Universidad Nacional de Huancavelica-Econometra I

Ensayo sobre Tcnicas Economtricas: Introduccin a la

Econometra, Mnimos Cuadrados Ordinarios

Felix Jhonatan Gonzales Flores

Introduccin.

El objetivo del presente trabajo es llevar a cabo un estudio, lo ms

completo posible, acerca del modelo de mnimos cuadrados ordinarios e
investigar acerca del estudio la relacin entre dos variables
CUANTITATIVAS: Tanto en el caso de dos variables (regresin simple)
como en el caso de ms de dos variables (regresin mltiple), el anlisis
puede utilizarse para explorar y cuantificar la relacin entre una variable
llamada dependiente o criterio (Y) y una o ms variables llamadas
independientes, predictoras o regresoras (X1, X2, , Xk), as como para
desarrollar una ecuacin lineal con fines predictivos. Para ello, hemos
intentado recopilar toda la informacin posible de regresiones lineales y
hemos tratado de interpretar sus parmetros y a su vez exponer los
mtodos de estimacin oportunos y las implicaciones de su anlisis
inferencial.
Segn William Petty, la Econometra es una rama de la Economa que
aglutina a la Teora Econmica, las Matemticas, la Estadstica y la
Informtica para estudiar y analizar fenmenos econmicos. Puede
decirse que constituye en s misma una disciplina dentro de la Economa
y a la vez una potente herramienta que tanto los economistas como otros
muchos investigadores sociales utilizan para el estudio de sus problemas
concretos.
El principal propsito de la Econometra es proporcionar un sustrato
emprico a la Teora Econmica. Uno de los puntos determinantes en la
econometra se basa en el procesamiento estadstico y para ello el
mtodo de Mnimos Cuadrados Ordinarios (MCO) permite encontrar los
Mejores Estimadores Lineales Insesgados, este mtodo presenta muchas
ventajas en cuanto a lo fcil de su uso y por lo adecuado del
planteamiento estadstico matemtico que permite adecuarse a los
supuestos para los modelos economtricos.
Y entonces? El modelo de mnimos cuadrados ordinarios es la relacin
analtica que mejor se ajusta a nuestros datos? Realmente es importante

esta para encontrar los parmetros poblacionales? Cmo influye la

clusula caeteris paribus en este modelo economtrico? Es significativo
el efecto que una variable X causa sobre otra Y? Cules son los grados
de libertad del modelo?

Puntos Crticos:
A menudo resulta de fantstico conocer el efecto que una o varias
variables pueden causar sobre otra, e incluso predecir en mayor o menor
grado valores en una variable a partir de otra. De esta manera, los
mtodos de regresin estudian la construccin de modelos para explicar
o representar la dependencia entre una variable respuesta o dependiente
Y y la(s) variable(s) explicativa(s) o independiente(s), X. Quisiera
brevemente exponer algunas ideas centrales sobre la regresin lineal,
que tiene lugar cuando la dependencia es de tipo lineal.
Vamos a limitamos inicialmente al estudio del denominado modelo de
regresin lineal simple Galton (1886) y K.Pearson (1896), que considera
una sola variable explicativa X: Y = 0 + 1X (regresin de Y en X).
Segn Neter y Wasserman (1996), Nos dice que el modelo anterior se
satisface para cada una de las observaciones correspondientes, donde se
deba definir cul es la variable causa (estmulo) y cul la variable efecto
(respuesta). El mtodo ms afectivo para conocer 0 y 1 se conoce como
tcnica de mnimos cuadrados, en donde daremos estimaciones 0 y 1
que se asemejen a los verdaderos; Es decir, se trata de encontrar la
funcin en la cual la suma de los cuadrados de las diferencias entre los
valores observados y esperados sea menor. Sin embargo, con este tipo de
estrategia es necesario que los residuos o errores estn distribuidos
normalmente y que varen de modo similar a lo largo de todo el rango de
valores de la variable dependiente. Estas suposiciones pueden
comprobarse examinando la distribucin de los residuos y su relacin con
la variable dependiente.
Yule (1907) generaliz la regresin simple de Pearson a la regresin
mltiple. Hasta ahora hemos considerado nicamente el caso de la
regresin simple. En el caso ms general de la regresin mltiple,
existen dos o ms variables independientes:
Y = 0 + 1X1+ 2X2 + ...
Esta regresin ya viene a ser ms complicada y laboriosa de calcular, ya
que genera una multiplicidad de resultados difcil de interpretar.

