.
Suma de cuadrados residuales (SCR): tiene n-k
grados de libertad. Se pierden k grados de libertad grados de libertad. Se pierden k grados de libertad
que son necesarios para asegurar que se cumplan
las ecuaciones normales. Estas condiciones son:
(
(
(
(
=
(
(
(
(
= (
(
(
(
(
(
(
(
0
0
0
X e
X e
e
e
e
e
X . . X X
1 . . 1 1
e ' X
2 i i
i
2
1
2 n 22 12
(
(
(
(
=
(
(
(
(
=
(
(
(
(
(
(
(
(
.
=
0
.
0
X e
.
X e
e
.
e
X . . X X
. . . . .
. . . .
e X
ik i
3 i i
n
3
k 2 k 1
nk
Suma de cuadrados explicados (SCE): tiene k-1
grados de libertad ya que se encuentra en funcin
de todos los parmetros estimados, excepto el
intercepto.
intercepto.
Ejercicio 1 Ejercicio 1 Ejercicio 1. Ejercicio 1.
Se ha estimado la siguiente funcin de consumo agregado a partir de 30 observaciones:
Ci = -4,16 - 0,23 Ri + 0,8 Yi + ei
donde:
Ci = logaritmo natural del consumo agregado.
Ri = tasa de inters real
( )
, , ,
, , X X ' =

(
(
(
1
10 671 0 516 1893
0 069 0 172
0 361
Yi = logaritmo natural del ingreso esperado
ei = residuo
Adems se sabe que:
SCR = 1,5687 N=30
,

(
0 361
1. Evale la hiptesis nula de que la tasa de inters no afecta al consumo.
2. Evale la hiptesis nula de que la elasticidad respecto al ingreso es 1.
3. Construya un intervalo de confianza para la elasticidad respecto al ingreso.
4 Estime el valor de 2 usando un estimador insesgado de este parmetro Construya un 4. Estime el valor de o2 usando un estimador insesgado de este parmetro. Construya un
intervalo de confianza para el mismo.
5. A partir de los datos disponibles explique cuidadosamente los procedimientos necesarios
para calcular el R2 de la regresin.
E d l d d b l hi i l l i l l
En todos los casos usted debe plantear hiptesis nula y alternativa, el test y la
distribucin utilizada, los grados de libertad y el criterio de aceptacin o rechazo. Utilice o
= 5%.
a) a) La tasa de inters no afecta el consumo La tasa de inters no afecta el consumo a) a) La tasa de inters no afecta el consumo La tasa de inters no afecta el consumo
0 ) 0
2
= | H
0 ) 1 = | H
05 . 2

27 , 2
2
2
2
= >
=
o
|
o
|
t t si HO rech
0 ) 1
2
= | H
2 |
5687 1 '
0581 . 0
27
5687 . 1 '
2
= =
=
k n
e e
o
241 0 0581 0
= = o 241 . 0 0581 . 0 = =
o
23 . 0
2
= |
063 . 0 069 . 0 241 . 0
= =
|
o
23 0
H0 05 . 2 63 . 3
063 . 0
23 . 0
2
RECH t > =
=
b) Elasticidad respecto al ingreso es 1
1 )
3
= | Ho
1 ) 1 = | H
05 . 2
27 , 2
3
3 3
= >
=
o
|
o
| |
t t
1 ) 1
3
= | H
3 |
1448 0 361 0 241 0
8 . 0
3
= |
1448 . 0 361 . 0 241 . 0
= =
|
o
H0 RECH NO 05 2 38 1
1 8 . 0
>
t H0 RECH NO 05 . 2 38 . 1
1448 . 0
2
> = = t
.
297 . 0 8 . 0 ) 05 . 2 ( 144 . 0 8 . 0
17
3
3
o |
|
t IC = =
9) (0.502;1.0
3
|
|
IC
d) d) Estime el valor de Estime el valor de oo
22
usando un estimador insesgado de este usando un estimador insesgado de este
parmetro. Construya un intervalo de confianza para el mismo. parmetro. Construya un intervalo de confianza para el mismo.
0581 . 0
5687 . 1 '
2
= = =
e e
o 0581 . 0
27 k n
2
2
2
( o
% 95 )
) (
) (
(
2
2
1 27,
2
2
2
2
27,
2
=
< <
_
o
o
_
o k n k n
P
1
1
) 3 (
1
1 ) 3 (
2
1
2
2
2
) 3 (
2
2
2
) 3 (
2
2
1
=
(
(
(
s
=
(
s s

n
P
n P
n n
o o
o o
o
_ o
o
_
o _
o
o
_
107 . 0 .036 0 95%
57 . 14
) 0581 . 0 )( 27 (
19 . 43
) 0581 . 0 )( 27 (
95%
2
2
< <
< <
o
o
ic
ic
1
) 3 (
) 3 (
) (
) 3 (
2
2
1
2
2
) 3 (
2
2
2
) 3 ( 2
1
) 3 ( 2
=
(
(
(
s s
n n
P
n n
n n
o o
o o
o
_
o
o
_
o
_ _
) 2 (
) 2 (
2
2
2
n n
C I
SCR SCR
o o

) 2 (
) 2 (
) 2 (
) 2 (
.
2
2
1
2
2
2

s s
n
n
n
n
C I
o o
_
o
o
_
o
e) A partir de los datos disponibles explique cuidadosamente los e) A partir de los datos disponibles explique cuidadosamente los
procedimientos necesarios para calcular el R2 de la regresin procedimientos necesarios para calcular el R2 de la regresin procedimientos necesarios para calcular el R2 de la regresin procedimientos necesarios para calcular el R2 de la regresin
e e Y N Y X
Y N Y X
SCT
SCE
R
' ' '
' '
2
2
2
+
= =
|
|
|
|
|
1
'
) ' ( ' ) ' (
i
X Y
Y
Y X X X Y X X X | |
e e Y N Y X SCT + |
|
|
.
\
= = =
3
2
1
' ) ' ( ' ) ' (
i i
i i
X Y
X Y Y X X X Y X X X | |
( )
, , ,
, , X X ' =

(
(
(
1
10 671 0 516 1893
0 069 0 172
|
|
|
|
= 23 . 0
16 . 4
|
|
|
|
|
|
= =

2
'
) ' (
i i
i
X Y
Y
Y X X X |
( ) , ,
,

(
(
0 361
|
.
\
8 . 0
|
.
3 i i
X Y
Con este primer valor podemos calcular la media de Y, y tenemos todo para SCE.
Luego SCT=SCR+SCE, podemos calcular R2
Ejercicio 2 Ejercicio 2
Suponga que Ud es un monopolista con costo marginal c = 10. La
curva de demanda que enfrenta es lineal. Usted cuenta con la
siguiente informacin. g
Q 3 3 7 6 10 15 16 13 9 15 9 15 12 18 21
P 18 16 17 12 15 15 4 13 11 6 8 10 7 7 7 P 18 16 17 12 15 15 4 13 11 6 8 10 7 7 7
a) Estime la curva de demanda. Es significativo el modelo en su
conjunto.
b) E t i t l d fi l 95% i l d b) Encuentre un intervalo de confianza al 95% para nivel de
producto que hace que su beneficio esperado mximo. Recuerde
que el ptimo es aquel punto en que el ingreso marginal es igual
al costo marginal.
Dependent Variable: Q
Met hod: Least Squares Met hod: Least Squares
Date: 05/ 06/09 Time: 14:48
Sample: 1 15
C 20.76912 2.821568 7.360845 0. 0000
P -0.840583 0.237563 -3.538363 0. 0036
R squared 0 490596 Mean dependent var 11 46667 R-squared 0. 490596 Mean dependent var 11.46667
S.E. of regression 3. 967605 Akaike info criterion 5.717768
Log likelihood 40 88326 F statistic 12 52002 Log likelihood -40.88326 F-statistic 12.52002

Dado que F>Ftabla rechazo Ho la regresin es Dado que F>Ftabla, rechazo Ho, la regresin es
significativa
20 76 a =
`
20 76
0 84
.
.
a
b
=
=
`
Q a bP = +
Nivel de producto que hace que su beneficio esperado mximo
2
Q
Q a Q a
P
b b b
= =
| |
2
2
.
Q a Q aQ
Ingreso P Q Q
b b b
I Q a
| |
= = =
|
\ .
c 2 I Q a
IMg
Q b b
IMg CMg
c
= =
c
=
2
10
g g
Q a
b b
=
Para calcular un intervalo de confianza
para Q optimo, requerimos:
1. - Estimar a y b
2 10 5 0 5 . Q b a Q b a = + = +
2. - Necesitamos el intervalo de esta
combinacin de coeficientes.
Nivel de producto que hace que su beneficio esperado mximo
5 0 5 5 0 5 Q b a Q b a = + = +
` `

5 0 5 5 0 5
es una combinacin lineal de variables normales.
. .
( ( ) ( ))
Q b a Q b a
Q
Q N E Q V Q
+ +
5 0 5 5 0 5
( ( ), ( ))
( ) ( . ) .
Q N E Q V Q
E Q E b a b a Q = + = + =
` `
` ` ` `
25 0 25 2 5 0 5 ( ) ( ) . ( ) ( )( . ) ( , ) V Q V b V a Cov a b = + +
` ` ` `
C P
C 7 96124375576 0 624558820159 C 7.96124375576 -0.624558820159
P -0.624558820159 0.0564360379662

( ) ( )
25 0 25 2 5 0 5
25 0 05 0 25 7 96 2 5 0 5 0 62
( ) ( ) . ( ) ( )( . ) ( , )
( ) ( ) ( )( )
V Q V b V a Cov a b
V Q
= + +
= + +
` ` ` `
( ) ( )
25 0 05 0 25 7 96 2 5 0 5 0 62
0 2784
( ) ( . ) . . ( )( . ) .
( ) .
V Q
V Q
= + +
=
Distribucin

0 1
( , ( ))
( )
Q N Q V Q
Q Q
Q Q
N

2
2
0 1 ( , )
( )
( )
Q
Q
Q Q
N
k
k
o
o
o
o
n k
t

2
2
( )
( )
n k
n k
n k
o
_
o
o

n k

Q
n k n k
Q Q
Q Q
t t
o

n k n k
Q
o
o
o

n k
Q Q
t

5 0 5 5 0 84 0 5 20 76 6 18 . ( . ) . ( . ) .
n k
Q
Q b a Q
o

= + = + =
` `
0 52
6 18
.
.
Q
Q
o =

0 025 0 025
6 8
0 52
6 18
0 95
. .
.
.
.
( )
n k
Q
t
Q
P t t
( (
15 2 15 2
0 95
0 52
6 18
2 161 2 161 0 95
( ) .
.
.
( )
P t t
Q
P

( ( =
( ( = 2 161 2 161 0 95
0 52
6 18 2 161 0 52 6 18 2 161 0 52 0 95
( . . ) .
.
( . . ( . ) . . ( . )) .
P
P Q
( (
( ( =
5 04 7 32 ( . . ) P Q ( ( = 0 95 .
Yi = |1 + |2 Xi2 + |3 Xi3 + i
4
(
Yi = |1 + |2 Xi2 + |3 Xi3 + i
(
3
(
5 3 1
(
(
8 5 . 4 7 . 26
20
(
2 5
1 5
. |
(
(
=
(
(

(
(
(
(
= 8
1
3
Y (
(
(
(
= 6 5 1
4 1 1
5 3 1
X
(
(
(
5 . 2 5 . 1 8
5 . 1 1 5 . 4 ) X ' X (
1
20
76
109
( ' ) X Y
(
(
=
(
(

1 5 .
(

(
(
(
(
5
3
8 Y
(
(
(
(
6 4 1
4 2 1
6 5 1 X
109
(

( )
2 2
20
4 2 5 1 5 76 5 4 26 5
109
' ' . . ( ) . SCE X Y nY |

| |
|
= = =
|
|
\ .

109
|
\ .
2
5 4 108 80 28 ' ( ) SCT Y Y = = =
28 265 15 ' . . SCR e e SCT SCE = = = =
Ejercicio 3 Ejercicio 3 Ejercicio 3 Ejercicio 3
2 1

( ) ( ' ) V X X | o

=
(
(
8 5 . 4 7 . 26
(
(
(
5 . 2 5 . 1 8
5 . 1 1 5 . 4 ) X ' X (
1
2
15
075
' .
e e
2
075
5 3
.
n k
o = = =

2 1
26 7 4 5 8 20 025
0 75 4 5 1 1 5 3 375
8 1 5 2 5 6
3.375 -6
0.75 -1.125
-1.125 1.875
. . .

( ) ( ' ) . . . .
. .
V X X | o

( | |
| (
= = =
| (
|
(
\ .
C 4 000000 4 474930 0 893869 0 4657 Ejercicio 3 Ejercicio 3 C 4.000000 4.474930 0.893869 0.4657
X1 2.500000 0.866025 2.886751 0.1020
X2 -1.500000 1.369306 -1.095445 0.3876
S.E. of regression 0.866025 Akaike info criterion -0.003973
Sum squared resid 1.500000 Schwarz criterion -0.238310
-------------+------------------------------ F( 2, 2) = 17.67
Model | 26.5 2 13.25 Prob > F = 0.0536
Residual | 1 5 2 75 R-squared = 0 9464 Residual | 1.5 2 .75 R-squared = 0.9464
-------------+------------------------------ Adj R-squared = 0.8929
Total | 28 4 7 Root MSE = .86603

------------------------------------------------------------------------------
Y | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
x2 | 2.5 .8660254 2.89 0.102 -1.226207 6.226207
x3 | -1.5 1.369306 -1.10 0.388 -7.39165 4.39165
_cons | 4 4.47493 0.89 0.466 -15.25407 23.25407
------------------------------------------------------------------------------
EJERCICIOS EJERCICIOS EJERCICIOS EJERCICIOS
1) Significacin conjunta de X2 y X3 1) Significacin conjunta de X2 y X3
Ho: |2=|3=0
67 . 17
5 . 1
1 3
5 . 26
1
=
=
SCR
k
SCE
F
C
3 5
5 . 1
k n
SCR
Como F
0.05 (2,2)
=19, la F muestral es menor
que el valor criticono rechazo Ho.
T t G l b Test General para probar
Restricciones Lineales de
Parmetros
Test GENERAL Test GENERAL Test GENERAL Test GENERAL
Supongamos que estamos interesados en estimar una funcin de
produccin Cobb-Douglas:
lnY
i
= |
1
+ |
2
lnL
i
+ |
3
lnK
i
+
i
podemos expresar esta podemos expresar esta
restriccin en forma
matricial
H0: C| = r
Repasemos distintas hiptesis a
probar:
H0: C| = r
H1: C| = r
donde C = [0 1 0]
0
Ejemplo 1:
Si queremos testear
r=0
| | 0 0 1 0
1
= = =
(
(
(
= r C | |
|
|
Si queremos testear
H0: |2 = 0
H1: |2 =0
| | 0 0 1 0
2
3
2
= = =
(
(
= r C |
|
| |
Ejemplo 2: Ejemplo 2: Ejemplo 2: Ejemplo 2:
Si queremos testear
debemos definir la matriz
C y el vector r: Si queremos testear
H0: |2 +|3 = 1
H1: |2 +|3 = 1
C y el vector r:
H0: C| = r
H1: C| = r
donde C = [0 1 1]
r = 1 (en este caso un
t d 1 1 vector de 1x1, o sea un
escalar)
(
|
| |
(
(
(
=
2
1
1 1 0
|
|
|
| C
(
3
|
Ejemplo 3: Ejemplo 3: Ejemplo 3: Ejemplo 3:
Si queremos testear
H0: C| = r
Si queremos testear
H0: |2 = |3
H1: |2 = |3
H0: C| r
H1: C| = r
| |
donde C = [0 1 -1]
r = 0
| |
1
1 1 0 | | |
|
| =
(
(
(
= C | |
3 2
3
2
1 1 0 | |
|
| |
(
(
C
Ejemplo 4: Ejemplo 4:
H0: |2 = |3 = 0 H0: C| = r H0: |2 |3 0
H1: Algn |i
distinto de 0
H0: C| r
H1: C| = r
(
0 1 0
(
(
=
0

1 0 0
0 1 0
C
(
=
0
0
r
(
=
(
(
(
(
=
2
1
2
1

1 0 0
0 1 0
|
|
|
|
|
| C

(
2
3
|
|
Ejemplo 5: Ejemplo 5:
lnY lnY
i i
= = ||
11
+ + ||
22
lnL lnL
i i
+ + ||
33
lnK lnK
i i
+ + ||
4 4
lnZ lnZ
i i
+ + ||
55
lnW lnW
i i
+ +
i i
H0:|4 = |5 = 0 | |
H1:Algn |i distinto de 0
(
=
1 0 0 0 0
0 1 0 0 0
C
(
=
(
0
0
r
1 0 0 0 0
(
(
1
|
|

0
Conclusin:
CUALQUIER HIPTESIS
LINEAL SOBRE LOS
(
(
(
(
(
(
=
4
3
2

1 0 0 0 0
0 1 0 0 0
|
|
|
| C
COEFICIENTES SE
PUEDE EXPRESAR AS.
(
5
|
3 Formas de desarrollar el test 3 Formas de desarrollar el test 3 Formas de desarrollar el test 3 Formas de desarrollar el test
Test
|
C
Test
Desarrollo del test
Regresin restringida.
|
g g
Mediante el clculo de los residuos libres y
restringidos.
Mediante el coeficiente de determinacin, R2 ,
Una aplicacin: test de cambio estructural.
Desarrollo del Test Desarrollo del Test
Existen distintas formas de desarrollar el test.
1. Mediante el desarrollo del test (Wald)
La distribucin de probabilidad de una combinacin lineal de
|
C
La distribucin de probabilidad de una combinacin lineal de
ser tambin normal.
Debemos encontrar los parmetros de la distribucin.
) ) ' ( , ( ~
1 2
X X N o | |
| | | C )
( CE )
C ( E | = | = | C ) ( CE ) C ( E
| |
| | ) ' ' ' '
)(
( )
(
)'
)(
(
C C C C E C V
C C C C E C V
= =
= =
| | | | |
| | | | |
) ' C ) X ' X ( C , C ( N ~
C
1 2
o | |
| |
| |
| | ' )'
)(
( )
(
' ) ' '
)(
( )
(
) )( ( ) (
C C E C V
C C E C V
C C C C E C V
= =
= =
= =
| | | | |
| | | | |
| | | | |
) ' C ) X ' X ( C , 0 ( N ~ C
C
) C ) ( C , C ( N C
1 2
o | |
o | |
Si H0 es cierta: C| = r
| |
' ) ' ( )
(
' )'
)(
( )
(
1 2
C X X C C V
C CE C V
=
= =
o |
| | | | |
) ' C ) X ' X ( C , 0 ( N ~ r
C
1 2
o |
) ' C ) X ' X ( C , 0 ( N ~ r
C
1 2
o |
(2) ~
' ) (
2
2
e e k n
=
_
o
| | (1) ~ )
( ' ) ' ( )'
(
2
1
1 2
R
r C C X X C r C _ | o |

(2) ~
2 2
k n
= _
o o
(1) y (2) son independientes
| | ( ) ) ( ) ( ) (
R
_ | |
(1) y (2) son independientes
| |
k n R
1
1 2
F ~
'
R / ) r
C ( ' C ) X ' X ( C )' r
C (

| o |
k n , R
2
) k n (
e ' e

o
k n , R
1 1 2
F ~ ) r
C ( ) ' C ) X ' X ( C
( )' r
C (
R
1

| o |
R
o
1 - o
0 F
r, n-k
Rechazo H
o
si F calculado > F de tabla.
Volvamos al Ejemplo 1
Funcin de produccin Cobb-Douglas la prueba de
algunas hiptesis importantes:
H0: | = 0 H0: |
2
= 0
H1: |
2
= 0
C = |0 1 0|
0
k n , R
1 1 2
F ~ ) r
C ( ) ' C ) X ' X ( C
( )' r
C (
R
1

| o |
1
( r = 0
R = 1
3 n , 1 2 23 22 21
13 12 11
2
2
F ~
0
1
0

a a a
a a a
a a a
) 0 1 0 (
(
(
(
(
(
|
(
(
(
|
|
|
.
|
\
|
|
|
|
.
|
\
|
o |
33 32 31
0 a a a
(
. \ . \
( )
1
1
0
2
F ~
a a a

|
|
|
|
|
|
(
(
o | ( )
3 n , 1 2
0
23 22 21 2
F ~ a a a
|
.
\
|
(
(
o |
|
2
| |
3 n , 1 2
1
22
2
2
F ~
| o |

|
2
2

o
2
a
22
~ F
1, n3
UN EJEMPLO NUMRICO:
u SP SM HC S + + + + =
4 3 2 1
| | | |
u SP SM HC S + + + +
4 3 2 1
| | | |
SM: aos de escolaridad de la madre
Date: 10/23/06 Time: 17:57
SM SP
SM 1 0 630
j g p
C 4.813784 0.495097 9.722904 0.0000
HC 0.128726 0.009889 13.01758 0.0000
SM 0.070601 0.041995 1.681162 0.0933
SP 0.139161 0.030737 4.527439 0.0000
SM 1 0.630
SP 0.630 1
SP 0.139161 0.030737 4.527439 0.0000
6

UN EJEMPLO NUMRICO:
u SP SM HC S + + + + | | | |
u SP SM HC S + + + + =
4 3 2 1
| | | |
SM: aos de escolaridad de la madre
3 4
| | =
u SP SM HC S + + + + =
3 2 1
) ( | | |
u SPS HC + + + =
3 2 1
| | |
6
SP SM SPS + =
Un ejemplo numrico Un ejemplo numrico Un ejemplo numrico Un ejemplo numrico
Date: 10/23/06 Time: 18:04
Sample(adjusted): 1 540 p ( j )
C 4.644835 0.469310 9.897151 0.0000
HC 0.128929 0.009888 13.03874 0.0000
SPS 0.111718 0.016945 6.592878 0.0000

REGRESIN RESTRINGIDA
Date: 10/23/06 Time: 17:57
Sin embargo, el uso de esta
restriccin llevar a ganancias
en eficiencia solamente si la
C 4.813784 0.495097 9.722904 0.0000
HC 0.128726 0.009889 13.01758 0.0000
SM 0.070601 0.041995 1.681162 0.0933
en eficiencia, solamente si la
restriccin es vlida. Si no lo
es, lleva a sesgo en los
coeficientes y a errores
SP 0.139161 0.030737 4.527439 0.0000
L lik lih d 1110 805 F t ti ti 132 3071
estndar y test mal calculados.

