114

1.0 UNA INTRODUCCION A LA ECONOMETRIA

Una inquietud incesante del hombre ha sido, es, y
seguir siendo, el de representar las intrincadas
relaciones de las posibles variables que describen
el comportamiento de las realidades de los
fenmeno, en un simple modelo, capaz de resumir
todo lo relevante, para controlar y manipular su
comportamiento futuro.




Modelo puede
Usarse
PREDICCION

CONTROL
UNIVERSIDAD NACIONAL DE INGENIERIA
FACULTAD DE INGENIERIA ECONOMICA Y CC.SS
SECCION DE POST-GRADO
UNA INTRODUCCION A LA
ECONOMETRIA
Prof. Dr. ALI PI O ORDOEZ MERCADO

Ali1fom@yahoo.com; alorme@uni.edu.pe
115






1.1 DEFINICION DE ECONOMETRIA
Ciencia que estudia las relaciones econmicas usando
como herramientas auxiliares a las matemticas y a la
estadstica, pero sin perder el punto de vista
econmico.
Trata de la medicin de los parmetros en las
relaciones econmicas.
OBSERVACION:
La Econometra trata a las relaciones econmicas como
estocsticas.
Los procedimientos derivados no son exclusivos de la
Econometra, sino que pueden adecuarse a otros campos
como la psicologa, sociologa, marketing, comercio,
ecologa, etc.
Representacin de un Modelo
Fenmeno
Real
Abstraccin de las caractersticas
ms importantes
Teora
Modelo
Las teoras se refieren a un sistema que se
tratan de explicar y contienen modelos que son
representaciones idealizadas de este mundo real
116






Funcin Consumo.- Una de las funciones muy usadas en la
econometra, por cuestiones didcticas;
Consumo
t
= f ( R
t
, P
t
, Y
t
)

Funcin Renta Precio Ingreso
PRINCIPALES FUNCIONES ECONOMICAS
Funcin de Inversin
Inversin
t
= f ( PNB
t
, Interes
t
, Inflacin
t
)
Funcin de Renta-Educacin
Renta
t
= f ( Educacin
t
)

En Resumen la ECONOMETRA construye modelos para verificar las
relaciones tericas y empricas, usando una metodologa sistemtica
para la medicin de la economa.
Se Usa la Teora Econmica para sugerir relaciones econmicas, las
cuales se interpretan y se plasman en una Ecuacin Matemtica
Usa la Teora Estadstica, para estimar los parmetros de la ecuacin
Matemtica, y verificar las relaciones econmicas supuestas aprioris
COMO SE MIDE LAS MAGNITUDES...?
Variable INTERES
t
= f ( VX1
t
, VX2
t
,....,+ VXK
t
)

Funcin V.EXOGENA 1 V,EXOGENA 2 V.EXOGENA K

117


3. Estimacin de los Parmetros
Para estimar los parmetros adiciona los
trminos de los errores aleatorios en cada ecuacin
(Definicin del modelo Estadstico)
, , , ,
1 0 1 0
| | o o
0 ;
0 ;
1 1 0
1 1 0
> + + =
< + + =
| v | |
o o o
t t t
t k t
P O
P D
y se recogen datos sobre D
t
, O
t
, y P
t
para estimar los
parmetros mediante procedimientos estadsticos.
4. Pruebas de Hiptesis
Verificar la confirmacin o refutacin de las
Teoras Econmicas, formulando pruebas
estadsticas sobre los parmetros
0 : 0 :
0 : 0 :
1 1
1 0 1 0
> s
< >
o |
o |
a a
H H
H H
? ?
Usa la metodologa y los procedimientos de la ciencia
estadstica, y son los siguientes;

1. Formulacin de las Hiptesis
La Teora econmica sostiene que:
La demanda aumenta, cuando el precio disminuye
La oferta aumenta, cuando el precio aumenta.
2. Especificacin de la funcin matemtica
Las hiptesis anteriores son plasmadas en el siguiente
modelo matemtico
0 ;
1 1 0
< + = o o o
t t
P D
) (
0 ;
1 1 0
equilibrio de condicin O D
P O
t t
t t
=
> + = | | |
1.2.- METODOLOGIA ECONOMETRICA
118




Ejemplo: En un pas el consumo de un producto, puede
expresarse adecuadamente en funcin de la renta;
consumir a marginal propensin ; 1 0
matemtico modelo
1
1 0
< <
+ =
|
| |
t t
R C
valores particulares de |
0
y |
1
definen a una estructura;
C
t
= 124 + 0.07R
t
;
estructura del consumo
(comportamiento de las familias)
Especificacin de
una estructura
Variables Endgenas:
Determinadas por el modelo
(corriente)
Predeterminadas (rezagadas)
Variables Exgenas:
Predeterminadas: corriente -
rezagadas
5. Pronsticos y Polticas de Control
La ecuacin estimada la estructura resultante
se usar para:
Conocer valores futuros de la demanda y oferta.
Establecer simular mecanismos de control para
diversas estrategias tcticas.