Una cuestin de gran inters ser responder a la siguiente pregunta: de

un vasto conjunto de variables explicativas: X 1, X2,, Xk, cules son las
que ms influyen en la variable dependiente Y. Los coeficientes son
elegidos de forma que la suma de cuadrados entre los valores observados
y los pronosticados sea mnima, es decir, que se va a minimizar la
varianza residual.
Si admitimos que los datos presentan las siguientes hiptesis:
linealidad, homocedasticidad, independencia, normalidad, y que X k se
obtenga sin errores de medida, entonces el teorema de Gauss-Markov
establece que el mtodo de estimacin de mnimos cuadrados va a
producir estimadores ptimos, en el sentido que los parmetros
estimados van a estar centrados y van a ser de mnima varianza.
Cmo influye la clusula caeteris paribus en este modelo economtrico?
La econometra ha fijado diversos supuestos estadsticos y matemticos
para as poder resguardar las diferentes tcnicas economtricas, en este
caso hablaremos de la clusula caeteris paribus que cuenta con
diversos supuestos que integran e MCO ; El modelo de regresin simple,
al ignorar las restantes variables que pueden incidir sobre el fenmeno,
carece
de supuestos caeteris paribus; En el modelo de regresin
mltiple esto mejora, ya que se da intervencin a otras variables que
mejoran el fenmeno de estudio.
Es significativo el efecto que una variable X causa sobre otra Y? El
estadstico que mide esta proporcin o porcentaje se denomina
coeficiente de determinacin R2 Cules son los grados de libertad del
modelo? Los problemas de interpretacin surgen cuando intentamos que
el coeficiente de determinacin avale la dependencia entre variables y, a
partir de ella, predecir o extrapolar, en el tiempo o en el espacio, la recta
de regresin En este sentido, si R 2 es alto se considera que el ajuste es
vlido y que la ecuacin obtenida representa adecuadamente la relacin
cuantitativa entre las variables, pudiendo, por tanto, aplicarse para
determinar los valores de una de ellas, conocidas las dems.

Conclusin
El presente trabajo ha pretendido ofrecer una visin, ms o menos,
amplia acerca de las diversas formas funcionales que pueden adoptar los
modelos de regresin, destacando la importancia de los modelos lineales,
tan presentes en la Economa. As mismo, se ha hecho necesario el
estudio de la clusula caeteris paribus la cual nos sirve se supuestos
para el modelo.

En este trabajo se han descrito diferentes tcnicas de regresin que se

engloban dentro del mtodo MCO. El anlisis predictivo de datos es muy
til para estudiar y ajustar de manera eficiente el comportamiento de un
sistema dinmico lineal a partir de las medidas discretas de sus
variables. Por tanto, el objetivo principal de un modelo de regresin
generado a partir de un anlisis predictivo es obtener una ecuacin
matemtica que nos permita "predecir" con el mnimo error posible el
valor de una variable dependiente Y una vez conocidos los valores de
X1, X2 ..Xk o variables independientes predictoras. Dicha ecuacin servir
como modelo o funcin de aproximacin para la prediccin de futuras
observaciones.

Referencias bibliogrficas.
Elena Martnez Rodrguez (2005) Errores frecuentes en la
interpretacin del coeficiente de determinacin lineal Real Centro
Universitario Escorial-Mara Cristina.
Julio H. Cole (2002) Nociones de regresin lineal Universidad
Francisco Maroqun.
Alfonso Novales (2010) Anlisis de Regresin Departamento de
Economa Cuantitativa Universidad Complutense.
Heriberto L. Urbisaia
y
Juana Z. Brufman La clusula caeteris
paribus: su tratamiento economtrico Facultad de Ciencias Econmicas
Universidad de Buenos Aires.