Date: 10/23/06 Time: 18:04 Date: 10/23/06 Time: 18:04
C 4.644835 0.469310 9.897151 0.0000
HC 0.128929 0.009888 13.03874 0.0000
SPS 0.111718 0.016945 6.592878 0.0000
Al imponer la
restriccin, la
SCR aumenta y
g

por tanto el R2
disminuye.
MICO R t i id
ECM
MICO Restringido
(sesgo)
ECM
MICO (sesgo cero y ( g y
varianza constante)
Falsedad de la
Falsedad de la
restriccin
2. Mediante el clculo de los residuos libres y restringidos.
S d d t
| | ) C
C ( C ) X ' X ( C )' C
C ( e ' e e
~
' e
~
1
1 1
| | | | =

Se puede demostrar que:

suma de cuadrados restringida: los obtenidos de la regresin
en la que se impone H0 (la restriccin).
2
k n
2
2
) R k ( n
2
~
e ' e
y ~
e
~
' e
~

_
o
_
o
2
R
2
) k n ( ) R k ( n
2
~
e ' e e
~
' e
~
_ = _
o

2
R
2
R /
e ' e e
~
' e
~
~
e ' e e
~
' e
~

_
o
k n , R
2
2
2
k n
2
F ~
k n /
e ' e
R /

i d di
~
e ' e

o
o
`
_
o
k n , R
F ~
k n / e ' e
R / ) e ' e e
~
' e
~
(

ntes independie
o
)
Etapas: Etapas:
Se estima regresin restringida
(imponiendo que se cumpla la
hiptesis nula) y se obtiene la
SCR restringida
Si F > FTABLA rech H0
(R h l t i i lid
g
2. Se estima regresin libre (sin
imponer que se cumpla la
(Rech que la restriccin sea valida
si la suma se reduce mucho al
calcular dicho estadstico)

e '

e
imponer que se cumpla la
hiptesis nula) y se obtiene la
SCR libres
e' e'
3. Se calcula el estadstico
e e
R / ) e ' e e
~
' e
~
(
Rechazo H
o
) k n /( e ' e
R / ) e e e e (
F
=
TESTEO DE LA RESTRICCIN
u SP SM HC S + + + + =
4 3 2 1
| | | |
4 3 2 1
| | | |
3 4 1 3 4 0
: , : | | | | = = H H
) k n /( e ' e
R / ) e ' e e
~
' e
~
(
F
=
9 . 3 ) 536 , 1 ( 14 . 1
85 . 1934 98 . 1938
0 ~ > =
= F F si H rech
) k n /( e e
) , (
536 / 85 . 1934
El test tiene en el numerador el mejoramiento en el ajuste de la regresin provocado por
relajar la restriccin, dividido por el costo de relajarla (un grado de libertad, porque debe
ser estimado un parmetro ms).
Wald Test:
Equation: Untitled
Null Hypothesis: C(3)=C(4)
No rech
15
F-statistic 1.145022 Probability 0.285075
Chi-square 1.145022 Probability 0.284594

No rech
H0
SI ES UNA UNICA RESTRICCIN SE PUEDE USAR EL TEST T:
u SP SM HC S + + + + = | | | | u SP SM HC S + + + + =
4 3 2 1
| | | |
3 4 1 3 4 0
: , : | | | | = = H H
0 : , 0 :
3 4 1 3 4 0
= = | | | | H H
0 : 0 :
3 4 1 3 4 0
= = = = | | u | | u H H
0 : 0 : = u u H H 0 : 0 :
3 1 0
= = u u H H

| | u =
( ) ( ) ( )
( ) ( ) ( ) )

( 2

3 4 3 4
3 4
| | | | u
| | | | u
| | u
Cov V V V
E E E
+ =
= =
=
( )
k n
t H ch
>
,
2
0
si Re
o
u
u u
22
( ) ( ) ( ) ) , ( 2
3 4 3 4
| | | | u Cov V V V + =
Date: 10/23/06 Time: 16:57
C(1) C(2) C(3) C(4)
C(1) 0.2451 -0.0031 -0.0086 0.0015
C 4.813784 0.495097 9.722904 0.0000
ASVABC 0.128726 0.009889 13.01758 0.0000
SM 0.070601 0.041995 1.681162 0.0933
SF 0.139161 0.030737 4.527439 0.0000
( )
C(2) -0.0031 0.0001 -0.0001 -0.0001
C(3) -0.0086 -0.0001 0.0018 -0.0007
C(4) 0.0015 -0.0001 -0.0007 0.0009
0685 . 0 0706 . 0 1391 . 0

3 4
= = = | | u

( ) ( ) ( )
( ) ) 0007 . 0 ( 2 ) 041 . 0 ( ) 030 . 0 (
( 2

2 2
3 4 3 4
+ =
+ =
u
| | | | u
V
Cov V V V
( )
( )
( ) 064 . 0
041 . 0 ) 0007 . 0 ( 2 ) 018 . 0 ( ) 0009 . 0 (
= =
= + =
u o
u
u
V
V
2
0640 . 0
0685 . 0
si Re
0
> H ch
2 .07 1 si Re
0
> H ch
Otra forma..
SPS SP SM 0
3 4 3
| | | + =
u SP SM HC S + + + + =
4 3 2 1
| | | |
u SPS HC S + + + =
3 2 1
| | |
SP
SP SM SP SM
) (
) (
3 4
3 4 3
| |
| | |
=
+ + =
4 3 2 1
| | | |
u SP SPS HC S + + + + = ) (
3 4 3 2 1
| | | | |
0 : , 0 :
3 4 1 3 4 0
= = | | | | H H
Date: 10/23/06 Time: 19:54
C 4.813784 0.495097 9.722904 0.0000
HC 0.128726 0.009889 13.01758 0.0000
SPS 0 070601 0 041995 1 681162 0 0933
Wald Test:
Equation: Untitled
Null Hypothesis: C(3)=C(4)
Chi square 1 145022 Probability 0 284594
SPS 0.070601 0.041995 1.681162 0.0933
SP 0.068560 0.064071 1.070057 0.2851

23
q

07 . 1 14 . 1 =
Mediante el coeficiente de determinacin, R Mediante el coeficiente de determinacin, R
22
Una tercera forma equivalente de probar la misma
hiptesis es:
=

y R 1 (
R
y ) R 1 ( y ) R
~
1 (

e ' e
R
e ' e e
~
' e
~
2 2
2 2 2 2

k n
y (
k n
| | | | | | | |
) k n /( ) R 1 (
R / R 1 R
~
1

) k n /( ) R 1 (
R / ) R 1 ( ) R
~
1 (

2
2 2
2
2 2

+
=

=
2 2
F ~
R / ) R
~
R (
=
k n , R
2
F ~
) k n /( ) R 1 (

=
Otro ejemplo numrico Otro ejemplo numrico Otro ejemplo numrico Otro ejemplo numrico
Yi = |1 + |2 Xi2 + |3 Xi3 + i
(
3
(
5 3 1
(
(
(
(
(
= 8
1
3
Y
(
(
(
(
(
= 6 5 1
4 1 1
5 3 1
X
(
(
(
5 2 5 1 8
5 . 1 1 5 . 4
8 5 . 4 7 . 26
) X ' X (
1
(
(
(
5
3
(
(
(
6 4 1
4 2 1
(
5 . 2 5 . 1 8
C 4.000000 4.474930 0.893869 0.4657
X1 2.500000 0.866025 2.886751 0.1020
X2 -1.500000 1.369306 -1.095445 0.3876
EJERCICIOS EJERCICIOS EJERCICIOS EJERCICIOS
1) Significacin conjunta de X2 y X3 1) Significacin conjunta de X2 y X3
Ho: |2=|3=0
67 . 17
5 . 1
1 3
5 . 26
1
=
=
SCR
k
SCE
F
C
3 5
5 . 1
k n
SCR
Como F
0.05 (2,2)
=19, la F muestral es menor
que el valor criticono rechazo Ho.
2. Significacin de X3 2. Significacin de X3
Ho: |3=0
Una forma de
probarlo es con un
C -0.800000 0.938083 -0.852803 0.4564
X2 1.600000 0.282843 5.656854 0.0109
probarlo es con un
test de hiptesis
simple.
Observando la salida
q p
Log likelihood - 5.259770 F-statistic 32.00000
Observando la salida
de E-Views se
concluye que este
parmetro es no
significativo
4 . 2 '
~
'
~
= e e
2 1
1
5 . 1 4 . 2
/ ) '
~
'
~
(

R e e e e
F
F
0.05(1,2)
=18.51,
F<Ft no
significativo.
Otra forma de
probar esto es
ti d l
2 . 1
3 5
5 . 1
1
/ '
) (
=
=
k n e e
F
rechazo Ho.
W l d T t
estimando la
regresin
restringida
W a l d T e s t :
E q u a t i o n : U n t i t l e d
N u l l H y p o t h e s i s : C ( 3 ) = 0
F - s t a t i s t i c 1 . 2 0 0 0 0 0 P r o b a b i l i t y 0 . 3 8 7 6 2 8
C h i - s q u a r e 1 . 2 0 0 0 0 0 P r o b a b i l i t y 0 . 2 7 3 3 2 2
no rechazo Ho.
3. Los coeficientes de X2 y X3 son de igual 3. Los coeficientes de X2 y X3 son de igual
magnitud pero de signo opuesto magnitud pero de signo opuesto magnitud pero de signo opuesto magnitud pero de signo opuesto
Ho: |2+|3=0 C|=r
| |
1
0
1 1 0
=
=
R
r
C
1 = R
k n , R
1 1 2
F ~ ) r
C ( ) ' C ) X ' X ( C
( )' r
C (
R
1

| o |
(
|
|
| |
|
|
| (

(
|
|
| |

0 6 37 3 02 20
1
1
1
( ) ( )
(
(
(
|
|
|
.
|
\
|
|
|
|
|
|
|
.
|
\
|
(
(
(

(
(
(
|
|
|
.
|
\
|
|
|
|
0
1 1 0
1
1
0

875 . 1 125 . 1 6
125 . 1 75 . 0 37 . 3
6 37 . 3 02 . 20
) 1 1 0 ( ' 0
1 1 0
1
1
3
2
1
3
2
1
( ) ( ) ( ) 5 . 1 5 . 2
1
1
0
875 . 1 125 . 1 125 . 1 75 . 0 6 37 . 3 ' 5 . 1 5 . 2
1
(
(
(
|
|
|
.
|
\
|
+
| | chHo NORe 13 . 10 66 . 2
375 . 0
1
1 875 . 1 125 . 1 125 . 1 75 . 0 1
2
1
< = = +

Wald Test:
Equation: Untitled
Null Hypothesis: C(2)+C(3)=0
2 REGRESIN RESTRINGIDA 2 REGRESIN RESTRINGIDA 2. REGRESIN RESTRINGIDA 2. REGRESIN RESTRINGIDA
Si nosotros creemos que se cumple que
r C H = | ) 0
Estamos interesados en encontrar el estimador de |, tal
que :
C a sujeto
' min
r
e e
= |
) C ( ' 2 ) ( )' ( ) C ( ' 2 '
C a sujeto
r X Y X Y r e e L
r
r r r r
= = | | | |
|
) C ( ' 2 ' ' ' 2 '
'
r X X Y X Y Y
r r
r
r
+ = | | | |
) C ( ' 2 ' ' ' 2 '
'
r X X Y X Y Y L
r r
r
r
+ = | | | |
| |
|
C' ' ' 0 ' 2 ' 2 ' 2 + = = + =
c
c
Y X X X C X X Y X
L
r r
r
( )
( )
| C' ' ' ) ' (
1
1

+ = X X Y X X X
r
( ) | | C' '

1
+ = X X
r
C 0 ) C ( 2
c
| |
L
( ) ( ) r C' '
C
r C 0 r) - C ( 2
1
= +
= = =
c
c
|
| |
X X
L
r r
( )
( ) | | ( ) |
|
C - r C' '
C - r C' '
1 -
1
1
=
=
X X C
X X C
( ) ( )
( ) r C' '
C
r C C
1
= +
= +
|
|
X X C
X X
( ) ( ) | | ( ) | | |
C - r C' ' C' '
-1
1 1
+ = X X C X X
r
( ) ( ) | | ( ) | | |
C r C' ' C' '
-1
1 1
+ = X X C X X
( ) ( ) | | ( )
| |
-1
1 1
)
CE( - r C' ' C' ' )
( ) (

+ = | | |
r
X X C X X E E
( ) ( ) | | ( ) | | | C - r C C + = X X C X X
r
( ) ( ) | | ( )
( )
_
0 C r si solo

1 -
1 1
C - r C' ' C' ' ) (
=

+ =
|
| | |
sesgo
r
X X C X X E
El estimador restringido solo es insesgado si la restriccin es vlida.
Cuando la restriccin no es vlida tiene sesgo.
Se p ede demostrar q e
( )
insesgado es
0 C - r si solo = |
Se puede demostrar que:
( ) ( ) | | ( ) ' C' ' C' ' )
( ) (
1
-1
1 1
2
o | | X X C X X C X X V V
r
=

_
)
( ) (
positiva da semidefini matriz
| | V V
r
s

_
_
El estimador restringido es mejor estimador si la restriccin es verdadera.
INCORPORACION DE INCORPORACION DE
INFORMACIN EXGENA INFORMACIN EXGENA INFORMACIN EXGENA. INFORMACIN EXGENA.
Incorporar informacin externa (de la teora econmica o de
t di i ) d t l fi i i d l ti d estudios previos) puede aumentar la eficiencia de los estimadores.
Pero incorporar informacin incorrecta crea sesgo, por lo que el
tpico trade off entre varianza y sesgo aparece. tpico trade off entre varianza y sesgo aparece.
Si la informacin exgena utilizada es una restriccin exacta, esta
se puede incorporar a la ecuacin de regresin y estimar una
i t E t t d nueva regresin con menos parmetros. Este mtodo es
equivalente a Mnimos cuadrados restringidos (es decir minimizar
el cuadrado de los residuos, sujetos a una restriccin).
Se pueden calcular el residuo de esta nueva regresin que ser
menor que el residuo MICO
4. Regin de confianza conjunta para 4. Regin de confianza conjunta para ||2 y 2 y ||33
Podemos utilizar este resultado para construir
k n , R
1 1 2
F ~ ) C
C ( ) ' C ) X ' X ( C
( )' C
C (
R
1

| | o | |
Podemos utilizar este resultado para construir
regiones de confianza de los test.
Una regin de confianza conjunta para un Una regin de confianza conjunta para un
conjunto de coeficientes, sera el conjunto de
valores para los cuales la hiptesis nula no sera
rechazada.
Supongamos que nos interesa conocer la regin
en que se cumple que |
2
y |
3
son
conjuntamente significativos.
H |2 |3 0
Ho: |2=|3=0
2 R
1 0 0
0 1 0
=
|
|
.
|
\
|
= C
C C C X X C C C

)
( ) ' ) ' ( ( )'
(
1 1
| | | |
k n
e e
R
C C C X X C C C
C C C X X C C C
R
=

'
) ( ) ) ( ( ) (
)
( ) ' ) ' (
( )'
(
1
1 1 2
| | | |
| | o | |
1
(
(
| |
(
(
| |
1 0 0
0 1 0

1 0
0 1
0 0
5 . 2 5 . 1 8
5 . 1 1 5 . 4
8 5 . 4 7 . 26
1 0 0
0 1 0
'
1 0 0
0 1 0
3
2
1
3
2
1
1
3
2
1
3
2
1
(
(
(
(
(
(
|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
.
|
\
|
|
|
|
.
|
\
|
(
(
(
|
|
.
|
\
|
(
(
(
(
(
(
|
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
.
|
\
|

|
|
|
|
|
|
|
|
|
|
|
|
75 . 0
2

. \
. \ )
. \

. \
. \
| |

|
|
|
1
0 0
( )
|
|
.
|
\
|
|
|
|
.
|
\
|
|
|
.
|
\
|

3 3
2 2
3 3 2 2
1 0
0 1
0 0
5 . 2 5 . 1 8
5 . 1 1 5 . 4

5 . 1
1
| |
| |
| | | |
)
. \
( ) ( )
|
|
.
|
\
|
|
|
.
|
\
|
=
|
|
.
|
\
|
|
|
.
|
\
|