1.3 ESTRUCTURA DEL MODELO ECONOMETRICO
La estructura particular de un modelo economtrico
se concreta con valores que toman sus parmetros
dentro del anlisis cuantitativo y depender de las
muestras usadas.
Modelo.- Es la clase de todas las estructuras
posibles de obtener.
119




R
t

C
t

C
t
=|
0
+ |
1
R
t
R
t

C
t

C
t
=o
2
+ |
1
R
t
C
t
=o
1
+ |
1
R
t
Estructura Estable
Cambio Estructural en INTERCEPTO
TIPOS DE CAMBIOS EN LA STRUCTURA
Por lo general se supone que los parmetros del modelo
especificado permanecen constantes a travs de todo
el intervalo de estudio, Sin embargo, esta suposicin no
se cumple en muchos casos, por lo que es necesario
decidir en que momento se produce el cambio en los
parmetros, ms conocido como Cambio
estructural.
Asi la estructura de un modelo puede ser:
i) Constante.- Cuando la estructura del modelo
permanece estable, no cambia,
ii) Cambiante.- La estructura cambia debido a una de
las siguientes causas:
Evolucin de los Parmetros en el Tiempo.
Efecto de otras variables no consideradas en el modelo.
Cambio de sistema.
ESTRUCTURA ........(continuacin)
120























y
t

X
t

|
01

|
02

|
12

|
11

Y
t
= |
01
+ |
11
X
t
+ c
t
, para n
1
.
Y
t
= |
02
+ |
12
X
t
+ c
t
, para n
2

Interceptos y pendientes
CAMBIAN en cada tramo

CAMBIO ESTRUCTURAL MIXTO







y
t

X
t

|
0

|
12

Y
t
= |
0
+ |
11
X
t
+ c
t
, para n
1
.
Y
t
= |
0
+ |
12
X
t
+ c
t
, para n
2

Interceptos no cambian,
pero las pendientes
CAMBIAN en cada tramo

CAMBIO ESTRUCTURAL EN PENDIENTE
|
11
121













2.0 MODELO DE REGRESION LINEAL
Una excelente tcnica Estadstica que permite cuantificar las
relaciones que pudieran existir entre dos variables.
Fue propuesto por GALTON a fines del siglo XIX.
2.1 MODELO BASICO Y SUPOSICIONES
Para encontrar dicha relacin hace uso del siguiente modelo
Error Exogena Variable Endogena Variable + + = ) (
1 0
| |
Aleatoria
n Perturbaci
t
Exgena
Variable
t
Endgena
Variable
t
X Y | | + + =
1 0
UNIVERSIDAD NACIONAL DE INGENIERIA
FACULTAD DE INGENIERIA ECONOMICA Y CC.SS
SECCION DE POST-GRADO

REGRESION Y CORRELACION
SIMPLE

Alipio Ordoez Mercado
ali1fom@Yahoo.com; alorme@uni.edu.pe
122













La ecuacin anterior describe la dependencia lineal de la
variable endogena respecto a la variable exgena.
Suposiciones:


Perturbaciones
Aleatorias
t

Esperanza cero : E(
t
) = 0
Varianza Homognea: Var(
t
) = o
2

Covarianza cero: E(
t

s
) = 0; t = s
(
t
son independientes)

Los Y
t
son independientes
Entre algunos ejemplos se tienen:
Modificacion de la politica empresarial sobre las ventas de
un producto, en funcion de la publicidad, incentivos, etc
Evaluacion del rendimiento profesional del personal en una
compania, segn el perfil que presentan cada uno de los
empleados.
Seleccin de los candidatos a ser admitidos a un programa
de capacitacion, segn el perfil de cada postulante.
Establecer las tarifas de los servicios que se ofrecen, en
funcion del perfil de los clientes y la calidad de servicios
que se brinda.


123








2.2 REPRESENTACIN GRAFICA
Un problema de Regresin Lineal Simple, es visualizada
mediante un diagrama de dispersin.
Y = |
0
+ |
1
X

ingreso en absoluto cambio
consumo en absoluto cambio
=
1
|
200 300 400 500
(Consumo) Y
X (Ingreso)
400
300
200
Fig. Diagrama de Dispersin
Objetivo: ENCONTRAR la Lnea recta que pasa por la
mayora de puntos (esto es, minimizan los valores de los
errores
t)

Cada observacin de la variable endgena (Y) responde
a un modelo lineal
f(Y)
X
X
200 300 400

200
300
400
E(Y) = |
0
+|
1
X

La variable exgena (X) es predeterminada (constante y
fija), y determinan que Y es aleatoria con una cierta
distribucin de probabilidad.
124













2.3 HALLAZGO DE PARAMETROS |
0
Y |
1
LOS INCENTIVOS AUMENTAN LAS VENTAS..?
Para encontrar los valores de |
0
y |
1
; se buscar una coleccin de
valores sobre Y y X. Por ejemplo: Para evaluar si la decisin de
implementar incentivos para sus agentes vendedores, aumentan o
no sus ventas de uno de sus producto favoritos de una empresa.
Se usara el siguiente modelo:
Y Para las 18 regiones asignadas a cada agente vendedor se
recolecto los datos(en miles de S/.),de sus ventas y los incentivos
recibidos por ventas superiores a S/.50.000, durante el ultimo
ao :
error
t
X
t
Y
t
Incentivos Ventas | | + + =
) (
1 0
) (
El Diagrama de Dispersin del consumo personal (Y), y el
ingreso disponible, indican que ambas variables tienen una
asociacin positiva (correlacin positiva) esto quiere decir que
la propensin marginal o consumir es positiva, |
1
> 0.
La calidad o Grado de Ajuste de la lnea se mide por el
coeficiente de Determinacin R
2
.
1 0
2
s s R
Si R
2
se aproxima a 1 el
Ajuste es Bueno.
Si R
2
se aproxima a 0 el
Ajuste es Dbil y no deseado
125






CORRELACION ENTRE VENTAS E INCENTIVOS
Cuando los incentivos crecen, las ventas
aumentan. La Correlacin es positiva
0
100
200
300
400
0 2 4 6 8 10
INCENTIVOS
V
E
N
T
A
S
Region X Y XY X
2
Y
2


1 6.3 270.73 1705.599 39.69 73294.7329
2 4.2 140.71 590.982 17.64 19799.3041
3 8.1 285.55 2312.955 65.61 81538.8025
.
.



17 2.75 171.52 471.68 7.5625 294189.1104
18 1.25 104.54 130.675 1.5625 10928.6116

Total 85.45 3759.15 20998.298 510.7125 905883.6531
126









ESTIMACION DE PARAMETROS
Dependent Variable: VENTAS
Method: Least Squares
Date: 06/05/2001 Time: 05:35
Sample: 1 18 ; Included observations: 18

Variable Coefficient Std. Error t-Statistic Prob.

C 66.38403 21.03141 3.156422 0.0061
INCENTIVOS 30.00863 3.948358 7.600281 0.0000

R-squared 0.783093
Adjusted R-squared 0.769536 S.D. dependent var 84.30215
S.E. of regression 40.47064 Akaike info criterion 10.34347
Sum squared resid 26205.96 Schwarz criterion 10.44240
Log likelihood -91.09123 F-statistic 57.76428
Durbin-Watson stat 2.156858 Prob(F-statistic) 0.000001


GRAFICO VENTAS VS. INCENTIVOS
0
100
200
300
400
0 2 4 6 8 10
INCENTIVOS
V
E
N
T
A
S
La correlacin entre ventas e incentivos es positiva
entonces La LINEA tiene pendiente positiva
127








i
i
2
2
1
X Cuadrados de Suma
XY Productos de Suma
) (

= =
E
E
E E
E
=
x
xy
i
i
i i
i i
SC
SP
n
x
x
n
y x
y x
|
00863 . 30

1
= |
n
x
X
n
Y
Y X Y
i i
E
=
E
= = ; ,

1 0
| |
38402862 . 66

0
= |
Luego:
X Y 00863 . 30 384 . 66

+ =
Ventas =66.38 +30.008 Incentivos
200

100

66.38

100 200
X Y
1 0

| | + =
0

|
1

|
METODOS PARA ENCONTRAR |
0
Y |
1
Aunque solo bastan dos valores de Y y X para encontrar los
valores de |
0
y |
1
; se usar una coleccin de datos sobre Y y X.
En estos datos se aplican los siguientes procedimientos.
|
0
, |
1
son
encontrados
por
Mnimos Cuadrados.- Determina la mejor
lnea que ajusta a los datos; esto es,
minimizando la contribucin de la suma de
los errores al cuadrado.
Mxima Verosimilitud.- Maximizando la
funcin de distribucin de los Datos.
Ambos procedimientos producen resultados equivalentes y se
condensan en las siguientes frmulas:
128