3 3
2 2
3 2
3 3
2 2
1
3 3 2 2
4 6
6 10
5 . 1 5 . 2
5 . 1
1
5 . 2 5 . 1
5 . 1 1

5 . 1
1
| |
| |
| |
| |
| |
| | | |
. \ . \
5 . 1
4 10 12 18 32 5 . 26
2
3
2
2 3 2 3 2
| | | | | | + + +
= F
Pr {F<F }=0 95 y F(2 2)=19 Pr {F<F
0.05
}=0.95, y F(2,2)=19
Entonces, haciendo
F= F
0.05
se tiene
19
5 . 1
4 10 12 18 32 5 . 26
2
3
2
2 3 2 3 2
=
+ + + | | | | | |
0 2 18 32 12 4 10
3 2 3 2
2
3
2
2
= | | | | + | + |
Este procedimiento permite establecer una elipse de
confianza al 95% para los parmetros | que son
Esta es la ecuacin de una elipse!!!.
confianza al 95% para los parmetros | que son
desconocidos.
La elipse est centrada en el punto
5 . 2
2
= |
5 . 1
3
= |
Joint vs Individual 0.95 Confidence Region
El origen (0,0) se
4
8
o ge (0,0) se
encuentra justo al borde
de la elipse, lo que
significa que, con un
95%d fi
0
3
95% de confianza, no
se puede rechazar la
hiptesis de que ambos
parmetros son cero en
-4
b
_
p
forma conjunta.
-12
-8
12
-4 -2 0 2 4 6 8
b_2
Observaciones: Observaciones:
la elipse cambia de forma en funcin de la covarianza
entre los parmetros estimados.
la elipse se inclina hacia la izquierda
0 )

cov( < | |
la elipse se inclina hacia la izquierda,
inclina hacia la derecha.
que los lmites que se obtienen en forma conjunta son
0 ) , cov(
3 2
< | |
0 )
cov(
3 2
> | |
que los lmites que se obtienen en forma conjunta son
distintos a los que se obtienen en intervalos de
confianza individuales.
Es perfectamente posible que utilizando test individuales se Es perfectamente posible que utilizando test individuales se
concluya que los parmetros son individualmente no
significativos, pero testeando conjuntamente la hiptesis de que
ambos parmetros son cero esta sea rechazada por obtener un
elipse tal que el punto (0,0) este fuera de la misma.
En ese caso uno puede decir que al menos uno de los
parmetros tiene suficiente influencia sobre la variable
explicativa pero no puede asignar esa influencia a uno de los
explicativa, pero no puede asignar esa influencia a uno de los
parmetros en particular.
Test de Normalidad Test de Normalidad Test de Normalidad Test de Normalidad
PREDICCIN PREDICCIN PREDICCIN PREDICCIN
Prediccin (Forcasting) Prediccin (Forcasting) Prediccin (Forcasting) Prediccin (Forcasting)
Deseamos predecir el futuro Como Deseamos predecir el futuro Como
funcion de lo que conocemos hoy:
las X las X
los coeficientes estimados (suponemos que
se mantienen) se mantienen)
Ejemplos sencillos: Ejemplos sencillos: Ejemplos sencillos: Ejemplos sencillos:
Supongamos que estimamos el siguiente Supongamos que estimamos el siguiente
modelo:
t t 1 0 t
X Y + | + | =
Luego, debemos hacer una prediccin de
X para estimar Y:
( ) ( ) 0 X E Y E
1 t t 1 0 1 t t
+ | + | =
+ +
En general cuando X es una variable En general cuando X es una variable
contemporanea y cuantitativa el problema
de la prediccin se centra en encontrar de la prediccin se centra en encontrar
supuestos plausibles para X.
En algunos casos debemos hacer una
nueva regresin para explicar X.
Intervalo de confianza para la Intervalo de confianza para la
di i di i prediccion prediccion
Parmetros estimados dentro de la muestra: Parmetros estimados dentro de la muestra:
ik k 3 i 3 2 i 2 1 i
X
. . . X
X

Y
| + + | + | + | = i = 1 ....... n
Inters: pronosticar el valor de Y en un perodo
1 k k n 1 n
X Y

| =
Inters: pronosticar el valor de Y en un perodo
posterior a n (por ejemplo el perodo que
denominaremos 0). denominaremos 0).
predecir Y
0
: prediccin individual o puntual.
Predecir E(Y
0
/X): prediccin media o promedio.
0
k 0 k 03 3 02 2 1 i
X
. . . X
X

Y
| + + | + | + | =
Es fcil probar que es un estimador insesgado de E(Y0/X) 0
Y
) ( )
( ) Y ( E ) Y
( E
0 0
=
'
u X u X X Y
k k
+ = + + . + + = | | | |
0 0 0 0 02 2 1 0
u X u X X Y
k k
+ + + . + + | | | |
| | | ' ) ( ' ) ' ( ) / ( X u E X u X E X Y E = + = + = | | |
0 0 0 0 0 0 0
) ( ) ( ) / ( X u E X u X E X Y E + +
| | | ' )
( ' )
' ( ) /
( X E X X E X Y E = = = | | |
0 0 0 0 0
) ( ) ( ) / ( X E X X E X Y E = = =
en promedio estar sobre Y0 promedio

Y
0
en promedio estar sobre Y0 promedio.
No hay sesgo, no implica que no exista error de prediccin,
Error de prediccin = e
0
= Y0 -
0
Y
0
'
0 0 0 0 0 0
)
' '
u X X X Y Y e + = + = = | | | |
1 1
0
1
1
0 0 0 0 0 0
) (
x
kx
xk
o
u X X X Y Y e + + | | | |
Cul es el valor esperado del error de Cul es el valor esperado del error de
prediccin?
| |
Cul es la varianza de e0?
| | 0 ) u ( E )
( X E ) u )
( X ( E ) e ( E
0
'
0 0
'
0 0
= + | | = + | | =
Cul es la varianza de e0?
) )
( ( ) (
0
'
0 0
u X V e V + = | |
| | | |
L i t f i d d i bl l t i ( 0) P l
| | | |
0
'
0 0
'
0
u )
( X Cov 2 ) u ( V )
( X V | | + + | |
|

La covarianza est en funcin de dos variables aleatorias ( y 0). Por lo
tanto, COV (i,0)=0 por el supuesto de no autocorrelacin de los errores
|
| | ) ( )
( ) (
0
'
0 0
u V X V e V + = | |
| |
2 '
0
)
( o | | + = X V
| || | { } | || | { }
2 '
0
'
0
' )
( )
( o | | | | + = X X E
| |
2 '
)'
)(
( o | | | | + = X X E| |
0 0
) )( ( o | | | | + X X E
2
0
'
0
)'
)(
( o | | | | + = X E X
2
0
'
0
)
( o | + = X V X
) ' (
2 1 2 '
o o + =

X X X X ) (
0 0
o o + = X X X X
| | 1 ) ' (
0
1 '
0
2
+ =

X X X X o
| |
Cmo se distribuye e0? Cmo se distribuye e0?
0
'
0 0
u )
( X e + | | =
) , 0 ( ~
2
I N u o
) ) X ' X ( ( N
1 2
| | ) ) X ' X ( , ( N ~
1 2
o | |
| | ) 1 X ) X ' X ( X ( 0 N ~ e
1 ' 2
+ o

| |
| | ) e ( V , 0 N ~ e
) 1 X ) X X ( X ( , 0 N e
0 0
0 0 0
+ o
1 X ) X ' X ( X ) e ( DS
0
1 '
0 0
+ o =

0 0
) 1 , 0 ( N ~
) e ( DS
) e ( E e
e
k n
0
1 '
0
0
2
2
0
t ~
1 X ) X ' X ( X
k n
e ' e

) e ( DS
+ o
= o
k n
0
0
t ~
) e (
DS
e

2
k n
2
2
~ ) k n (
)
_
o
o
Intervalo de confianza para el error Intervalo de confianza para el error
de prediccin. de prediccin. de prediccin. de prediccin.
o =
(
s s
o o
1 t
) e (
DS
e
t P
2 /
0
0
2 /
| | o = s s

o o
1 ) e (
DS t e ) e (
DS t P
) (
0 2 / 0 0 2 /
0
intervalo de confianza para Y0
) e (
DS t ) e ( INT
0 2 / 0 o
=
intervalo de confianza para Y0
)
( ) (
0 0
Y Y INT e INT
Y Y e
o
=
=
) (
( ) (
0 2 / 0 0 0
e DS t Y Y INT e INT
o
= =
) ( ) (
0 0
Y Y INT e INT
o
=
) e (
DS t Y
) Y ( INT
0 2 / 0 0 o
=
Dependent Variable: Y
Date: 05/17/07 Time: 10:45
Sample: 1 5 Sample: 1 5
C -0.500000 0.750000 -0.666667 0.5736
X1 2.000000 1.198958 1.668115 0.2372
X2 -0.500000 0.901388 -0.554700 0.6349
S d id 0 500000 S h it i 1 500955 Sum squared resid 0.500000 Schwarz criterion 1.500955

Matriz de varianzas y covarianzas de los errores.

C X1 X2
C 0.5625 -0.6875 0.4375
X1 -0.6875 1.4375 -1.0625
X2 0.4375 -1.0625 0.8125

Medidas de la bondad de ajuste de la
proyeccin (en todos los casos la proyeccin
puede hacerse para un perodo h que no
puede hacerse para un perodo h, que no
necesariamente es igual a n).
Interpretacin de la salida:

Raz del error cuadrtico Medio = ( )
1
i i
Y Y
h

Error absoluto Medio=

i i
Y Y
h
1
i i
h

Porcentaje del Error absoluto medio= 100 *

i i
Y
Y Y
h

i
Y h

Estas dos medidas dependen de la escala de la variable dependiente. Se pueden usar como
medidas relativas para comparar la proyeccin para la misma serie entre distintos modelos. p p p y p
Cuanto menor el error, mejor la capacidad predictiva del modelo.
Hay otra medida que no depende de la escala en que se midan las variables: el coeficiente
de desigualdad de Theil siempre est entre cero y uno, donde cero indica proyeccin
perfecta perfecta.

U=
( )
1
i i
Y Y
h
U=
( ) ( )

+
2
2
1 1
i i
Y
h
Y
h
El error cuadrtico medio de la prediccin se puede descomponer (sumando y restando
convenientemente) de la siguiente manera:

( ) ( )
2
2
) 1 ( 2
1
Y
Y
Y
Y
i
i i
s s r s s Y
Y
Y Y + +
|
|
|
|
=

( ) ( )
_ _
_
residual covarianza varianza

) (
efecto
Y
Y
efecto
Y
Y
sesgo efecto
i i
h h
|
.
\

De esta descomposicin se pueden obtener tres proporciones
|
|
.
|
\
|
: ) (
i
Y
h
Y
sesgo bias
( )
1
: ) (
i i
Y Y
h
sesgo bias
nos dice cuanto se aleja la media de
prediccin de la verdadera media de Y.
( )
=
2
var
Y
Y
s s
ianza
( )

=
2
1
var
i i
Y Y
h
ianza
nos dice cuanto se aleja la varianza predicha de la
verdadera varianza de Y.
) 1 ( 2
cov
Y
Y
s s r
ariance
fl j l t i t ti d d
( )
1
cov
i i
Y Y
h
ariance
refleja los componentes no sistemticos donde
Sy: desviacin estandar de Y
Y
s
: desviacin estandar de Y estimado

r: coeficiente de correlacin entre Y e Y estimado
r: coeficiente de correlacin entre Y e Y estimado.

Los tres efecto suman uno y si la prediccin es buena, los dos primeros efectos deben ser
pequeos, de forma que la mayor parte del error de cuadrtico medio sea explicada por
factores no sistemticos.

e) (5 puntos) Sabiendo que en los aos 2007 y 2008 los
l d H Wf l i i t valores de H y W fueron los siguientes
W H W H
19 19.6
72 5 20 15
estime el precio actual de un vino embotellado en los aos
2007 2008 C l l i l t
72.5 20.15
2007 y 2008. Cmo calculara ese precio al momento en que
fueron embotellados?
LA MAGIA DE LAS VARIABLES LA MAGIA DE LAS VARIABLES LA MAGIA DE LAS VARIABLES LA MAGIA DE LAS VARIABLES
DUMMIES DUMMIES
Variables Ficticias o Dummy o Variables Ficticias o Dummy o
Binarias o Dicotmicas Binarias o Dicotmicas Binarias o Dicotmicas Binarias o Dicotmicas
Es una variable explicativa dicotmica: solo puede
adoptar dos valores 1 o 0. adoptar dos valores 1 o 0.
Si la variable adopta ms de dos valores, tambin
puede convertirse fcilmente en dicotmica.
Usos de dummies:
1) incorporar informacin cualitativa 1) incorporar informacin cualitativa
Variable dependiente = f (variables cualitativas como sexo, raza,
religin, nacional o extranjero, etc)
2) Variables dummies para desestacionalizar 2) Variables dummies para desestacionalizar
3) Variables dummies para cambio estructural
4) Variables dummies para outliers.
1) Incorporar informacin cualitativa 1) Incorporar informacin cualitativa..
6
7
5.47
4.58
4.73
5
6
o
n
o
m
e
t
r
a
.
3
4
f
i
n
a
l

d
e

e
c
o
2
3
n
o
t
a

f
alumnos extranjeros alumnos chilenos prom. Extranjeros
promedio chilenos promedio total
1
0 10 20 30 40 50 60 70 80
1) Incorporar informacin cualitativa 1) Incorporar informacin cualitativa..
Ejemplo 1: Unica Variable Explicativa es una variable dummy. Ejemplo 1: Unica Variable Explicativa es una variable dummy.
=
chileno es alumno el si 0
i
PAIS
Ni = |1 + |2 PAIS + i para i =1 2 n
extranjero es alumno el si 1
i
PAIS
Ni |1 |2 PAIS i para i 1,2, ....n
donde Ni es nota P2 de Econometra y PAISi es una variable dummy (nica
variable explicativa) que representa la nacionalidad del alumno.
Nota esperada para alumnos extranjeros?
E(Ni /EX) = E(Ni / PAIS =1) = |1 + |2
Nota esperada para alumnos chilenos?
E(Ni /CHILE) = E(Ni / PAIS =0) = |1
NF = 4.58+ 0.887*PAIS
^
CHILENOS
(PAIS = 0)
^
NF= 4.58
EXT.
(PAIS= 1)
^
NF= 4.58+ 0.887*(1)=5.47
Dependent Variable: NF
Date: 11/06/06 Time: 17:14
Sample(adjusted): 1 74 Sample(adjusted): 1 74
C 4.579032 0.093863 48.78396 0.0000
PAIS 0.887634 0.233089 3.808134 0.0003
21
g

Cmo se prueba que no hay p q y
diferencias de notas asociadas
a la nacionalidad? a la nacionalidad?
H0:|2 s0
H1:|2 > 0
Podemos estimar |1 y |2 y luego realizar una
b d hi t i b dif i d prueba de hiptesis sobre diferencia de
resultados segn nacionalidad.
| |
2 n
2 2
t ~
)
DS

|
| |
Ejemplo 2: Una variable cualitativa y otra Ejemplo 2: Una variable cualitativa y otra
cuantitativa cuantitativa cua t tat a cua t tat a
Variable Dependiente = f(Intercepto, Variable Cualitativa, Variable Cuantitativa)
La nota en econometra podra ser funcin de la nota de inferencia del alumno
Ni 1 2 PAIS i 3 PIi i Ni = |1 + |2 PAIS i + |3 PIi + i
CHILENOS
PAIS=0
E(Ni/PAIS=0)= |1 + |3 PIi
EXTRANJEROS
PAIS=1
E(Ni/PAIS=1)= |1+ |2+|3 PIi
grfico grfico grfico grfico

nota
i
PI
3 1
| | +
i
PI
3 2 1
| | | + +
|
Supuestos:
|
2
> 0
|
3
igual para ambas
nacionalidades
2
|
nacionalidades
PPA
i

Date: 11/06/06 Time: 18:25
C 2.747042 0.323682 8.486865 0.0000
PAIS 0.676336 0.196394 3.443774 0.0010
PI 0.413482 0.070917 5.830462 0.0000
S E of regression 0 612034 Akaike info criterion 1 895640 S.E. of regression 0.612034 Akaike info criterion 1.895640

6
7
4
5
6
2
3
N
O
T
A
0
1
0 1 2 3 4 5 6 7
N
alumnos extranjeros alumnos chilenos
Ejemplo 3: Dos variables cualitativas Ejemplo 3: Dos variables cualitativas
Variable Dependiente = f(Intercepto, dos Variables Cualitativas)
La nota en econometra podra ser funcin del sexo y de la
nacionalidad (por ejemplo extranjero versus chileno).
Ni = |1 + |2 Si + |3 Ei + i para i =1,2, ....n
E(Ni /hombre, chileno) = E(Ni / Si =0, Ei =0) = |1 (nota esperada
para un hombre chileno) para un hombre chileno)
E(Ni /hombre, extranjero) = E(Ni / Si =0, Ei =1) = |1+ |3 (nota
esperada para un hombre extranjero)
E(Ni /mujer, chilena) = E(Ni / Si =1, Ei =0) = |1 + |2 (nota esperada
para una mujer chilena)
E(Ni /mujer,extranjera) = E(Ni / Si =1, Ei =1) = |1 + |2 + |3 (nota
( j , j ) ( , ) | | | (
esperada para una mujer extranjera)
Date: 11/06/06 Time: 18:44
Variable Coefficient Std Error t Statistic Prob Variable Coefficient Std. Error t-Statistic Prob.
C 4.734519 0.138121 34.27793 0.0000
PAIS 0.932985 0.232895 4.006031 0.0002
SEXO -0.267782 0.175850 -1.522792 0.1323
Adjusted R-squared 0 171268 S D dependent var 0 804533 Adjusted R squared 0.171268 S.D. dependent var 0.804533

Ni = |1 + |2 PAIS i + |3 SEXOi + i
HOMBRE CHILENO (S=0, PAIS=0)
E(Ni/PAIS=0, S=0)= |1 4.73 ( , ) |
MUJER CHILENA (S=1, PAIS=0)
E(Ni/PAIS=0, S=1)= |1+ |3 4.47
HOMBRE EXTRANJERO (PAIS =1 SEXO=0)
E(Ni/PAIS=1 S=0)= |1+ |2 5 67
HOMBRE EXTRANJERO (PAIS =1, SEXO=0)
E(Ni/PAIS=1, S=0)= |1+ |2 5.67
MUJER EXTRANJERA (PAIS=1, SEXO=1)
E(Ni/PAIS=1, S01)= |1+ |2+|3
5.4
Ejemplo 4: Interaccin entre una Ejemplo 4: Interaccin entre una variable variable
i i li i i i li i cuantitativa y una cualitativa cuantitativa y una cualitativa..
Con la especificacin planteada en el ejemplo 2, se esta suponiendo que el
efecto diferencial asociado al pas es constante, independiente del nivel
de PI.
Es posible que la PIi dependa del pas.
Ni = |1 + |2 PAISi + |3 PIi + |4 (PIi* PAIS)i + i para i =1,2, ....n
Ni = |1 + |2 PAIS i + |3 PIi +(|4 PI*PAIS)i +i | | | (| )
CHILENO ( PAIS=0)
E(Ni/PAIS=0)= |1+ |3 Pii
EXTRANJERO (PAIS =1)
E(Ni/PAIS=1)= (|1+ |2)+(|3+|4) PIi
nota
i
PI ) ( ) (
4 3 2 1
| | | | + + +
i
PI
3 1
| | +
|
Supuestos:
|
2
> 0
|
4
> 0
i 3 1
2
|
1
|

PI
1
|
Date: 11/06/06 Time: 19:06
Variable Coefficient Std Error t-Statistic Prob Variable Coefficient Std. Error t Statistic Prob.
C 2.878791 0.345705 8.327307 0.0000
PAIS -0.421954 1.038854 -0.406172 0.6859
PI 0.383746 0.076033 5.047121 0.0000
PAIS*PI 0.225326 0.209297 1.076582 0.2854
Adj d R d 0 422 9 S D d d 0 804 33 Adjusted R-squared 0.422579 S.D. dependent var 0.804533

5
6
7
2
3
4
N
O
T
A
0
1
0 1 2 3 4 5 6 7
N
alumnos extranjeros alumnos chilenos
Ejemplo 5: Variables Cualitativas Politmicas Ejemplo 5: Variables Cualitativas Politmicas
=
icano centroamer es alumno el si 1
CR
=
uruguayo es alumno el si 1
U
i
=
resto el en 0
i
CR
resto el en 0
U
i
=
resto el en 0
ad nacionalid otras de es alumno el si 1
R
i
Nota
Uruguayo
.Resto
Centroamrica
i i 4 i 3 i 2 1 i
u CR UR R N + | + | + | + | =
Uru
CR Resto
Hay algn problema para estimar esto?
Problema Problema
La regresin anterior no puede estimarse porque la matriz X no es de
rango completo por columnas.
Ri + Ui + CRi = 1 (las tres variables dummy sumadas dan lugar a la
columna 1)
r (X) < k XX no es invertible
i) Eli i l i t t
ii) Eliminar una de las variables dummy.
r (X) k X X no es invertible
SOLUCIN
i) Eliminar el intercepto
ii) Eliminar una de las variables dummy.
i i 4 i 3 i 2 i
u CR U R N + o + o + o =
CR U N o o o
i i 4 i 3 i 2 i
u CR U R N + o + o + o
i i 3 i 2 1 i
u CR U N + o + o + o =
2 i i i i
resto) del alumno , 0 CR , 0 U , 1 R / N ( E o = = = =
1 i i i i
resto) del alumno , 0 CR , 0 U , 1 R / N ( E o = = = =
2 1 i i i i
uruguayo) alumno , 0 CR , 0 R , 1 U / N ( E o + o = = = =
3 i i i i
uruguayo) alumno , 0 CR , 0 R , 1 U / N ( E o = = = =
4
cr) , 0 , 0 R , 1 / ( o = = = = alumno U CR N E
i i i i
2 1 i i i i
uruguayo) alumno , 0 CR , 0 R , 1 U / N ( E o + o
3 1
cr) , 0 , 0 R , 1 / ( o o + = = = = alumno U CR N E
i i i i
Qu diferencia tiene i) y ii)? Qu diferencia tiene i) y ii)? Qu diferencia tiene i) y ii)? Qu diferencia tiene i) y ii)?
De interpretacin de los coeficientes De interpretacin de los coeficientes.
i) o3 refleja la nota esperada para un
alumno uruguayo. g y
ii) o2 refleja en cunto difiere la nota de un
uruguayo de la de un alumno resto.
Cmo realizar algunas pruebas de hiptesis?
C b i di id l j t Con pruebas individuales o conjuntas.
2) 2) VARIABLES DUMMY PARA DESESTACIONALIZAR VARIABLES DUMMY PARA DESESTACIONALIZAR
En general, toda serie econmica contiene cuatro
componentes:
Z = C + T + S +I
donde : donde :
Z es la serie original
C es el ciclo (podra aproximarse por funciones
trigonomtricas) trigonomtricas)
T es la tendencia (en funcin del tiempo)
S es la estacionalidad o el efecto en la variable originado por
f t i d l l d i ( j l l ti id d factores asociados al calendario (por ejemplo la actividad
econmica declina en febrero producto de las vacaciones)
I es la parte irregular o ruido blanco que no responde a
i t d t i ti
ningn patrn determnistico.
Identifiquemos en la serie dinero Identifiquemos en la serie dinero
real estos componentes. real estos componentes. real estos componentes. real estos componentes.
600000
650000
700000
450000
500000
550000
300000
350000
400000
200000
250000
8
6
-
I
8
7
-
I
8
8
-
I
8
9
-
I
9
0
-
I
9
1
-
I
9
2
-
I
9
3
-
I
9
4
-
I
9
5
-
I
9
6
-
I
9
7
-
I
9
8
-
I
M1A serie original Ciclo Tendencia
DINERO: DISTINTOS DINERO: DISTINTOS
COMPONENTES COMPONENTES COMPONENTES COMPONENTES
Sabemos que el comportamiento de largo plazo del q p g p
dinero (componente tendencia-ciclo) depende de una
variable de escala (ingreso) y del costo de mantenerlo
(tasa de inters nominal). ( )
Pero adems la trayectoria del dinero esta afectada por
factores estacionales (por ejemplo aumenta fuertemente factores estacionales (por ejemplo aumenta fuertemente
en septiembre por fiestas patrias o en diciembre, etc).
( / ) f( f (M/P)d = f(ingreso, tasa de inters, factores
estacionales, componente irregular)
Los efectos estacionales pueden aproximarse a travs
de variables dummy.
ln (M/P) = ln (M/P) = ||1 + 1 + ||2 lnYi + 2 lnYi + ||3 ii + 3 ii + ||4 D1i + 4 D1i + ||5 D2i + 5 D2i + ||6 D3i + 6 D3i + ||7 D4i + 7 D4i + ii ( ) ( ) || || || || || || ||
Sin embargo, la regresin anterior no
puede estimarse porque la matriz X no es
de rango completo por columnas.
D1 + D2 + D3 + D4 1 (l t D1 + D2 + D3 + D4 = 1 (las cuatro
variables dummy son una combinacin
lineal que dan lugar a la columna 1)
r (X) < k XX no es invertible
=
resto el en 0
primero el es trimestre el si 1
D
1
( )
Posibles soluciones
Eliminar el intercepto
=
resto el en 0
segundo el es trimestre el si 1
D
2
tercero el es trimestre el si 1
Eliminar una de las variables dummy
Suponer que la suma de los efectos
estacionales es cero.
Desestacionalizar las series utilizadas
=
resto el en 0
tercero el es trimestre el si 1
D
3
cuarto el es trimestre el si 1
D
Desestacionalizar las series utilizadas.
Por ejemplo en E-Views el comando SEAS
elimina los efectos estacionales.
SEAS Y YSA
donde YSA es la series desestacionalizada.
Luego se corre la regresin con las series
d t i li d P j l
=
resto el en 0
D
4
desestacionalizadas. Por ejemplo:
ln (M/PSAi) = |1 + |2 lnYSAi + |3 iSAi + i
3) VARIABLES DUMMY PARA DETECTAR CAMBIO 3) VARIABLES DUMMY PARA DETECTAR CAMBIO
ESTRUCTURAL ESTRUCTURAL
CPi = |1 + |2 Yi + i Chile 1960 - 1997
Supongamos que intuimos que hubo cambio estructural en 1974 producto Supongamos que intuimos que hubo cambio estructural en 1974 producto
del proceso de apertura comercial iniciado por el pas.
II I
II I
H
H
| |
| |
:
:
1
0
=
=
,
) 74 60 ( cerrada es economa si 0
1960-74 , Podramos definir:
1975-97
I
1
|
I
2
|
II
1
| ,
II
2
|
=
) 97 75 ( abierta es economa si 1
D
i
1975 97
Planteamos un modelo ms general:
1
| ,
2
|
C
i
= |
1
+ |
2
D
i
+ |
3
Y
i
+ |
4
D
i
Y
i
+ u
i
E(C
i
/ D
i
= 0, Y
i
) = |
1
+ |
3
Y
i

E(C
i
/ D
i
= 1, Y
i
) = (|
1
+ |
2
) + (|
3
+ |
4
) Y
i

|2 es el intercepto diferencial
|4 es la pendiente diferencial
COMPARACIN CON TEST DE COMPARACIN CON TEST DE
CHOW CHOW CHOW. CHOW.
Son test equivalentes Son test equivalentes
Ventaja dummy: indica en forma precisa cul parmetro
es diferente (intercepto o la pendiente o ambos)
Tambin es posible efectuar pruebas individuales e
identificar en que parmetro se produjo el cambio
estructural. estructural.
H0 : |2 = 0
H1 : |2 = 0 H1 : |2 = 0
H0 : |4 = 0
H1 4 0
H1 : |4 = 0
4) VARIABLES DUMMY PARA 4) VARIABLES DUMMY PARA
CORREGIR OUTLIERS. CORREGIR OUTLIERS. CORREGIR OUTLIERS. CORREGIR OUTLIERS.
Un outlier es un error anormal. Su valor absoluto es
l t i l d t d d l i largamente superior al desvo estndar de la regresin.
Los parmetros estimados pueden estar fuertemente
distorsionados considerando la presencia del outlier.
Demanda por dinero:
ln (M/P) = |1 + |2 lnYi + |3 ii + |4 D1i + |5 D2i + |6 D3i + |7
D4i + |8 D5i + |9 D6i + |9 D7i + |10 D8i + |11 D9i + |12 D10i +
|13 D11i + i
Aqu utilizamos 11 dummies para captar estacionalidad
por tratarse de datos mensuales
por tratarse de datos mensuales.
13.5
0.20 13.0
0.10
0.15
12.5
0.00
0.05
12.0
-0.05
87 88 89 90 91 92 93 94 95 96 97 98
Residual Actual Fitted
Se percibe que en marzo de 1992 tenemos un residuo anormal: casi 0.15 en circunstancias que el desvo
t d d l i d 0 023 E i t j tifi i t l id l t d l
estndar de la regresin es de 0.023. Existe justificacin para controlar ese residuo anormal a travs de la
inclusin de una dummy.
ln (M/P) = |
1
+ |
2
lnY
i
+ |
3
i
i
+ |
4
D
1i
+ |
5
D
2i
+ |
6
D
3i
+ |
7
D
4i
+ |
8
D
5i
+ |
9
D
6i
+ |
9
D
7i
+ |
10
D
8i
+ |
11
D
9i
+ |
12
D
10i
+ |
13
D
11i
+ |
14
D923 +
I
=
=
resto. el en 0

1992 de marzo i si 1
923 D
ECUACIN ESTIMADA PARA LA DEMANDA POR DINERO
13.5
ECUACIN ESTIMADA PARA LA DEMANDA POR DINERO
(Incluyendo la Variable Dummy D923)
0.06
13.0
0.00
0.02
0.04
12.0
12.5
-0.04
-0.02
87 88 89 90 91 92 93 94 95 96 97 98
Residual Actual Fitted
Ejercicio 2 (60 puntos)

Resolver el siguiente ejercicio en base al archivo de Eviews children.wf1 que figura en la pagina del curso y
cuyas estadsticas son las siguientes: cuyas estadsticas son las siguientes:

Variable Descripcin Obs Mean Std. Dev. Min Max

mnthborn mes nacimiento mujer 4361 6.331346 3.323333 1 12
yearborn ao de nacimiento 4361 60 43362 8 682723 38 73 yearborn ao de nacimiento 4361 60.43362 8.682723 38 73
Age edad en aos 4361 27.40518 8.685233 15 49
electric =1 si tiene electricidad 4358 0.1402019 0.3472363 0 1
Radio =1 si tiene radio 4359 0.7017665 0.457535 0 1
Tv =1 si tiene TV 4359 0.0929112 0.2903413 0 1
bicycle =1 si tiene bicicleta 4358 0.2758146 0.4469751 0 1
Educ aos de educacin 4361 5.855996 3.927075 0 20
agefbrth edad al primer parto 3273 19.0113 3.092333 10 38
children numero de hijos nacidos vivos 4361 2.267828 2.222032 0 13
knowmeth =1 si saba del control de natalidad 4354 0.9632522 0.1881636 0 1
usemeth =1 si us control de natalidad 4290 0.5776224 0.4939956 0 1
monthfm mes del primer matrimonio 2079 6.270322 3.619943 1 12
yearfm ao del primer matimonio 2079 76.91246 7.760183 50 88
Agefm edad al primer matrimonio 2079 20.68639 5.002383 10 46
idlnchld numero de hijos "ideal" 4241 4 615892 2 219303 0 20 idlnchld numero de hijos ideal 4241 4.615892 2.219303 0 20
Educ. eduacin del marido 1956 5.144683 4.803028 0 20
Agesq edad^2 4361 826.46 526.9232 225 2401
Urban =1 si vive en zona urbana 4361 0.5166246 0.4997808 0 1
urb_educ urban*educ 4361 3.469158 4.294228 0 20
protest =1 si la religin es protestante 4361 0.2277001 0.4193961 0 1
catholic =1 si religion es catolica 4361 0.1024994 0.3033387 0 1

En el informe de la comisin para el estudio de la fertilidad en Botswana se postula que la cantidad de hijos que tiene una
mujer depende de su nivel educativo medido en aos de educacin recibida, de su edad y del cuadrado de esta ltima
variable.
a) (5 puntos) Realice la regresin un informe de los resultados de la regresin indicando la interpretacin y a) (5 puntos) Realice la regresin un informe de los resultados de la regresin indicando la interpretacin y
significancia de los coeficientes y la significancia global de la regresin, as como la calidad del ajuste encontrado.
Indique la cantidad de hijos que se espera tenga una mujer de 35 aos con 10 aos de educacin.
b) (5 puntos) Calcule un intervalo de confianza para la desviacin estndar de la regresin.
c) (5 puntos) Testee si el efecto de vivir en zonas urbanas genera una estimacin diferente de los coeficientes que vivir
en zonas rurales.

ParteB: efecto religin (25 puntos)
a) Usted cree que la regresin anterior est mal especificada porque falta considerar otros aspectos como la
religin de la mujer. Especifique una regresin que permita verificar el efecto de la religin y el uso de mtodos
de control de natalidad tanto en la constante como en la pendiente de control de natalidad tanto en la constante como en la pendiente.
b) El Director del Programa de Postgrado tiene la hiptesis de que las nicas variables que explican
c) significativamente la cantidad de hijos son la eduacin y la edad de la mujer Testee esta hiptesis?
d) Testee la hiptesis de que las mujeres catlicas tienen mayor cantidad de hijos que las mujeres de otras
religiones.
e) Testee la hiptesis que la influencia de la variable educacin es similar para las mujeres catlicas que para las
l que no lo son.

Parte C: otros efectos (10 puntos)

Un amigo suyo cree que hay otros efectos (muy triviales) que son aun ms importantes que la religin (como
j l l i t t l i i bi i l t l !) por ejemplo el que exista televisin o bicicleta en la casa!)

a) Testee si el efecto de tener televisin en la casa es mayor (en valor absoluto) que el de ser catlico.
b) Testee si una mujer catlica con televisin en su casa tiene ms hijos que una mujer protestante que
ti t l i i
tiene televisin.

Parte D: regresin final. (10 puntos)

Cual es la mejor especificacin para la cantidad de hijos de Bodwana?
Problemas economtricos Problemas economtricos Problemas economtricos Problemas economtricos
Problemas en los beta
cambio estructural
Test de Chow
Test de Cusum Test de Cusum
Uso de variables dummies.
Problemas en las X
Especificacin
Variables omitidas
Variables intrusas
Error de medida
Variables proxies
Multicolinealidad
Endogeneidad
El mtodo de Variables instrumentales El mtodo de Variables instrumentales.
Problemas en el error
El mtodo de mnimos Cuadrados Generalizados.
Autocorrelacin
Heterocedasticidad
No normalidad
CAMBIO ESTRUCTURAL CAMBIO ESTRUCTURAL CAMBIO ESTRUCTURAL CAMBIO ESTRUCTURAL
Una aplicacin: test de cambio Una aplicacin: test de cambio
t t l t t l estructural estructural
Hiptesis: yo creo que soy muy
Ventas
i
= |
1
+ |
2
Precio
i
+ |
3
GPub
i
+
i
importante para mi empresa.
La historia de la empresa se
divide en dos: antes y despus de
m
n = 38 y tenemos dos submuestras:
nI = 15 y nII = 23
m.
Yo entr a trabajar a la empresa
en el ao 1982
II I
II I
0
: H
: H
| = |
| = |
0
: H | = |
1982
Modelo restringido Modelo restringido Modelo restringido Modelo restringido
los parmetros del primer perodo los parmetros del primer perodo
coinciden con los del segundo.
+ |
(
(
=
(
+ | =
X
X

Y
Y
X Y
II
I
I
Es decir se supone que hay un solo
(

X
Y
II
Es decir se supone que hay un solo
modelo a lo largo del perodo y se obtiene
SCR restringida,
e
~
' e
~
SC est g da,
Modelo libre (no restringido): Modelo libre (no restringido): Modelo libre (no restringido): Modelo libre (no restringido):
Se corren dos regresiones: una para el Se corren dos regresiones: una para el
primer perodo y otra para el segundo.
(
(
+
(
(
|
(
(
=
(
(
II
I
II
I
II
I
I
0 X

Y

(
|
(
II II II
II
X 0
Y
SCR libre = e'e = SCR
I
+SCR
II
=e'e
I
+e'e
II
Asumiendo la distribucin bajo
l l V( ) V( )
2
Grados de Libertad
la nula, V(
I
) = V(
II
) = o
2
Numerador: R = k
(k, se impone que los k
parmetros sean iguales
entre perodos) entre perodos).
Tambin puede deducirse
como: gl de - gl de e'e
gl de = n - k
F
R
e ' e e
~
' e
~

e
~
' e
~
e
~
' e
~
gl de n k
gl de e'e = gl de (e'e)I + gl de
(e'e) II = n1 k + n2 k = n1
+ n2 2k = n-2k
l d k ( 2k )
k 2 n , k
F ~
k 2 n
e ' e

e e
gl numerador = n - k (n-2k )
= k
Denominador: gl de e'e = n-2k
k 2 n
El Test de Chow es un caso
particular del test de cambio
estructural. Chow discuti dos
situaciones peculiares: nII = k y
p y
nII< k.
En el ejemplo En el ejemplo En el ejemplo En el ejemplo
Suponga que alguien cree que los parmetros son distintos p g q g q p
dependiendo del sexo.
M H
H | | :
0
=
M H
H | | :
0
=
Esto se puede testear con test de cambio estructural (Chow).
e ' e e
~
' e
~

k 2 n , k
F ~
k 2
e ' e
R

k 2 n
Date: 10/23/06 Time: 17:57
C 4.813784 0.495097 9.722904 0.0000
85 . 1934
~
'
~
= e e
HC 0.128726 0.009889 13.01758 0.0000
SM 0.070601 0.041995 1.681162 0.0933
SP 0.139161 0.030737 4.527439 0.0000
540 = n
Log likelihood 1110.805 F statistic 132.3071

Date: 10/30/06 Time: 15:14
Sample(adjusted): 1 270 IF MALE=1
Date: 10/30/06 Time: 15:15
Sample(adjusted): 271 540 IF MALE=0
I l d d b ti 270 ft dj ti d i t
C 4.509218 0.751994 5.996350 0.0000
HC 0.125234 0.014606 8.574126 0.0000
SM 0.089700 0.067683 1.325294 0.1862
SP 0.157793 0.044839 3.519059 0.0005
C 5.107847 0.669419 7.630263 0.0000
HC 0.131398 0.013386 9.816404 0.0000
SM 0.062036 0.052894 1.172843 0.2419
SP 0.112206 0.042439 2.643949 0.0087

540 270 270
699 . 1929 46 . 826 239 . 1103 ' ' '
= + =
= + = + =
n
e e e e e e
M H
699 1929 85 1934 '
~
'
~
e e e e
No
rech
No hay
38 . 2 35 . 0
8 540
699 . 1929
4
699 . 1929 85 . 1934
2
'

532 , 4
= < =
F
k n
e e
k
e e e e
Ho
No hay
CE
VARIABLES DUMMY PARA DETECTAR CAMBIO VARIABLES DUMMY PARA DETECTAR CAMBIO
ESTRUCTURAL ESTRUCTURAL
CPi = |1 + |2 Yi + i Chile 1960 - 1997
Supongamos que intuimos que hubo cambio estructural en 1974 producto Supongamos que intuimos que hubo cambio estructural en 1974 producto
del proceso de apertura comercial iniciado por el pas.
II I
II I
H
H
| |
| |
:
:
1
0
=
=
,
1960-74 , Podramos definir:
1975-97
I
1
|
I
2
|
II
1
| ,
II
2
|
=
) 97 75 ( abierta es economa si 1
D
i
1975 97
Planteamos un modelo ms general:
1
| ,
2
|
C
i
= |
1
+ |
2
D
i
+ |
3
Y
i
+ |
4
D
i
Y
i
+ u
i
E(C
i
/ D
i
= 0, Y
i
) = |
1
+ |
3
Y
i