A)Inferencia Global en el modelo
Los Incentivos incrementan las ventas ...?
Para resolver esta interogante se plantea:
H
0
: La contribucin de los incentivos =0
H
1
: La contribucin de los incentivos =0
Y se implementa con la prueba de la Razn de F.

7643 . 57
872755 . 1637
53782 . 94610
= = =
CMerror
CMreg
Fcal
49 . 4 ) 16 ; 1 ( ) 2 , 1 .( = = ~ F F F n tab cal
76427 . 57
872755 . 1637
53782 . 94610
= = =
CMerror
CMreg
F
Cal
7830928 . 0
5019 . 120816
53782 . 94610
1
2
= = = =
SCy
SCreg
SCy
SCerror
R
2.4 INFERENCIAS ESTADISTICAS
Las inferencias en un modelo de regresion se realizan a nivel
global y a nivel individual de cada uno de los componentes
del modelo, con el objetivo de verificar las hiptesis
formuladas en base a la teora econmica usada.
Inferencias sobre |
o
y |
1
para la ecuacin de ventas
Y = |
o
+ |
1
X Postula una relacin positiva entre las ventas
y los incentivos; esto es, el gerente de la empresa espera en
promedio que las ventas aumentaran a medida de que
aumenta los incentivos, aunque no en la misma proporcin
el cual se resume en la interpretacin de que |
1
> 0 |
0
= 0,
|
0
= 0 (|
0
< 0, |
0
> 0).
129






B) PRUEBAS INDIVIDUALES SOBRE; |
0 Y
|
1

H
0
: | = |
0

H
1
: | = |
0
, con la t-student
. . ) 2 (
2
0
~ ;
1

l g n Tab cal
x
cal
t t
SC
x
n
t

+

=
o
|
|
o
| |

=
cal
t
Inferencias sobre |
0
(Intercepto)
H
0
: |
0
= 0 (Hiptesis nula)
H
1
: |
0
= 0 (Hiptesis alternativa)
Se implementa con el estadstico de la prueba t-student
06236 . 105
5361 . 22
18
1
4706 . 40
3840 . 66
+
=
Anlisis de Varianza de la
Regresin Lineal

Fuentes de
Variacion
Grados de
Libertad
Suma de
Cuadrados
Cuadrado
Medio
Razon
F

Regresion

Eror

P-1= 1

n-P= 16

94610.53782

26205.96408


94610.53782

1637.872755

57.764278

Total

n-1= 17

120816.5019



130





Inferencias sobre |
1
(la pendiente)
H
0
: |
1
= 0
H
1
: |
1
= 0
6002889 . 7
06236 . 105
4706 . 40
00863 . 30

1
= =

=
x
cal
SC
t
o
|
Regin de
Aceptacin de H
0

-2.12 2.12
Zona de
Rechazo
Conclusin se Rechazo H
0
:|
1
=0, y se Acepta en su lugar que
H
1
: |
1
= 0 (|
1
> 0 ).
Regin de Aceptacin
de H
0

0 :
0 0
= | H
-2.12
t
cal

2.12
t
tab(n-2)
t
tab(n-2)

2
o
2
o
120 . 2 ; 156 . 3
03447 . 21
0 3840 . 8 . 66
) 025 . 0
2
, 16 (
= =

=
=
o
Tab
cal
t t
t
cal
= 3.156 cae en la zona de rechazo, luego se Acepta
H
1
: |
0
= 0, Luego la lnea pasa por encima del origen .
131





Inferencias sobre las Predicciones
Una de las aplicaciones importantes del modelo de
Regresin es la de obtener la prediccin o pronstico (valor
futuro) de la variable endgena, para un nivel de la variable
exgena.
La Prediccin
puede ser
sobre
Valor medio
Valor Individual
0 1 0 0 0