E(C
i
/ D
i
= 1, Y
i
) = (|
1
+ |
2
) + (|
3
+ |
4
) Y
i

|2 es el intercepto diferencial
|4 es la pendiente diferencial
COMPARACIN CON TEST DE COMPARACIN CON TEST DE
CHOW CHOW CHOW. CHOW.
Son test equivalentes en muchos casos Son test equivalentes en muchos casos
Ventaja dummy: indica en forma precisa cul parmetro
es diferente (intercepto o la pendiente o ambos)
Tambin es posible efectuar pruebas individuales e
identificar en que parmetro se produjo el cambio
estructural. estructural.
H0 : |2 = 0
H1 : |2 = 0 H1 : |2 = 0
H0 : |4 = 0
H1 4 0
H1 : |4 = 0
TEST DE RESIDUOS TEST DE RESIDUOS
RECURSIVOS RECURSIVOS
TEST DE Cusum y Cusum cuadrado (Brown, Durbin, Evans, 1975).
Contrastes de estabilidad.
Adems del test de Chow, existen otros contrastes
b d l d i d id i basados en los denominados residuos recursivos.
El residuo recursivo correspondiente a la
observacin t se define como el error de prediccin observacin t se define como el error de prediccin
de yt, utilizando el estimador MICO obtenido con las
observaciones 1,2,....,t 1:
1

= =
t t t t t t
X Y Y Y e |
donde el subndice temporal hace referencia a la
muestra utilizada en su clculo.
La varianza de dicho error de prediccin es: a va a a de d c o e o de p ed cc es:
V (e
t
) = o
2
(1 + x
t
(X
t-1
X
t-1
)
-1
x
t
)
^
donde X
t-1
denota la matriz (t 1) x k formada por las t 1 primeras
b i d l i bl li i i d fi i l d observaciones de las variables explicativas. Si definimos el residuo recursivo
normalizado:
e
t
=
x X X x
e
t t t t
t
1
1
'
1
'
) ( 1

+
~
bajo la hiptesis nula de estabilidad y el supuesto de Normalidad, se tiene que
di t ib N (0
2
) i d di t d t d t L
~ ~
e
t
se distribuye N (0, o
2
), y es independiente de e
s
para todo s = t. La
evidencia de que la distribucin de et cambia se contrapone con la idea de
estabilidad del modelo.
~
TEST DE CUSUM
El estadstico CUSUM se basa en la suma acumulada de los residuos
normalizados:
Es la desviacin
W
t
=
1
^
t
r
r k
e
o
= +
Es la desviacin
standard
donde
o
donde
o =
2
) ( *
1
1
~
e e
T
r
k T

^2
=
T
r
e
k T
e *
1
1
1
k r
k T
+ =
+ =
k r
k T
1
Bajo la hiptesis nula de estabilidad Bajo la hiptesis nula de estabilidad,
Wt tiene esperanza 0
Wt tiene varianza aproximadamente igual al nmero p g
de residuos acumulados (t-k)
de modo que el contraste se lleva a cabo con el
grfico de Wt a travs del tiempo grfico de Wt a travs del tiempo.
Se construyen bandas de confianza para la
serie de Wt mediante las rectas que unen los
puntos
(k, a ) y (T, 3a ).
k T
k T
3a
k T
k T
a
k t k t
k T
-a
Si Wt no se sale de las bandas de
k T
-3a
confianza, entonces no hay evidencia
para rechazar H0.
El segundo estadstico, CUSUMQ, utiliza los cuadrados de los residuos
normalizados:
2
t
A t bi h b
S
t
=
2
1
2
r
r k
T
e
e
= +
Aqu tambin haba un error

(dcima para el que lo encontr)
Como los residuos recursivos son independientes cada trmino de esta suma
1
r
r k
e
= +
Como los residuos recursivos son independientes, cada trmino de esta suma
es una chi-cuadrado con un grado de libertad, por lo que E(S
t
) es
aproximadamente igual a (t k) / (T k).
El t t i t dib j l i t l d S l l El contrate consiste en dibujar la serie temporal de S
t
, as como las lneas que
limitan la banda de confianza: E(S
t
) C
0
. Nuevamente, si S
t
se sale de la
banda , se rechaza la hiptesis nula de homogeneidad del modelo.
Solo para satisfacer la
curiosidad de quien me
pregunt que era Co y a p g q y
quien respond al revs
(la esperanza es
justamente el otro
trmino)
1.2
1.6
8
12
0.4
0.8
-4
0
4
-0.4
0.0
73 74 75 76 77 78 79 80 81 82
-12
-8
73 74 75 76 77 78 79 80 81 82
73 74 75 76 77 78 79 80 81 82
CUSUM of Squares 5% Significance
CUSUM 5% Significance
.22
1.0
.16
.18
.20
0.4
0.6
0.8
08
.10
.12
.14
-0.4
-0.2
0.0
0.2
.08
73 74 75 76 77 78 79 80 81 82
Recursive C(1) Estimates 2 S.E.
73 74 75 76 77 78 79 80 81 82
Recursive C(2) Estimates 2 S.E.
PROBLEMAS DE PROBLEMAS DE
ESPECIFICACIN ESPECIFICACIN
Problemas de especificacin Problemas de especificacin
Es frecuente que al modelar el econometrista Es frecuente que al modelar el econometrista
tenga varias alternativas de variables que puede
incluir o excluir del modelo.
En principio, su teora (hiptesis) debiera
sugerirle una especificacin completa. Pero a
veces las teoras no son muy finas y hay
espacio para probar distintas especificaciones.
En ese contexto, hay dos tipos de variables
(pertinentes e irrelevantes) y dos situaciones
(incluidas y excluidas)
(incluidas y excluidas).
CONSECUENCIAS
ERRORES DE ESPECIFICACIN
CONSECUENCIAS
Modelo verdadero
a
d
o
u X X Y + + + =
3 3 2 2 1
| | | u X Y + + =
2 2 1
| |
o

e
s
t
i
m
a
2 2 1
X b b Y + =
M
o
d
e
l
o
2 2 1
X b
X b b Y
+
+ =
3 3
X b +
1
Para hacer simple el anlisis, supondremos que hay solo dos posibilidades, o Y depende
solo de X
2
, o depende de X
2
y X
3
.
CONSECUENCIAS
CONSECUENCIAS
Modelo verdadero
a
d
o
u X X Y + + + =
3 3 2 2 1
| | | u X Y + + =
2 2 1
| |
o

e
s
t
i
m
a
2 2 1
X b b Y + =
Especificacin correcta
M
o
d
e
l
o
2 2 1
X b
X b b Y
+
+ =
3 3
X b +
1
CONSECUENCIAS
CONSECUENCIAS
Modelo verdadero
a
d
o
u X X Y + + + =
3 3 2 2 1
| | | u X Y + + =
2 2 1
| |
VARIABLES
o

e
s
t
i
m
a
2 2 1
X b b Y + =
OMITIDAS
M
o
d
e
l
o
2 2 1
X b
X b b Y
+
+ =
VARIABLES
INTRUSAS
3 3
X b +
INTRUSAS
1
CONSECUENCIAS
CONSECUENCIAS
Modelo verdadero
a
d
o
u X X Y + + + =
3 3 2 2 1
| | | u X Y + + =
2 2 1
| |
coeficientes sesgados (en general)

o

e
s
t
i
m
a
2 2 1
X b b Y + =
g ( g )
errores estndar no vlidos
M
o
d
e
l
o
2 2 1
X b
X b b Y
+
+ =
VARIABLES
INTRUSAS
3 3
X b +
INTRUSAS
1
Variables Omitidas Variables Omitidas Variables Omitidas Variables Omitidas
) 1 ( o | Z X Y + + =
| ' X) (X'
-1
Y X = =
: esta estimo , ) 2 (
) (
|
|
X Y =
o | |
o | |
o | |
' X) (X' ' X) (X'
' X) (X' ' X) (X' ) ( ' X) (X'
) ( ' X) (X'
1 - 1 -
1 - 1 - 1 -
1 -
X Z X
X Z X X X
Z X X
+ + =
+ + =
+ + =
o | | X) (X X) (X X Z X + + =

E X Z X E o | | ) ( ' X) (X' ' X) (X' )
(
-1 -1
+ + =
_
_
sesgo
Z X E o | | ' X) (X' )
(
1 -
0
+ =
o | | Z X E ' X) (X' )
(
-1
+
Interpretacin del sesgo: es el coeficiente
o | | Z X E X) (X ) ( + =
Interpretacin del sesgo: es el coeficiente
de una regresin de la variable omitida en
las includas multiplicado por el verdadero las includas, multiplicado por el verdadero
coeficiente.
bajo que condiciones es insesgado? bajo que condiciones es insesgado?
en el caso trivial: o=0
en el caso ortogonal: XZ=0
Varianza Varianza Varianza Varianza
Se puede demostrar que la varianza del
modelo verdadero debiera ser:
Una dcima para
( )
1
2 1
X'X
( ) ' ( ' ) ' V X Z Z Z Z X | o

=
el alumno que se
dio cuenta del
error
La varianza del modelo estimado
-1 2
X) X' ( )
( o | = V
Por lo que el estimador es sesgado pero de
menor varianza.
Pero, hay que considerar la varianza Pero, hay que considerar la varianza
ti d ti d estimada estimada
El estimador de o2 es SESGADO! El estimador de o2 es SESGADO!
2 2
' '
) ' (
o o
= +
MZ Z
E
2 2
) ' ( o o =
+ =
k n
e e E
CONSECUENCIAS
CONSECUENCIAS
Modelo verdadero
a
d
o
u X X Y + + + =
3 3 2 2 1
| | | u X Y + + =
2 2 1
| |
coeficientes sesgados (en general)

o

e
s
t
i
m
a
2 2 1
X b b Y + =
g ( g )
errores estndar no vlidos
M
o
d
e
l
o
2 2 1
X b
X b b Y
+
+ =
coeficientes son
insesgados
errores estndar estn
3 3
X b +
errores estndar estn
bien calculados
1
Variable intrusa: uso resultados Variable intrusa: uso resultados
i ti i d i ti i d regresin particionada regresin particionada
( ) ( )
( ) ( ) | |
|
|
z z
X M X X M X
X Y
Y M X X M X
'
1
'
'
1
'
2
+
+ =
=
( ) ( )
( ) ( )
( ) | |
| |
| |
z z z z
z z
M X X M X
M X X M X X M X X M X
X M X X M X
'
1
'
'
1
' '
1
'

+ =
+ =
+ =
( ) | |
z z
M X X M X + =
Insesgado!!
( ) | | | = + =

) ( )
(
'
1
'
E M X X M X E
z z
Insesgado!!
( ) | | | ) ( ) (
z z
Varianzas Varianzas Varianzas Varianzas
La varianza de los coeficientes es La varianza de los coeficientes es
aproximada.
El estimador de la varianza del error es El estimador de la varianza del error es
insesgado.
Los test t son correctos
Conclusin para Especificar Conclusin para Especificar
M d l M d l Modelos Modelos::
Es muy importante el modelo terico
para determinar las propiedades de los para determinar las propiedades de los
estimadores y de sus varianzas.
Prueba Reset (Regression specification error test) de Ramsey
a. Se corre la regresin original se obtienen los Y
i
se extrae el
R
2
^
R
2
.
b. Se vuelve a correr la regresin, introduciendo como variables
explicativas formas funcionales de Y
i
(por ejemplo Y
i
2
, Y
i
3
, etc.)
^ ^ ^
i i i
se obtiene R
*
2
. Si el modelo estaba bien especificado, entonces los
coeficientes de las variables auxiliares no debiesen ser
estadsticamente significativos. En caso contrario el modelo est
mal especificado y el estimador es inconsistente.
c. H
0
: Modelo bien especificado.
H M d l l ifi d H
1
: Modelo mal especificado.
d. F = (R
*
2
- R
2
) / nmero de variables adicionales
(1 - R
*
2
) / n - nmero de variables modelo nuevo
(1 - R
*
) / n - nmero de variables modelo nuevo
e. Si F > F
tabla
, rechazo H
0
, por tanto rechazo que el modelo est bien
especificado.
cambio estructural
Test de Chow
Problemas en las X
Especificacin
Variables omitidas
Variables intrusas
Error de medida
Variables proxies p
Multicolinealidad
Endogeneidad
Autocorrelacin
Heterocedasticidad
No normalidad
Ejemplo: el caso simple
v Z Y + + =
2 1
| | v Z Y + +
2 1
| |
w Z X + =
w v X
v w X Y
+ + =
+ + =
2 2 1
2 1
) (
| | |
| |
u X + + =
2 1
| | w v u
2
| =
4
La variable observable es X, pero esta corresponde a la verdadera variable Z ms un trmino de
error.
Error de medida en Z
v Z Y + + =
2 1
| | v Z Y + +
2 1
| |
w Z X + =
w v X
v w X Y
+ + =
+ + =
2 2 1
2 1
) (
| | |
| |
u X + + =
2 1
| |
w
5
Al usar MICO, X tiene un componente aleatorio que es el error de medida, w.
Error de medida en Z
v Z Y + + =
2 1
| | v Z Y + +
2 1
| |
w Z X + =
w v X
v w X Y
+ + =
+ + =
2 2 1
2 1
) (
| | |
| |
u X + + =
2 1
| |
w w
6
Y w es tambin un componente del trmino de error. Luego, u no es independiente de X.
INSESGAMIENTO
v Z Y + + =
2 1
| | u X Y + + =
2 1
| | v Z Y + +
2 1
| |
w Z X + =
u X Y + +
2 1
| |
w v u
2
| =
w
( )( )
( )
( )( )
( )

+ =

=
2
2
2
2
X X
u u X X
X X
Y Y X X
b
i i i i
w
( ) ( )

X X X X
i i
( )( )
1
| |
( )( )
( )
) var(
) , cov(
1
plim
1
plim
plim
2
2
2 2
X
u X
X X
u u X X
n
b
i i
+ =
|
|
|

|
.
|
\
|

+ =
( ) plim X X
n
i
|
.
\

11
Tanto el numerador como el denominador dependen de w. No podemos simplificar. Calculemos el plim
Consistencia
v Z Y + + =
2 1
| | u X Y + + =
2 1
| | v Z Y + +
2 1
| |
w Z X + =
u X Y + +
2 1
| |
w v u
2
| =
2
2 2
2
2 2 2 2
) var(
) , cov(
plim
w Z
w
X
u X
b
o o
o
| |
+
= + =
( ) ( ) ( ) ( )
( ) ( ) ( ) ( )
2 2
2
, cov , cov , cov , cov
, cov , cov
w w w Z v w v Z
w v w Z u X
| |
|
+ + + =
+ =
( ) ( ) ( ) ( )
2
2
2 2
0 0 0
, cov , cov , cov , cov
w
w w w Z v w v Z
o |
| |
+ + =
+ + +
0 ) , cov( 2 ) var( ) var( ) var( ) var(
2 2
+ + = + + = + =
w Z
w Z w Z w Z X o o
17
Si suponemos que Z, v, y w son independiente entre s, los primeros tres trminos son cero y nos queda
|
2
o
w
2
.
Consistencia
v Z Y + + =
2 1
| | u X Y + + =
2 1
| | v Z Y + +
2 1
| |
w Z X + =
u X Y + +
2 1
| |
w v u
2
| =
2
2 2
2
2 2 2 2
) var(
) , cov(
plim
w Z
w
X
u X
b
o o
o
| |
+
= + =
En muestras grandes, b
2
es sesgado hacia cero y el tamao del sesgo depende del tamao relativo de
las varianzas de w y Z las varianzas de w y Z.
Como b
2
es un estimador inconsistente se asume que es sesgado en muestras pequeas tambin.
Si los supuestos respecto a Z, v, y w son incorrectos, b
2
seguir siendo sesgado, pero la expresin del
sesgo ser ms complicada. g p
Tanto los errores standar, como los test t y F dejan de ser vlidos.
19
cambio estructural
Test de Chow
Problemas en las X
Especificacin
Variables omitidas
Variables intrusas
Error de medida
Variables proxies
Multicolinealidad
Endogeneidad
Autocorrelacin
Heterocedasticidad
No normalidad
MULTICOLINEALIDAD MULTICOLINEALIDAD
EN EL MODELO MLTIPLE EN EL MODELO MLTIPLE EN EL MODELO MLTIPLE. EN EL MODELO MLTIPLE.
El estimador MICO de un
parmetro especfico del vector |,
no involucra solamente las
observaciones de la variable
correspondientes a ese | sino
Y
correspondientes a ese |, sino
tambin el resto de las variables
independientes.
Si las variables X y Z son muy y y
colineales, el rea VERDE es muy
grande y las reas AZUL y ROSA
son pequeas, lo que implica que
para estimar |2 y |3 se utiliza
Z X
para estimar |2 y |3 se utiliza
muy poca informacin.
Esto provoca que las varianzas
estimadas de estos coeficientes
Z X
son muy elevadas.
5.2 TIPOS DE MULTICOLINEALIDAD 5.2 TIPOS DE MULTICOLINEALIDAD
Dos casos: Dos casos:
Multicolinealidad perfecta: la relacin entre Multicolinealidad perfecta: la relacin entre
las variables X y Z es perfecta (Ej X = XZ).
Multicolinealidad imperfecta: la correlacin
entre las variables X y Z es alta, pero no y , p
perfecta.
Multicolinealidad perfecta Multicolinealidad perfecta
En este caso
Hay algn
1
X
1
+
2
X
2
+ .. +
k
X
k
= 0
i
= 0
i
k k
X X X
Xi

2 2 1 1
+ . . + +
=
Ejemplo: modelo expresado en desvos:
donde se tiene que x3 = x2
+ | + | = x x y
3 3 2 2
i
(
(
(
(
(
(

3 2
2
2 23 22
13 12

i i i
x x x x x
x x
(
(
(
=
(
(
(
(
(
=

- -
2
3 3 2
3 2 2 23 22
3 23 13
2 22 12

'
i i i
i i i
n
n
x x x
x x
x x x
x x x
x x
(
(
(
=
(
(
(
(
=
(

2
2
2
2
2 2
2
2
3 2
1

) (

'

i
i i i
n n
x
x x x
x x
x x
Determinante =0
xx no es invertible
(

2 2
2 2 2
) (
i i i
x x x
Multicolinealidad perfecta Multicolinealidad perfecta
De las ecuaciones normales sabemos:
( (
1
(
(
(
=
(
(
(
= =

1
' : donde '
) ' (
2
3
2
|
i
i
i
y x
y x
y x
y x y x x x
(
(
+
(
(
(
(
)

(
1
3 2
2
2 2
3
| | |
i
i
x
y x
Por lo que:
(
(
(
+
=
(
(
(
(
(
(
)

(
) ' (
3 2
2
2 3
2
2
2
| | |

|
i
i
x
x x x
una son ecuaciones dos las
)

(
2 3 2
2
2
`
= +

y x x
i i
| |
= | + |
2 i
3 2
y x

es estimable la combinacin, pero no
)

(
2 3 2
2
2

)
`
= +

y x x
i i
| |

| + |
2
2 i
3 2
x
.
Multicolinealidad perfecta. Multicolinealidad perfecta.
La presencia de multicolinealidad perfecta hace imposible el
clculo de los estimadores en forma independiente.
Solo es posible estimar una combinacin lineal de esos
estimadores.
) ( | |
3 3 2 2
) ( x x y
+ | + | =
3 2
| + | = |
2 3
x x =
) ( x x y
2 3 2 2
+ | + | =
) (
2
| + = x y
) ( x ) ( y
2 3 2
+ | + | =
=
2
2

i
x
y x
|
2 i
x
Multicolinealidad imperfecta Multicolinealidad imperfecta Multicolinealidad imperfecta Multicolinealidad imperfecta
Fuerte asociacin entre variables explicativas
el coeficiente de determinacin de una regresin en que una de las
variables explicativas xj es explicada por el resto de las variables variables explicativas xj es explicada por el resto de las variables
explicativas es alto.
2
R
k 2 1 j
) x _____ x , x ( f x =
Ejemplo: el mismo modelo anterior expresado en desvos
resto
x ,
j
x
R
j
sin x +
donde ahora
Es decir que hay una relacin entre xi3 y xi2 pero esta no es
+ | + | = x x y
3 3 2 2
x
i3
=

x
2i
+ v
i
Es decir que hay una relacin entre xi3 y xi2, pero esta no es
perfecta.
vi es un trmino estocstico.
(
(
(
+
(
(
(
i 2 i 2 i
2
2 i 3 i 2 i
2
2 i
) v x
( x x x x x
x ' x
(
(
+ +
=
(
(
=

2
i 2 i i 2 i 2 i
2
3 i 3 i 2 i
) v
x ( ) v x
( x

x x x
x ' x

(
+ +
+
=
2 2
2
2
2
2
2
2 2
2

'
i i i i i
i i i i
v x v x x
v x x x
x x

=
2 2
0 que dado

i i i i i
v x y

(
2 2
2
0 que dado
i i
v x y
+
=
2 2
2
2 2
2
2 2

'
i i i
i i
v x x
x x
x x

| |

= + =
2 2
2
2
2
2
2
2 2 2
2
2

' det
i i i i i i
v x x x v x x x
Supongamos que x2x3 son ortogonales
(
(
(
(
2
3 i
2
2 i
x 0
0 x
x ' x

=
2
3 i
2
2 i
x x x ' x det

3 i
x 0
?) (
2
3
2
porque x v
i i

<
) det( ) det(

2
3
2
2
2
1
2
2
dad ortogonali ad colinealid
x x v x
i i i
<
<

) ( ) ( g
A mayor colinealidad ms grande el R2 de esa regresin A mayor colinealidad ms grande el R2 de esa regresin
auxiliar, ms pequeo
l d i

2 2
x a respecto v
ms pequeo el determinante

3 i i
x a respecto v
Por qu importa el Por qu importa el
d i ? d i ? determinante? determinante?
(
(

x x x
3 i 2 i
2
3 i
(
(
(
x x x
) x ' x det(
1
) x ' x (
2 i 3 i 2 i
3 i 2 i 3 i
1
Porque XX se usa para calcular:
Los estimadores MICO Los estimadores MICO
Las varianzas de los estimadores
A mayor colinealidad ms chico el determinante ms grande la A mayor colinealidad, ms chico el determinante, ms grande la
varianza de los estimadores.
DEMOSTRACIN FORMAL DEMOSTRACIN FORMAL
2
3 2
2
2 i
2
3 i
2
2 3 2
3 2
2
3
1
) x x ( x x D
x x x
x x x

D
1
) x ' x (

=
(
(
2 2
o
=
o
= |
2
3 i
2
3 i 2 i
2
2
2
2
3 i 2 i
2
2
2
3
2
3
2
2
x
) x x (
x

) x x ( x x
x

Var
3 i
( )
|
|
|
o
=
o
= |
2
2
3 2
2
2
2
3 2
2
2
x var ) x x cov( n
x var n
) x x ( cov n
x var n
Var
|
|
.
\

2 3
2
3
2
x var x var n
x var n
x var n
x var n
( ) ( )
Var
2 2
2
o
=
o
= |
VARIANZA :queda
( ) ( )

r 1 x r x var n x var n
Var
2
x , x
2
2 i
2
x , x 2 2
2
3 2 3 2

|
q
dependiendo del
grado de correlacin
entre las variables
MLTIPLE MODELO
entre las variables
explicativas
) 1 )( ( var
)
(
2
2
j j
j
R X n
V
=
o
|
CONCLUSIONES CONCLUSIONES
Cuando aumenta , la varianza aumenta.
R
j
2
Si
Esta colinealidad puede compensarse por
| )
( V 1 R
j
2
j
Esta colinealidad puede compensarse por
alta varianza Xi
por elevado n.
Si Xi es de baja varianza, el efecto sobre la varianza ser igual al
que produce la colinealidad.
Un modelo con alta correlacin ( R2 alto), pero o2 bajo, puede tener
estimaciones confiables para la varianza de los estimadores.
Efectos prcticos de la Efectos prcticos de la
lti li lid d lti li lid d multicolinealidad multicolinealidad
Crecimiento varianzas y covarianzas. y
Intervalos de confianza se amplan.
Test t se reducen
. bajos t test
) ( V
( V )
( var
j
j
j j
+
|
|
| | | |
Que los resultados de los test sean mas bajos no necesariamente
quiere decir que hay que excluir una variable explicativa. Este
resultado puede ser efecto de la multicolinealidad.
El R2 del modelo es alto y los test t de los coeficientes son
bajos.
Errores numricos por redondeos de dgitos.
Cmo detectamos que hay Cmo detectamos que hay
lti li lid d? lti li lid d? multicolinealidad? multicolinealidad?
R2 altos y test ms bajos.
Esto no significa que la multicolinealidad aumente el R2.
R
2
Test sobre
Donde , es el R2 de la siguiente regresin
R
2
j
R
2
j
Se calcula :
i 1 j 1 j 1 j 1 j 2 2 1 j
... X X ... X X + + o + o + + o + o =
+ +
) 1 k ( 2 k
2
j
j
F
2 k / R
: F ~
Se calcula : ) 1 k ( n , 2 k
2
j
j
F
) 1 k ( n / ) R 1 (
: F

~

cero a diferente una a H
H
i
k
lg :
0 , , , :
1 3 2 0
= . .

o o o
Si F>F tabla, se rechaza H0 hay multicolinealidad.
Qu hacemos si detectamos Qu hacemos si detectamos
lti li lid d? lti li lid d? multicolinealidad? multicolinealidad?
NADA
Dado que la multicolinealidad (imperfecta) no afecta las
propiedades de la estimacin, los estimadores siguen siendo
MELI, aunque la varianza sea grande (aunque mnima), una , q g ( q ),
solucin es no hacer nada.
Es asumir que la realidad es as, que la muestra utilizada,
tiene estos problemas. p
La multicolinealidad es un problema muestral.
Hay dos reglas prcticas en este sentido:
No preocuparse por la multicolinealidad si el R2 de la regresin No preocuparse por la multicolinealidad si el R2 de la regresin
total es mayor que el R2 de las regresiones de las variables
explicativas entre s.
No preocuparse si los test t son mayores que 2.
p p y q
Incorporar informacin adicional Incorporar informacin adicional
a) Aumentar el tamao muestral (n).
b) Aumentar n intentando maximizar la Ortogonalidad b) Aumentar n intentando maximizar la Ortogonalidad
en los datos.
c) Utilizar datos en primeras diferencias:
1 i 3 1 i 3 1 i 2 2 1 1 i
i 3 i 3 i 2 2 1 i
X X Y
X X Y

+ | + | + | =
+ | + | + | =
1 i i 13 i 3 i 3 1 i 2 i 2 2 1 i i
v X X Y
) X X ( ) X X ( Y Y
+ A | + A | = A
+ | + | =
1 i i 13 i 3 i 3 1 i 2 i 2 2 1 i i
v X X Y
) X X ( ) X X ( Y Y
+ A | + A | = A
+ | + | =

Ahora explicamos las variables en cambios y no en niveles
correlacin disminuye en cambios.
i i 3 3 i 2 2 i
v X X Y + A | + A | = A
i i 3 3 i 2 2 i
v X X Y + A | + A | = A
Para que esto sea aplicable vi debe cumplir supuestos
clsicos.
d) d)Utilizar informacin a priori Utilizar informacin a priori
suministrada por la teora. suministrada por la teora. suministrada por la teora. suministrada por la teora.
i 3 i 3 2 i 2 1 i
X X Y + | + | + | =
1 | + | 1
3 2
= | + |
i i 3 3 i 2 3 1 i
X X ) 1 ( Y + | + | + | =
i i 3 3 i 2 3 i 2 1 i
X X X Y + | + | + | =
i i 3 1 i
W Z + | + | =
i i 2 i 3 3 1 i 2 i
) X X ( X Y + | + | =
e) e) Combinacin de series de tiempo y Combinacin de series de tiempo y
series de corte transversal. series de corte transversal. series de corte transversal. series de corte transversal.
Esto es, ocupar informacin para algn parmetro en un momento
de tiempo e imponerla como vlida en toda la muestra.
de otro estudio sabemos que para un momento de tiempo b3 =
1 02 1,02.
t t t 2 1 t
I ln 02 , 1 P ln Y ln + + | + | =
Si la restriccin es vlida disminuye la varianza y
t t 2 1 t t
P ln I ln 02 , 1 Y ln + | + | =
Si la restriccin es vlida, disminuye la varianza y
disminuye el problema
PUEDO ELIMINAR LA VARIABLE QUE PUEDO ELIMINAR LA VARIABLE QUE
GENERA MULTICOLINEALIDAD? GENERA MULTICOLINEALIDAD?
Solo en el caso de ortogonalidad esto puede solucionar el problema
VERDADERO MODELO X X Y | | | + + + = VERDADERO MODELO
3 3 2 2 1 i i i i
X X Y | | | + + + =
ESTIMADO MODELO
2 2 1 i i i
u X b b Y + + =
=
2
i
i i
2
x
y x
b
+ | + | = x x y
i i 3 3 i 2 2 i
=
+ | + |
=
2
i 2
i i 3 3 i 2 2 2 i
2

x
) u u x x ( x
b
+ | + |
+ | + |
=
i 2 i 3 i 2 i
2
i 2
i 2 i 3 i 2 i 3 2
2
i 2
i 2
) u u ( x x x

x
) u u ( x x x x

E(

b
2
) = |
2
+
|
3
x
i2
x
i3
x
i2
2
+ | + | =
2
2 i
2
2 i
3 2
x x

SESGO
Problemas economtricos Problemas economtricos
cambio estructural
Test de Chow
Test de Cusum
U d i bl d i Uso de variables dummies.
Problemas en las X
Especificacin
Variables omitidas
Variables intrusas
Error de medida
Variables proxies
Multicolinealidad
Endogeneidad
El mtodo de Variables instrumentales.
Autocorrelacin
Heterocedasticidad
No normalidad
Endogeneidad Endogeneidad y VI y VI
Supuesto 1.
X
2
.... X
k
son no estocsticas
La esencia de este supuesto es que, si los regresores son fijos, son
independientes del trmino de errorE(u
i
,X
i
)=0.
Si este supuesto se relaja, permitiendo que las variables explicativas sean
aleatorias, pero su distribucin sea independiente del trmino de error,
todas las propiedades del estimador se mantienen (aunque son ms
difciles de calcular) difciles de calcular).
Endogeneidad Endogeneidad y VI y VI Endogeneidad Endogeneidad y VI y VI
Sin embargo, en muchos contextos este supuesto es invlido:
Variable dependiente rezagada (y autocorrelacin)
Variables omitidas que estn correlacionadas con aquellas que se usan para
modelar. Por ejemplo, cuando se estudia el rendimiento escolar y se omite la
educacin de los padres como determinante entonces la estimacin entrega educacin de los padres como determinante, entonces la estimacin entrega
resultados sesgados porque algunas variables independientes (p.ej., ingresos
familiares) estn tpicamente relacionadas con la variable omitida y esto queda
en el error.
Problemas de endogeneidad en alguna variable del lado derecho: esto es Problemas de endogeneidad en alguna variable del lado derecho: esto es
llamado sesgo de simultaneidad.
Variables independientes estn medidas con error. En tal caso cada vez que se
observa x no se observa la verdadera variable sino una medicin con ruido el
l t d l i d d i l id l cual estando correlacionado con x queda incluido en el error.
Sesgo de seleccin, es decir cuando la conformacin de la muestra no es
independiente del diseo del experimento. Es decir, cuando aquellos que ms se
benefician del tratamiento son aquellos que ms participan del mismo.
EN TODOS ESTOS CASOS LAS PROPIEDADES DE MICO SE AFECTAN.
Sesgo de simultaneidad Sesgo de simultaneidad Sesgo de simultaneidad Sesgo de simultaneidad
Se genera cuando las Xs son endgenas (estn determinadas
conjuntamente con la variable dependiente Y) conjuntamente con la variable dependiente Y)
Ejemplo: equilibrios de mercado, modelos macro.
El modelo keynesiano de consumo
Vemos que Y
t
depende de
t
PROPIEDADES DE MICO? PROPIEDADES DE MICO? PROPIEDADES DE MICO? PROPIEDADES DE MICO?
Nuestro estimador ser sesgado (usualmente en tamao y direccin
desconocida) ya que E(u
i
/X
i
)0.
| | | | ' ) ' ( ' ) ' ( ) ( )
(
1 1
| | | | = + = + =

X X X E X X X E E E
Las varianzas estarn distorsionadas (tpicamente subestimadas).
El sesgo no desaparece con el tamao de la muestra: inconsistente.

'
lim . ) '
1
( lim )
lim(
1
|
| | =
|
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
+ =

n
X
p X X
n
p p
Solucin: Estimador de Variables Solucin: Estimador de Variables
instrumentales instrumentales
Intuicin:
Usar una o ms variables que, estando correlacionadas con los regresores, no
est relacionadas con el error.
En ese caso, vamos a usar dicho conjunto de variables auxiliares como un
instrumento de X.
En trminos sencillos, buscamos un conjunto Z tal que la correlacin entre Z y X
sea alta pero que la correlacin entre Z y sea cero.
Diagrama de Ballantine.
Dos problemas
t
p
la matriz de varianzas y covarianzas VI es mayor que la MICO, por un monto
que es inversamente relacionado a la correlacin entre los instrumentos y el
regresor (por eso debe ser alta la correlacin). Esto hace que muchos autores
aun prefieran MICO (asintticamente sesgado) a VI (ineficiente).
Cmo elegir los instrumentos? Cmo elegir los instrumentos?
Teora.
un instrumento para cada variable
Una variable puede ser instrumento de ella misma.
Si se agregan muchos, se introduce sesgo.
Kennedy Kennedy
t
Estimador de Variables Estimador de Variables
i t t l i t t l instrumentales instrumentales
Sea
X'
| |
Sea
|
0
Z'
plim que tal Z Sea
0
n
X
plim donde X Y
=
|
|
|
=
|
.
|
\
|
+ =
t
( ) |
, 0
Z'
plim luego,
, 0
n
plim que tal Z Sea
X Y
VI
=
|
.
|
\
|

=
|
.
\
|
0
n
Z' - Y Z'
plim
,
n
p g ,
X
VI
=
|
.
|
\
|
|
.
\
( )
|
|
invertible es X Z' si Z' Y Z'
0 ) Z' lim( Y Z' plim
n
X
X p
VI
VI
=
=
. \
( ) ( ) | | ' Z' ' Z'
1 1
Z X Y Z X
VI

+ = =
Caractersticas del Estimador VI Caractersticas del Estimador VI Ca ac e s cas de s ado Ca ac e s cas de s ado
si tenemos tantos instrumentos como columnas de X se puede
probar que el estimador VI:
es un estimador consistente:
( ) | | | | + =
1
' Z' lim lim Z X p p
es asintticamente normal :
( ) | |
( ) | | |
| |
= + =
+ =
_
0
1
) ' lim( . Z' lim lim
Z lim lim
Z p X p p
Z X p p
VI
VI
es asintticamente normal :
( ) ( ) ( )
1 1
2
Z' ' Z' , 0

~ X Z Z X N
VI
o |
que
( ) ( )
2 2
de e consistent estimador un es
' * *'
o
| | X Y X Y e e
s
vi vi

= =
de e consistent estimador un es o
k n k n
s
vI
=
Mnimos cuadrados en 2 etapas Mnimos cuadrados en 2 etapas
(2SLS) (2SLS) (2SLS) (2SLS)
para el caso en que hay ms instrumentos que k, consideremos el
siguiente algoritmos: g g
hacer una regresin de X en Z
( ) X Z Z Z b ' '
1
=
hacer una prediccin de X basada en Z, llamada
( ) X Z Z Z Z Zb X ' '
1
= =
Hacer una regresin de Y en X
( ) Y X X X
VI
'

'
1
= | ( )
( ) ( ) ( )
( )
ZY Z Z Z X X Z Z Z ZZ Z Z Z X
I
VI
1
1
1
1 1
' ' ' ' ' '

|
|
.
|
\
|
= |
_
Note que el estimador derivado en la parte a es ortogonal a u por ser una
prediccin
( ) ( ) ( ) ZY Z Z Z X X Z Z Z Z X
VI
1
1
1
' ' ' ' '

= |
Como saber si hay correlacin Como saber si hay correlacin
t l t l ?? entre los errores y entre los errores y regresores regresores??
Test de Hausmann
Consiste en comparar dos estimadores: uno el estimador MICO- consistente (y
eficiente) bajo la hipotesis nula, pero inconsistente bajo la alternativa y el otro
consistente bajo ambas hiptesis consistente bajo ambas hiptesis.
Si la hipotesis nula es verdadera, ambos estimadores deben producir resultados
similares, mientras que si es falsa, deben ser diferentes.
El test de Hausmann es un test de igualdad de estimaciones producidas por dos
ti d dif t estimadores diferentes.
Ejemplo en STATA Ejemplo en STATA
cambio estructural
Test de Chow
Test de Cusum
U d i bl d i Uso de variables dummies.
Problemas en las X
Especificacin
Variables omitidas
Variables intrusas
Error de medida
Variables proxies
Multicolinealidad
Endogeneidad
El mtodo de Variables instrumentales.
Autocorrelacin
Heterocedasticidad
No normalidad
Problemas en Problemas en
Levantemos un supuesto clsico Levantemos un supuesto clsico Levantemos un supuesto clsico Levantemos un supuesto clsico
j i para
2
) (

=
= E
o

irreal supuesto un es
j i para 0
j p
) (
=
=
j i
E

2
) ' (
)
= I E o
Ahora Ahora Ahora Ahora
|
|
|
|
|
|
|
|
1 12 11
2
1 12
2
1
e e e o o o
n n
O =
|
|
|
|
.
\
=
|
|
|
|
.
\
= = ) ' ( ) (
2
1
22 12 2
1
2
2 12 2
o
= e
e e
o
o o
o o

nn n nn n
i
E E

CMO SE AFECTAN LAS CMO SE AFECTAN LAS
PROPIEDADES DEL ESTIMADOR PROPIEDADES DEL ESTIMADOR
MICO CUANDO YA NO SE CUMPLE MICO CUANDO YA NO SE CUMPLE
E(uu)= E(uu)=oo
22
II
Qu ocurre si se estima por MICO p
sin tener en cuenta que ya no se
cumple este supuesto?
Qu ocurre si se estima por MICO sin Qu ocurre si se estima por MICO sin
tener en cuenta que ya no se cumple este tener en cuenta que ya no se cumple este q y p q y p
supuesto? supuesto?
| |
| | |
' ) ' (
' ) ' ( ' ) ' ( ) ( ' ) ' ( ' ) ' (

1
1 1 1 1
+ =
+ = + = =

X X X
X X X X X X X X X X X Y X X X
| |
| |
)
(
) (
= E
| | ( )
1 1
) ' ( ' ' ) ' ( )'
)(
( )
(

X X X X X X E E V | | | | | | | ( )
1 1 2
1 2 1 1 1
1 1
) ' ( ' ) ' (
) ' ( ' ) ' ( ) ' ( ) ' ( ' ) ' (
) ' ( ' ' ) ' ( )' )( ( ) (