) ( X Y X X Y E | | + = = =
0 1 0 0

X Y | | + =
Ambos tienen el mismo valor futuro; para diferentes varianzas.
Inferencias sobre la prediccin media
0
0 1
0
0 0
0
0
) ( :
) ( :
X Y
X Y
X X Y E H
X X Y E H

= =
= =
H
0
: = 0
H
1
: = 0
433 . 10
7830 . 0 1
2 18 8449 . 0
1
. 2
2
=

=
r
n r
t
cal
Regin de
Aceptacin de
H
0
: = 0
-2.12 2.12
2
o
2
o
T
cal
= 10.433, cae en la zona de Rechazo de H
0
, luego se rechaza
H
0
: = 0.
Se verifican la hiptesis dela relacin positiva entre las ventas y
los incentivos.
Inferencias sobre el coeficiente de correlacin
132







As, en la hiptesis
180

: H rechaza se , 180

:
180

:
0 0 0 1
0 0
= =
=
Y Y H
Y H
Mientras que en;
200

:
200

: H acepta se , 200

:
0 1
0 0 0 0
=
= =
Y H
Y Y H
Prediccin del valor Individual
El mejor predictor de Y
0
, tambin es
0 1 0 0

X Y | | + =
pero su varianza es:
|
|
.
|

\
|
+ + =
x
SC
X X
n
Y Var
2
0
2
0
) ( 1
1

) ( o
y las inferencias son anlogas al del valor medio.
9890488 . 91
06236 . 105
) 747222 . 4 5 (
18
1
8727 . 1637
) ( 1
)

(
2 2
0 2
0
=
|
|
.
|

\
|
+ =
|
|
.
|

\
|
+ =
x
SC
X X
n
Y Var o
. . ) 2 (
0
0 1 0 0
~
) ( 1

) (

l g n Tab
x
cal
t
SC
X X
n
X Y
t

+
+
=
o
| |
sea X
0
= 5;
42717 . 216 ) 5 ( 00863 . 30 384 . 66

0
= + = Y
120 . 2 ) 05 . 0 )
2
, 16 ( =
o
Tab
t
)

0
2
0 0 1 0 0
2
0
Y Var t Y X Y Var t Y
o o
| | + s + s
9890 . 91 12 . 2 42717 . 216 9890 .. 91 12 . 2 42717 . 216
0 1 0
+ s + s X | |
7603 . 236 094 . 196
0 1 0
s + s X | |
L. Inferior L. Superior
133






Residuos de la Regresin Ventas vs Incentivos
obs Actual Fitted Residual Residual Plot

1 270.730 255.438 15.2916 | . | * . |
2 140.710 192.420 -51.7103 | * . | . |
3 285.550 309.454 -23.9039 | .* | . |
4 254.710 261.440 -6.73013 | . *| . |
5 136.900 141.406 -4.50561 | . *| . |
6 306.910 298.951 7.95908 | . |* . |
7 158.060 193.921 -35.8607 | * | . |
8 163.130 178.916 -15.7864 | . * | . |
9 361.170 249.437 111.733 | . | . *|
10 252.350 223.929 28.4207 | . | *. |
11 87.5500 111.397 -23.8470 | .* | . |
12 79.2400 88.8905 -9.65050 | . *| . |
13 291.770 313.955 -22.1852 | . * | . |
14 162.320 178.916 -16.5964 | . * | . |
15 251.100 186.419 64.6814 | . | . * |
16 280.890 321.457 -40.5674 | * | . |
17 171.520 148.908 22.6122 | . | * . |
18 104.540 103.895 0.64518 | . * . |


120

: H rechaza se , 120

:
120

:
0 0 0 1
0 0
= =
=
Y Y H
Y H
Mientras que en;
en
200

:
200

: H acepta se , 200

:
0 1
0 0 0 0
=
= =
Y H
Y Y H
6013 . 304 253 . 128
0 1 0
< + < X | |
8618 . 1729
06236 . 105
) 747222 . 4 5 (
18
1
1 8727 . 1637 ) (
2
0
=
|
|
.
|

\
|
+ + = Y Var
Luego en la hiptesis siguiente:
134



Ventas vs. Incentivos y Publicidad
0
100
200
300
400
0 2 4 6 8 10
INCENTIVOS
V
E
N
T
A
S
0
100
200
300
400
1 2 3 4 5 6
PUBLICIDAD
V
E
N
T
A
S
Analisis de Residuos
-100
-50
0
50
100
150
2 4 6 8 10 12 14 16 18
Residuos