O
O = =
= = =
X X X X X X
X X X X X X X X X E X X X
X X X X X X E E V
o
| | | | |
1 1 2
) ' ( ' ) ' ( O = X X X X X X o
Conclusiones: Conclusiones: Conclusiones: Conclusiones:
El estimador sigue siendo insesgado El estimador sigue siendo insesgado.
Las varianzas deben ser corregidas para
incorporar heterocedasticidad o incorporar heterocedasticidad o
autocorrelacin.
Mtodo de Mnimos Cuadrados Mtodo de Mnimos Cuadrados
Generalizados Generalizados
Derivacin de MCG en el caso Derivacin de MCG en el caso
mltiple.
Derivacin de MCG en el caso mltiple. Derivacin de MCG en el caso mltiple.
| X Y
O
2
) ' ( E
Quisiramos transformar el modelo y queremos que al
transformar las variables se cumpla que el error sea bien
+ | = X Y
O o =
2
) ' ( E
transformar las variables se cumpla que el error sea bien
comportado.
Supongamos que existe una matriz T, que transforma los p g q , q
datos:
v TX T TX TY + | = + | =
Requerimos que E(vv') = o
2
I, donde v = Tu
Como Como
se requiere
' T T ' T T ' T ) ' ( TE ) ' T ' T ( E ) ' vv ( E v Var
2 2
O o = O o = = = =
I ' T T = O
se requiere ,
Luego,
I T T O
1 1
) ' T ( T

= O
T ' T
1
= O
Entonces para obtener los estimadores

MCG aplicamos MICO al modelo MCG, aplicamos MICO al modelo
transformado:
( )
1 1 1 1
1

O O = = = |
+ | =
Y ' X ) X ' X ( TY ' T ' X ) TX ' T ' X ( TY )' TX ( TX )' TX (
v TX TY
MCG
1 1 1
1 1 1 1 1 1 1 1 1

O O + | =
= O O + | O O = + | O O =
' X ) X ' X (
' X ) X ' X ( X ' X ) X ' X ( ) X ( ' X ) X ' X (
( )( ) | | ( ) ( ) | |
1
1 1 1
1
1

= O O O O = | | | | = |
| = |
X ' X X ' ' X X ' X E '

( E )
( V
)
( E
MCG
( )( ) | | ( ) ( ) | |
( ) ( ) | | ( ) ( ) | |
( ) ( ) | | ( )
1
1 2
1
1 1 1
1
1 2
1
1 1 2 1
1
1
1
1 1 1
1
1
O o = O OO O O o =
= O OO o O O = O O O O =
= O O O O = | | | | = |
X ' X X ' X X ' X X ' X
X ' X X ' X X ' X X ' X X ) ' ( E ' X X ' X
X X X X X X E ( E ) ( V
MGB
El estimador de o
2
es: El estimador de o
2
v ' v
|
2
El estimador de o es: El estimador de o
es:
k n
)
X Y ( )'
X Y (

k n
)
X Y ( T ' T )'
X Y (

k n
)
TX TY ( )'
TX TY (

TX TY v
k n
v v

MCG MCG MCG MCG MCG MCG
MCG
| O |
=
| |
=
| |
= o
| =
= o
1
2
2
Este mtodo se conoce generalmente Este mtodo se conoce generalmente
como mnimos cuadrados generalizados
6 Heterocedasticidad 6 Heterocedasticidad 6. Heterocedasticidad 6. Heterocedasticidad
EJEMPLOS.
1. En estudios de corte transversal: varianza del trmino de error aumenta (o
di i ) i bl li ti Ell d bid l i i d disminuye) con una variable explicativa. Ello debido a la convivencia de
unidades heterogneas.
Ejemplo: explicamos el producto industrial en distintos pases en funcin de su PIB..
250000
300000
200000
n
d
u
s
t
r
i
a
l
100000
150000
P
r
o
d
u
c
t
o

i
n
50000
0
0 200000 400000 600000 800000 1000000 1200000 1400000
PIB
300000
EJEMPLO
250000
a
l
150000
200000
c
t
o

I
n
d
u
s
t
r
i
a
South Korea
50000
100000
P
r
o
d
u
c
0
50000
0 200000 400000 600000 800000 1000000 1200000 1400000
Mexico
PIB
South Korea y Mexico tenan en 1997 PIB similares, pero el sector industrial era imporante
en Korea y poco importante en Mexico.
20
CMO SE AFECTAN LAS CMO SE AFECTAN LAS CMO SE AFECTAN LAS CMO SE AFECTAN LAS
PROPIEDADES DEL ESTIMADOR MICO PROPIEDADES DEL ESTIMADOR MICO
CUANDO EXISTE CUANDO EXISTE CUANDO EXISTE CUANDO EXISTE
HETEROCEDASTICIDAD? HETEROCEDASTICIDAD?
Qu ocurre si se estima por MICO Qu ocurre si se estima por MICO
sin tener en cuenta la
heterocedasticidad?
Derivacin Analtica: es igual a lo que ya vimos, Derivacin Analtica: es igual a lo que ya vimos,
l h l t i d l ti l h l t i d l ti solo que ahora la matriz es del tipo. solo que ahora la matriz es del tipo.
1
2
1
|
|
|
|
|
|
|
|
|
| e o
2 2 2
2
2 2

0

0
) ' ( ) ( O =
|
|
|
|
|
=
|
|
|
|
|
= = E E
i
o
e
o
o

2
)
(
0 0
|
|
.
\
|
|
.
\
E
n n
| |
e o
1 1 2
) ' ( ' ) ' ( )
(
) (

O =
=
X X X X X X V
E
o |
| |
Dependent Variable: MANU
Si se estima la varianza del estimador con
b i i d fi i d d l
1 2
) ' (

X X o
Date: 06/08/06 Time: 19:05
C 603.9528 5699.674 0.105963 0.9164
GDP 0 193693 0 013343 14 51670 0 0000
se obtiene un estimador no eficiente y sesgado de la
varianza.
Ser sobreestimada o subestimada, dependiendo de la
naturaleza de la relacin de oi
2
y Xi.
mal calculadas!
GDP 0.193693 0.013343 14.51670 0.0000
Sum squared resid 1.43E+10 Schwarz criterion 23.12805
El sesgo surge de que el estimador de la varianza del error
deja de ser insesgado bajo heterocedasticidad
sticidad. heteroceda bajo
e
E )
( E
i 2
2
2
2
o =
|
|
|
|
= o


Dependent Variable: MANU
j
n
) (
2
|
.
\

y si solo se corrige la varianza de los estimadores? y si solo se corrige la varianza de los estimadores?
Eviews: OPTIONS: corrige los desvos standard Dependent Variable: MANU
Date: 06/08/06 Time: 19:01
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std Error t Statistic Prob
Eviews: OPTIONS: corrige los desvos standard.
coeficientes son los mismos.
varianzas corregidas por heterocedasticidad
(Procedimiento de White, EEHC: errores
estndares heterocedsticamente consistentes) Variable Coefficient Std. Error t-Statistic Prob.
C 603.9528 3542.387 0.170493 0.8659
GDP 0.193693 0.017954 10.78820 0.0000
estndares heterocedsticamente consistentes)
El procedimiento es bueno si n es grande
(asintticamente). Davidson y MacKinnon (Monte
Carlo).
La eficiencia depende de la forma de la

La eficiencia depende de la forma de la
heterocedasticidad.
Idea: Utilizar una tcnica que presta menos atencin a los
residuos asociados con observaciones con alta varianza. Esto es duos asoc ados co obse ac o es co a ta a a a sto
se hace asignando menos "peso" a esas observaciones, dado
que stas dan una indicacin menos precisa del lugar donde
pasa la verdadera recta de regresin.
Modelo simple
2
1
2 1
1 X donde X X Y ) (
es expresarlo de forma otra X Y ) (
i i i
= + | + | =
+ | + | =
error es homocedstico
2
2 0 1
(2) di id
conoce se que Supongamos
i. todo para
1 X donde X X Y ) (
2
i
0i i i i
o
= + | + | =
varianza es 1.
se cumplen todos los
t l i
3
2
0
1

X

X

Y
) (
: por (2) divide se y
i
i
i
i
i
i
i
i
i
o
+
|
|
.
|
\
|
o
| +
|
|
.
|
\
|
o
| =
o
o supuestos clsicos
beta MCG es MELI.
Aplicar MICO a variables
1
1
4
2
2
2
2
2
2
2 01 1
) ( E E ) ( E ) ( Var
X X Y ) (
i
i
i
*
i
*
i
*
i
*
i
* * * *
i
=
o
o
=
o
=
|
|
.
|
\
|
o
= =
+ | + | =
Aplicar MICO a variables
transformadas es lo mismo
que aplicar MCG.
i i i
o o
|
.
\
o
Un tipo de heterocedasticidad
i i
X o =
Y
|
1
|
1
X
3
X
5
X
4
X
1
X
2
X
2
Un tipo especial de heterocedasticidad es cuando la varianza del error aumenta en funcin
de una de las variables explicativas.
En este caso.
i i
gdp o =
2
u manu 1
u gdp Manu + + =
2 1
| |
2
de l poblaciona varianza
i i
u o =
i
i
i i
i
gdp
u
gdp gdp
manu
+ + =
2 1
1
| |

2
2
2 2
2
2
1
de varianza
o = = =
)
`
i
i
i
i i
i
gdp
gdp
gdp gdp
u
- El error se vuelve homocedastico.
)
- Los resultados de la regresin deben interpretarse:
- la pendiente corresponde a la estimacin de |
1
del modelo original.
la constante corresponde a la estimacin de |
15
- la constante corresponde a la estimacin de |
2
.
MANU/GDP vs. 1/GDP*1000000
.40
.45
.30
.35
G
D
P
.20
.25
M
A
N
U
/
G
.10
.15
.05
0 10 20 30 40 50 60 70 80
1/GDP*1000000
1/GDP*1000000
Derivacin de MCG en el caso mltiple. Derivacin de MCG en el caso mltiple. Derivacin de MCG en el caso mltiple. Derivacin de MCG en el caso mltiple.
1 1 1
' ) ' (

O O =
+ =
Y X X X
v TX TY
MCG
|
|
v TX T TX TY + = + = | |
)
(
) (
= E
MCG
MCG
| |
|
T T
T T
I T T
'
) ' (
' que requerimos que lo por
1
1 1
= O
= O
= O

( )
1
1 2
' )
O = X X V
MGB
o |
TX TY v
k n
v v
MCG
'
2
= = | o
E d l
k n
X Y X Y
k n
MCG MCG
)
( )'
1
2
O
=

| |
o
Este mtodo se conoce generalmente como
mnimos cuadrados ponderados.
Cuando existe heterocedasticidad, el mtodo
ifi TMG M k MCG que verifica TM Gaus Markov es MCG y no
MICO.
CMO DETECTAR LA CMO DETECTAR LA
HETEROCEDASTICIDAD? HETEROCEDASTICIDAD? HETEROCEDASTICIDAD? HETEROCEDASTICIDAD?
Naturaleza del problema: Naturaleza del problema:
hay casos en que desde el comienzo de la investigacin
conocemos que hay problemas.
Mtodo grfico: Mtodo grfico:
intentar detectar la presencia de un patrn sistemtico en los
residuos.
Prueba de Park
Prueba de Glesjer
G ldf ld Q t Goldfeld - Quant
Test de White.
Prueba de Goldfeld Prueba de Goldfeld -- Quant Quant Prueba de Goldfeld Prueba de Goldfeld Quant Quant
1. Ordenar las observaciones de
acuerdo a Xi
2 1 i i i
X Y + | + | =
2. Omitir las c observaciones
centrales. Nos quedan 2 grupos de
(N-C)/2 observaciones cada uno.
3 A li MICO l d
2 2 2
i i
X o = o
3. Aplicar MICO a las dos
submuestras y obtener SCRI y
SCRII
4 Calcular
La idea del test es que si
existe
4. Calcular
l de g /
ii
SCR
=
existe
heterocedasticidad del tipo
supuesto, con la ordenacin
la varianza del trmino de
k c n
,
k c n
F ~ ocedstico hom y N ~
i
si
l de g /
i
SCR

2
2
2
2
error ser mayor hacia el
final de la muestra
SCRII > SCRI Si > F
icidad Homocedast rech F Si >
2 2
rechaza homocedasticidad.
300000
GOLDFELD-QUANDT
250000
SCR
1
= 157,000,000
9 / 000 , 000 , 518 , 13 2 / ) 4 6 28 /(
2
= =

=
SCR
150000
200000
M
a
n
u
9 / 000 , 000 , 157 2 / ) 4 6 28 /(
1
= =

=
SCR
50000
100000
SCR
2
= 13,518,000,000
1 . 10 ) 9 , 9 (
% 1 . 0 , crit
= F
0
50000
0 200000 400000 600000 800000 1000000 1200000 1400000
GDP
10
La SCR2 es ms grande que SCR1, por lo que rechazo H0
Test de White Test de White Test de White. Test de White.
Es vlida para n grande.
Pasos:
Aplicamos MICO a la regresin original y calculo e
i
.
decir es ) , , , , tan ( regresin la hace Se
2
3
2
2 3 2 2
2
= X X X X X te Cons f e
i
) 0 ( sticidad heteroceda de ausencia de nula hiptesis la Bajo
) 2 (
) , , , , ( g
2 2
6 5 4 3 2
6
2
2 5 3 2 4 3 3 2 2 1
2
3 2 3 2 2
o o o o o
o o o o o o
= = = = =
+ + + + + = X X X X X X e
f
i
i
Idea: Mientras n crece R
2
tender a cero bajo la
(2) modelo del parmetros de cantidad la son p donde ~ nR o estadistic el
2
1 - p
2
_
Idea: Mientras n crece, R
2
tender a cero bajo la
hiptesis nula de homocedasticidad. El R
2
no tiende a
cero, si la varianza del e
i
depende de las variables
2 2
explicativas del modelo y en ese caso nR
2
> _
2
White Heteroskedasticity Test:
Ob *R d 5 918939 P b bilit 0 051846
2
1
2
~

_
p
nR
Obs*R-squared 5.918939 Probability 0.051846

Test Equation:
Dependent Variable: RESID^2
91 . 5 ) 2113 . 0 ( 28 =
p
q
Date: 06/08/06 Time: 22:28
Sample: 1 28
C 4 21E 08 4 51E 08 0 933800 0 3593
9 . 5
2
2
= _
C -4.21E+08 4.51E+08 -0.933800 0.3593
GDP 6271.892 2758.252 2.273865 0.0318
GDP^2 -0.004115 0.002263 -1.818913 0.0809
R-squared 0.211391 Mean dependent var 5.11E+08
Adjusted R-squared 0.148302 S.D. dependent var 1.52E+09 j q p
S.E. of regression 1.40E+09 Akaike info criterion 45.06195

CMO SOLUCIONAR CMO SOLUCIONAR
HETEROCEDATICIDAD? HETEROCEDATICIDAD?
Antes de corregir .no es error de Antes de corregir .no es error de
ifi i ? ifi i ? especificacin? especificacin?
13
12
13
g
10
11
n
u
f
a
c
t
u
r
i
n
g
9
l
o
g

M
a
n
7
8
9 10 11 12 13 14 15
log GDP
Se conoce Se conoce
2
i
o
Se conoce Se conoce
si se conoce estimo por MCG
i
2
o
si se conoce estimo por MCG
transformo los datos de forma que el
residuo sea homocedstico y luego aplico
i
o
residuo sea homocedstico y luego aplico
MICO a los datos transformados.
De esa forma la estimacin es eficiente De esa forma la estimacin es eficiente.
No se conoce No se conoce
2
i
o
No se conoce No se conoce
Lo primero es estimar , segn la forma de la heterocedasticidad,
ser la forma de transformar los datos.
i
2
i
o
Otro ejemplo:
i
2 2
i
, X ) ( E Si o = : es sformacin mejor tran la luego
i
i
i
i
2
i
1
i
i
X
X
X X X
Y | |
+ + =
i i 2
i
1
i
i
i 2
i
1
i
i
v X
X
1

X
X
X
1

X
Y
| |
| |
| |
+ + = + + =
2
i
i
i
0
X
E ) v ( E

| | | |
=
|
|
.
|
\
|
=
2
i
i 2 2
i
i
2
i
2
i
2
i
i
i

X
X
) ( E
X
1

) X (
E
X
E ) v ( E o o

= = =
|
|
.
|
\
|
=
|
|
.
|
\
|
=
Un ejemplo en caso general Un ejemplo en caso general
Supongamos un modelo de
(
(
0 . 0 n / 1
p g
corte transversal
para t = 1....n,
u
t
homocedstico
t t t
X Y | o + + =
(
(
(
(
(
=
m
2 2 2

n / 1 . . 0
. . . .
. . n / 1 0
o O o
t
Pero solo tenemos acceso a
datos agrupados en m grupos
con n
i
observaciones en cada
=
(
(
(
(
(
(
=
1
2
1
1
T ' T n
n
O O
i
grupo i.
(
(
(
(
(
1
m
n
n
n
X Y |
(
(
(
(
(
(
=
2

n
T
i
2
i
i i i
n
) var(
X Y
o
| o
=
+ + =
(
(
m
n

AUTOCORRELACIN AUTOCORRELACIN AUTOCORRELACIN AUTOCORRELACIN
AUTOCORRELACION
Y
AUTOCORRELACIN POSITIVA
1
X
2
En el grfico anterior se observa que la condicin de no autocorrelacin es violada. Valores
positivos se siguen de valores positivos y negativos se siguen de negativos.
AUTOCORRELACION
Y
AUTOCORRELACIN NEGATIVA
1
X
3
Valores positivos se siguen de negativos, y estos de positivos.
AHORA AHORA AHORA AHORA
(
(
(

2 1 0
. . .
E () =
(
(
(
(
(
(

2
0 1
. . . . . .
. . . . .
. . . .
(
(
(

0
. . . . .
. . . . . .
Autocorrelacin: est presente fundamentalmente en estudios de series de
tiempo, donde un shock en el perodo i, genera errores en los prximos
perodos.
A su vez, como en todos los trminos de la diagonal principal se tiene el mismo
valor, se est suponiendo homocedasticidad 0 = E (i
2
) = o
2
CAUSAS MS FRECUENTES DE AUTOCORRELACIN
EN EL ERROR.
1. Ciclos o tendencias en las variables:
Es decir rachas de valores altos o bajos provocados por shocks o
innovaciones no esperados que son difcilmente captados por las
variables explicativas. variables explicativas.
Autocorrelacin espacial:
En datos de cross-section un shock aleatorio que afecta la actividad q
de una regin puede causar actividad econmica en regiones
adyacentes (ej.: mal tiempo).
Tambin ocurre efecto vecindad o efecto demostracin Tambin ocurre efecto vecindad o efecto demostracin.
3. Influencia prolongada de datos:
En lasa series de tiempo, los shocks en general persisten por ms
p , g p p
perodos.
4. Inercia:
Debido a la inercia o a fenmenos sicolgicos las acciones pasadas Debido a la inercia o a fenmenos sicolgicos, las acciones pasadas
muchas veces tienen efecto en el presente. Si al modelo le falta
incorporar dinmica presente en la realidad, a travs de rezago, los
residuos tendrn patrones autocorrelacionados. residuos tendrn patrones autocorrelacionados.
5. Mala especificacin:
i. Omisin de una variable relevante.
La omisin de una variable relevante que es autocorrelacionada
provocar un residuo autocorrelacionado.
Si el modelo es: Y
i
= |
1
+ |
2
X
2
+ |
3
X
3
+
i
pero estimamos: Y
i
= |
1
+ |
2
X
2
+ v
i
t + | X entonces, v
i
=
i
+ |
3
X
3
Si X
3
presenta autocorrelacin, entonces, v
i
la presentar aunque
i
no est autocorrelacionado
no est autocorrelacionado.
As, lo correcto es incorporar X
3
al modelo.
ii. Forma funcional inadecuada.
Forma funcional estimada Forma funcional estimada
Verdadera forma
Errores positivos o negativos
6. Quiebre o cambio estructural
Si se produjo un cambio estructural en la muestra, los residuos pueden
presentar patrones sistemticos antes y despus del cambio estructural.
F d d Forma verdadera
Forma estimada
Entonces, es muy importante detectar la razn de patrones de
comportamiento autocorrelacionados en los residuos, porque ello
determinar la mejor forma de detectar este problema.
DISTINTOS TIPOS DE AUTOCORRELATION
u X Y + + = | |
Proceso Autorregresivo de primer orden: AR(1)
t t t
u X Y + + =
2 1
| |
t t t
u u c + =
1
Proceso Autorregresivo de quinto orden: AR(5)
t t t t t t t
u u u u u u c + + + + + =
5 5 4 4 3 3 2 2 1 1
Proceso de Medias Mviles: MA(3)
3 3 2 2 1 1 0
+ + + =
t t t t t
u c c c c
7
Existen distintas formas de modelar el tipo de autocorrelacin presente en los datos.
Cmo se comporta un proceso AR(1)?
3
2
0
1
1
-1
3
-2
-3
t t t
u u c + =
1
10
Generamos 50 valores independientes de c, tomadas de una distribucin normal con media
0 y generaremos valores de u usando diferentes valores de .
AR(1)
3
2
0
1
1
-1
3
-2
-3
t t t
u u c + =
1
1 . 0
12
AR(1)
3
2
0
1
1
-1
3
-2
-3
t t t
u u c + =
1
2 . 0
13
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
3 . 0
-3
14
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
4 . 0
-3
15
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
5 . 0
-3
16
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
6 . 0
-3
17
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
7 . 0
-3
18
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
8 . 0
-3
19
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
9 . 0
-3
20
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
95 . 0
-3
21
El proceso se aproxima a lo que se llama random walk, donde es igual a 1. P En este
curso supondremos | | < 1.
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
3 . 0
-3
23
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
6 . 0
-3
24
AR(1)
3
2
0
1
1
-1
3
-2
t t t
u u c + =
1
9 . 0
-3
25
Propiedades MICO bajo Propiedades MICO bajo
t l i ? t l i ? autocorrelacin? autocorrelacin?
| = (XX
)-1
XY
^
Insesgado
varianza estimada ser mayor que la que
podramos obtener si ponderamos las p p
observaciones (si aplicamos MCG).
subestima la verdadera varianza
los test t no son adecuados
k n
e e
=
'
2
o
los test t no son adecuados.
El R2 est sobreestimado.
Si se corrigen la varianza Si se corrigen la varianza
V(|)= o
2
(XX)
-1
XOX(XX)
-1
Est bien calculada
^
No ser un estimador eficiente.
MCG MCG MCG MCG
|
MCG
= (X O
-1
X)
-1
XO
-1
Y
A AA (1)
EJEMPLO
|
MCG
= (X O X) X O Y
V (|
MCG
) = o
2
(X O
-1
X)
-1
PARA AR(1)
(|
MCG
) ( )
donde O
-1
= TT
1 (
(
(
(
(
(
(
+
+
= O

. . ) 1 ( 0
. . . ) 1 (
0 . . 0 1
1

LA FORMA DE O
-1
DEPENDE DEL TIPO DE
AUTOCORRELACIN.
(
(
(
(
(
(
1 . . . . .
. . . . . .
. . . . . .
FORMAS DE CORREGIR PORAUTOCORRELACIN.
Conozco la forma de autocorrelacin y conozco .
AR (1)
Sabemos que
i
=
i-1
+ c
t
y supongamos que conocemos .
LUEGO SE PUEDE DEMOSTRAR.. (EST EN LOS APUNTES
DE WORD)..
(
(

0 . . 0 1

O
-1
=
(
(
(
(
(
(
+
+

. . ) 1 ( 0
. . . ) 1 (

(
(
(
(
(
1 . . . . .
. . . . . .
. . . . . .
(
(
(
0 . . 0 1
0 . . 0 0 1
2
(
(
(
(
(
(
=

. . . . . .
0 0 0 1 0
0 . . 0 1
T
(
(
(

1 . . 0 0
. . . . . .
.

Por tanto,
(
(
(

Y1
2
1

(
(
(

(
(
(

1
1
2
1
2
TY = T =
(
(
(
(
(
(
(
Y Y
Y Y
2 3
1 2
(
(
(
(
(
(
=
(
(
(
(
(
(
(
c
c

3
2
2 3
1 2
(
(
(
(
(

Y Y n n 1
.
.
(
(
(
(
(
(
(
(
(
(
(

c n
.
.
.
.

Y Y n n 1
(

n
n n 1
(
(
(
(
(

X X X X
X X
k k
k
1 2 12 22
1
2
12
2 2
. . 1
1 . . 1 1

TX =
(
(
(
(
(
(
X X X X k k 1 2 12 22
. . . . .
. . . . .

(
(

X X X X k n nk n n , 1 2 , 1 2
. . 1

Observacin:
Si partimos de:
(1) Y
i
= |
1
+ |
2
X
i2
+ |
3
X
i3
+ ............+ |
k
X
ik
+
i
d d donde
i
=
i-1
+ c
i
Entonces, para el rezago de (1) se cumple:
(2) Y = | + | X + | X + + | X + (2) Y
i-1
= |
1
+ |
2
X
i-1,2
+ |
3
X
i-1,3
+ ............+ |
k
X
i-1,k
+
i-1
Multiplicando (2) por ,
(3) Y
i 1
= |
1
+ |
2
X
i 1 2
+ |
3
X
i 1 3
+ + |
k
X
i 1 k
+
i 1
(3) Y
i-1
|
1
+ |
2
X
i-1,2
+ |
3
X
i-1,3
+ ............+ |
k
X
i-1,k
+
i-1
Restando (1) (3), tenemos:
(4) Y
i
- Y
i-1
= |
1
(1 - ) + |
2
(X
i2
- X
i-1,2
) + ... + |
k
(X
ik
- X
i-1,k
) +
i
-
i-1
Cmo detectar autocorrelacin? Cmo detectar autocorrelacin? Cmo detectar autocorrelacin? Cmo detectar autocorrelacin?
Grficos
Durbin Watson
H de Durbin H de Durbin
Breuch Godfrey
1 Grficos 1 Grficos 1. Grficos. 1. Grficos.
El simple anlisis de los residuos obtenidos puede confirmar la
presencia de errores mal comportados
0.03
0.04
0.01
0.02
-0.01
0
1959 1963 1967 1971 1975 1979 1983 1987 1991 1995 1999 2003
-0.03
-0.02
-0.04
2 Durbin Watson 2 Durbin Watson 2. Durbin Watson 2. Durbin Watson

T
t
t t
e e
d
2
2
1
) (
=
=
=
T
t
t
t
e
d
1
2
2
Este estadstico es calculado con los residuos de la
regresin MICO y es usado para testear
autocorrelacin de primer orden autocorrelacin de primer orden.
El test es vlido bajo las siguientes condiciones:
En la regresin hay constante E ei = 0
La matriz X es no estocstica.
Solo sirve para testear procesos AR (1).
No es vlido cuando la variable dependiente est rezagada.
T
DURBINWATSON
=
T
t
t t
e
e e
d
2
2
2
1
) (
= t
t
e
1
En muestras grandes
No autocorrelacin
) 1 ( 2 2 2 = d
2 d No autocorrelacin
Severa autocorrelacin positiva
Severa autocorrelacion negativa
2 d
0 d
4 d Severa autocorrelacion negativa 4 d
5
DURBINWATSON
Autocorrelacin
positiva
Autocorrelacin
negativa
no
autocorrelacin
2 4 0 d
L
d
U
No autocorrelacin
Severa autocorrelacin positiva
2 d
0 d
4 d
L U
H0: = 0 (no autocorrelation).
Severa autocorrelacion negativa
Se definen valores crticos de d.
4 d
Si d cae entre esos valores no rechazamos la nula.
El valor crtico depende del nmero de observaciones de la muestra y de k.
Durbin y Watson determinaron limites superior ( upper) e inferior (lower), d
U
y d
L
, que
10
Durbin y Watson determinaron limites superior ( upper) e inferior (lower), d
U
y d
L
, que
estn presentados en tablas.
Ejemplo: DURBINWATSON
Autocorrelacin
positiva
Autocorrelacion
negativa
no
autocorrelacion
2 4 0 d
L
d
U L U
(n = 45, k = 3)
1.43 1.62 2.38 2.57
Si 1.43 < d < 1.62, el test est indeterminado
Si 1.62 < d < 2.38, no se rechaza la nula de no autocorrelacin.
Si d < 1.43 o d>2.57 hay autocorrelacin.
17
============================================================
EJEMPLO
Dependent Variable: LGVIVIENDA
Sample: 1959 2003
============================================================
============================================================
C 0.005625 0.167903 0.033501 0.9734
LPIB 1.031918 0.006649 155.1976 0.0000
LPRVIV -0.483421 0.041780 -11.57056 0.0000
============================================================
R-squared 0.998583 Mean dependent var 6.359334 q p
S.E. of regression 0.016859 Akaike info criter-5.263574
Log likelihood 121.4304 F-statistic 14797.05 g
============================================================
23
El estadstico d es muy bajo, por debajo de d
L
(1.24), por lo que rechazamos la hiptesis
nula de autocorrelacin.
Test H de Durbin.
Sirve para testear autocorrelacin cuando la variable dependiente rezagada
se incluye entre las explicativas.
Y = | + | Y + | Y + + | Y + | X + + | X Y
i
= |
1
+ |
2
Y
i-1
+ |
3
Y
i-2
+......+ |
r
Y
i-r
+ |
r+1
X
1
+..........+ |
r+k
X
k
Donde
i
=
i-1
+ c
i
H
0
: = 0
H
1
: = 0 solo es vlido para muestras grandes
1
p g
h =
(
^
n ^
n: tamao muestral
: estimacin de
^
(
) var( 1
2
|
n
: estimacin de
var |
2
: varianza del coeficiente
asociado Y
t-1
^
Bajo la hiptesis nula h ~ N(0, 1), por lo que:
P |-1.96 < h < 1.96| = 0.95
Por lo que si h calculado (bajo alguna estimacin de ) es mayor en valor
absoluto que 1.96 rechazo la hiptesis nula al 5%.
^
Caractersticas de la prueba:
a. No importa cuantas veces est rezagada Y
t
, solo necesito la varianza p g
t
del coeficiente asociado a Y
t-1
.
b. La prueba no es vlida si nvar |
2
> 1.
^
c. La prueba solo es vlida si la muestra es grande.
============================================================
HOUSING DYNAMICS
Included observations: 44 after adjusting endpoints j g p
============================================================
============================================================
C 0.073957 0.062915 1.175499 0.2467
LPIB 0.282935 0.046912 6.031246 0.0000
LPRVIV -0.116949 0.027383 -4.270880 0.0001
LGVIVIENDA(-1) 0.707242 0.044405 15.92699 0.0000
============================================================
Sum squared resid 0.001566 Schwarz criterion -7.061512 q
Log likelihood 162.9216 F-statistic 65141.75
=====================================================================
2 2 ~ d
20
El d no se puede ver.
2 2 ~ d
d 5 . 0 1 =
============================================================
HOUSING DYNAMICS
66 0
44
095 0 h
66 . 0
0020 . 0 44 1
095 . 0 =

= h
j g p
============================================================
============================================================
C 0.073957 0.062915 1.175499 0.2467
LPIB 0.282935 0.046912 6.031246 0.0000
LPVIV -0.116949 0.027383 -4.270880 0.0001
LGVIVIENDA(-1) 0.707242 0.044405 15.92699 0.0000
============================================================
0020 . 0 0444 . 0
2
=
095 . 0 811 . 1 5 . 0 1 5 . 0 1 = = ~ d
q
=====================================================================
22
h= 0.66, luego no rechazamos la hiptesis nula de no autocorrelacin al 5%
(valor crtico 1.96).
3 T t d B h G df (1978) 3. Test de Breusch-Godfrey (1978)
Este test permite verificar autocorrelacin de orden mayor que uno Este test permite verificar autocorrelacin de orden mayor que uno.
El modelo general al que se aplica el test es:
(*) Y
t
= |
0
+ |
1
Y
t 1
+ |
2
Y
t 2
+......+ | Y
t
+ |
+1
X
1
+..........+ |
+k
X
k
+ ( ) Y
t
|
0
+ |
1
Y
t-1
+ |
2
Y
t-2
+......+ |
r
Y
t-r
+ |
r+1
X
1
+..........+ |
r+k
X
k
+
t
donde r son los rezagos de la variable dependiente.
La hiptesis nula es que no hay autocorrelacin
H
0
:
i
~ N (0, o
2
I)
H
1
:
i
presenta errores mal comportados.
Pasos:
i. Se realiza la regresin (*) por MICO y se extraen los residuos
e
i
.
ii U d l id l l d i li l i i ii. Usando los residuos calculados en i. se realiza la siguiente
regresin:
e
i
= f (e
i-1
, e
i-2
, ......., e
i-p
, Y
i-1
, Y
i-2
, ......., Y
i-r
, X
1
, X
2
, ......., X
k
)
i i 1 i 2 i p i 1 i 2 i r 1 2 k
iii. El estimador (n p)R
2
bajo la hiptesis nula se distribuye _
p
2
, con
lo que si (n p)R
2
> _
p
2
(o) se rechaza la hiptesis nula. Donde n es
el tamao de la muestra de la regresin principal el tamao de la muestra de la regresin principal.
Ejemplo de utilizacin de los test en Eviews. je p o de u c de os es e v ews.
Breusch-Godfrey Serial Correlation LM Test:
Obs*R-squared 1.662599 Probability 0.435483

Test Equation:
Dependent Variable: RESID
D t 06/21/06 Ti 06 20 Date: 06/21/06 Time: 06:20
Presample missing value lagged residuals set to zero.
C 0.000360 0.003188 0.113000 0.9107
RMUNDO -0.032073 0.108723 -0.295000 0.7697
RIPSA 0.009798 0.061274 0.159904 0.8739
RRFL -0.055419 0.290330 -0.190884 0.8497
RDOLAR 0.019598 0.108972 0.179845 0.8583
RESID(-1) -0.206957 0.175273 -1.180765 0.2454
RESID(-2) 0.016357 0.184516 0.088646 0.9299
R-squared 0.038665 Mean dependent var -4.84E-19
Adjusted R-squared -0.121557 S.D. dependent var 0.013949
Durbin-Watson stat 1 719033 Prob(F-statistic) 0 959708
Durbin Watson stat 1.719033 Prob(F statistic) 0.959708

Los 10 mandamientos de la Los 10 mandamientos de la
t li d (K d ) t li d (K d ) econometra aplicada. (Kennedy) econometra aplicada. (Kennedy)
1. Utilice el sentido comn y la teora econmica. y
Recuerde que el sentido comn no es tan comn.
2. Evite el error de tipo III (este ocurre cuando una
investigacin produce la respuesta correcta a una
i ) pregunta incorrecta).
Corolario: una respuesta aproximada a una pregunta correcta, es
mejor a una respuesta precisa a una pregunta equivocada.
3 Conozca el contexto Todos los detalles del fenmeno que 3. Conozca el contexto. Todos los detalles del fenmeno que
le interesa estudiar pueden ser relevantes.
4. Inspeccione los datos, vea estadsticas de ellos,
grafquelos y lmpielos (elimine observaciones imposibles grafquelos y lmpielos (elimine observaciones imposibles
o no realistas).
En vez de preguntarse Qu tcnica debo aplicar aqu?, pregunte
cul es la mejor manera de entender estos datos?
j
5. Mantendrs la simplicidad: parsimonia (KISS rule)
Modelo top-town (general a especfico) Modelo top town (general a especfico)
Modelo botton-up (especfico a general)
6. Observa las consecuencias de tus resultados y se
consecuente con ellos (laugth test) consecuente con ellos. (laugth test).
son los signos los esperados?
son significativas las variables?
ti it d bl l fi i t ? tienen magnitudes razonables los coeficientes?
son los resultados consistentes con la teora?
7. Entiende los costos y los beneficios de hacer data
i i mining.
si torturas los datos por suficiente tiempo, la Naturaleza
confesarCoase
hay dos cosas que es mejor no saber como se hicieron: las hay dos cosas que es mejor no saber como se hicieron: las
vienesas y la econometra.
Hay otra forma buena de data mining: experimentar con los
datos para descubrir regularidades empricas que pueden
i f l t i
informarse a la teora econmica.
8. Est preparado para ceder.
en la prctica no hay problemas estndar solo hay en la prctica no hay problemas estndar, solo hay
soluciones estndar.
no adorars las prescripciones de los libros de texto.
9. No confundas significancia estadstica con
significancia econmica.
10 H li i d ibilid d 10. Haz un anlisis de sensibilidad.
Los econometristas basan su anlisis en un proceso
imaginario de generacin de los datos que es visualizado
como la forma en que los datos fueron generados Muchas como la forma en que los datos fueron generados. Muchas
veces eso no corresponde a la verdadera forma en que los
datos fueron generados.
Son los resultados sensibles a el perodo muestral? A la Son los resultados sensibles a el perodo muestral? A la
forma funcional? Al set de variables explicativas? A las
variables proxies seleccionadas?
Debo confesar los errores.
THE END!!! THE END!!!
ECONOMETRIC IS FUN!!!

Clases

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Clases

Загружено:

Авторское право:

Доступные форматы

Ayudanta: jueves hora 4

Si se calcula el estimador para muestras repetidas,

( u u u u sesgo Var E ECM + = =

Distribucin asinttica: es una distribucin que se usa

funcin continua de . Luego, g( ) es el EMV

En EXCEL: MDETERM (A1:B2) CTRL+SHIFT+ENTER

Siempre existe ? No, la matriz A debe ser

Los elementos de la diagonal principal de una matriz definida positiva son

ser una variable aleatoria con

Entonces para cada valor de K/L

Cmo calcular Cmo calcular ||1 y 1 y ||2 (y todo el 2 (y todo el

' ) ' ( ' ) ' (

min( ' min min

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

min( ' min

( i | | | | X Y X Y X Y X Y ) )( ' ' ' ( ) ( )' ( min

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

i todo para sumo

y + | + + | + | = el modelo se puede expresar en desvos.

X ' e e ' X '

X ( ) ' e ' X '

X ' e y 0 e ' X '

Es lo que minimiza el mtodo MICO

x ' e e ' x '

Si se calcula el estimador para muestras

Esto permite calcular:

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

| elemento de es una combinacin lineal

Aunque para una muestra en particular el estimador se

Recordar: que el estimador sea insesgado no nos garantiza

( cov 0 > < | | X si

EISTIMACN MAXIMO VEROSIMIL DE LOS COEFICIENTES

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

Esto nos permitir obtener intervalos de

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

Salida de E-Views para este ejemplo:

t-Statistic: presenta el valor del estadstico t para la hiptesis

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

) ' ( ' ) ' (

' ' . . ( ) . SCE X Y nY |

( ' ) ' ( )'

C ( ' C ) X ' X ( C )' r

Se puede demostrar que:

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

041 . 0 ) 0007 . 0 ( 2 ) 018 . 0 ( ) 0009 . 0 (

C - r C' ' C' '

C r C' ' C' '

CE( - r C' ' C' ' )

( ) ' ) ' ( ( )'

en promedio estar sobre Y0 promedio

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

: desviacin estandar de Y estimado

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

Aqu tambin haba un error

coeficientes sesgados (en general)

' X) (X' ' X) (X' ) ( ' X) (X'

( ) ' ( ' ) ' V X Z Z Z Z X | o

coeficientes sesgados (en general)

Econometra, 2009-II FACEA-PUC Prof. Vernica Gil

' ) ' ( ' ) ' ( ) ( ' ) ' ( ' ) ' (

Entonces para obtener los estimadores