Econometría 1

Notas

1er corte: 2 talleres cada uno del 30% y un parcial de 40%

2do corte: 2 talleres cada uno del 30% y un parcial de 40%

3er corte: 1 taller del 40% y un parcial de 60%

Temas

Definiciones, usos e hitos de la econometría

Regresión lineal, es decir, estimación

Criterios de validación, R2, prueba F, Prueba T

Salidas econométricas en R studio

Modelos multinomiales:

LIN – LIN

LOG – LOG

LIN – LOG

LOG – LIN

Series de tiempo

Modelos no lineales de corte transversal

Econometría: Es la medición de la economía, es decir, la medición de fenómenos económicos por

medio de estimaciones que determinan el mínimo error posible.

Elementos importantes

1. Teoría económica: Establece la relación entre variables económicas, existen dos tipos de
variables, la variable dependiente y las variables independientes.
2. Estadística: Permite valorar los modelos econométricos a diferentes niveles de confianza.
3. Informática: Es importante porque permite realizar las operaciones en menor tiempo, es
decir, hace que sea más eficiente el desarrollo de las estimaciones.
4. Datos: Sin datos no habría que explicar.

Un modelo econométrico se compone de una variable dependiente y una o más variables

independientes.

Variable dependiente: Es la variable que está en función de otra u otras variables, en econometría
es el fenómeno que pretende estudiar o explicar.

Variable independiente: Es la o las variables explicativas de un fenómeno económico, es decir, son

las variables que explican el comportamiento de la variable dependiente.
 Estimación MCO (MÍNIMOS CUADRADOS ORDINARIOS)

Una estimación es la predicción de un comportamiento de una variable (dependiente), o un

fenómeno económico, como es una estimación parte de datos reales, es decir, se infiere sobre la
realidad.

Tomamos dos variables y explicamos una de ellas, la variable que se va a explicar es Y es decir, es
la variable dependiente y la que va a explicarla es X es decir, es la variable independiente.

Y X YX X¿ 2

2 6 12 36

4 4 16 16

3 5 15 25

5 1 5 1

6 1 6 1

4
Y

0
0 1 2 3 4 5 6 7
X

Variable dependiente Y es la real

Variable independiente X

Vamos a estimar el comportamiento de Y a partir de X

Ŷ es la estimación

Ŷ = â + b̂*X + ἐ

â y b̂ son parámetros

X es la variable independiente.

ἐ es el error
Para garantizar la mejor ecuación lineal, es necesario minimizar el error, es decir, hay que derivar
el error e igualarlo a 0.

Despejar el error o definirlo

ἐ = Y- Ŷ

Se utiliza el método de mínimos cuadrados ordinarios, de tal forma que el error se eleva al
cuadrado y se evitan los valores negativos, es decir, cada error es positivo.
n
ἐ^2 ¿ ∑ ( Y −Y
^) 2

i=1

Para minimizar el error derivamos al error con respecto a los parámetros, que en últimas es lo que
se debe estimar para obtener la ecuación lineal que describa ese comportamiento.

d ἐ^2 / d â , d ἐ^2 / d b̂
n
ἐ^2 ¿ ∑ ( Y −Y
^) 2

i=1

donde Ŷ = â + b̂*X

Se reemplaza en la sumatoria
n
ἐ^2 ¿ ∑ ¿ ¿
i=1

n
ἐ^2 ¿ ∑ (Y −a^ −b∗X
^ 2
)
i=1

n
d ἐ^2 / d â = 2*∑ (Y − a^ − b∗X)
^ *(-1)
i=1

n
0 = -2*∑ (Y − a^ − b∗X)
^
i=1

n n n
0 = -2∑ Y + 2∑ a^ + 2∑ b∗X
^
i=1 i=1 i=1

n n
0 = -2∑ Y + 2na^ + 2b^ ∑ X
i=1 i=1

n n
2∑ Y = 2na^ + 2b^ ∑ X
i=1 i=1

n n

∑ Y = 2na^ /2 + 2b^ ∑ X /2
i=1 i=1
 n n

∑ Y = na^ + b^ ∑ X Primera Ecuación

i=1 i=1

n
d ἐ^2 / d b̂ = 2*∑ (Y − a^ − b∗X)
^ * (-X)
i=1

n
0 = 2*∑ (Y − a^ − b∗X)
^ * (-X)
i=1

n n n
0 = -2∑ Y X + 2 ∑ a^ X + 2∑ b∗X
^ 2

i=1 i=1 i=1

n n n
0 = -2∑ Y X + 2a^ ∑ X + 2b^ ∑ X
2

i=1 i=1 i=1

n n n
2∑ Y X = 2a^ ∑ X + 2b^ ∑ X
2

i=1 i=1 i=1

n n n

∑ Y X = a^ ∑ X + b^ ∑ X 2 Segunda Ecuación
i=1 i=1 i=1

Y X YX X^2

2 6 12 36

4 4 16 16

3 5 15 25

5 1 5 1

6 1 6 1

SUM 20 17 54 79
n n

∑ Y = na^ + b̂∑ X Primera ecuación

i=1 i=1

n n n

∑ Y X = â ∑ X + b̂ ∑ X ¿ 2 ¿ Segunda ecuación
i=1 i=1 i=1

20 = 5â + 17b̂

54 = 17â + 79b̂
20 = 5â + 17b̂ (17)

54 = 17â + 79b̂ (-5)

340 = 85 â + 289 b̂

-270 = - 85 â - 395 b̂

70 = -106 b̂

70/-106 = b̂

b̂ = - 0,66

20 = 5 â + 17 (-0,66)

20 = 5 â - 11,22

20 + 11,22 = 5 â

31,22 = 5 â

31,22 / 5 = â

â = 6,24

Ŷ = â + b̂*X

Ŷ = 6,24 + (– 0,66)X

Ŷ = 6,24 – 0,66X

Por ejemplo, si X es 0

Ŷ = 6,24 – 0,66*0

Ŷ = 6,24
Por ejemplo, si X es 1

Ŷ = 6,24 – 0,66*1

Ŷ = 6,24 - 0,66

Ŷ = 5,58

Cuando se interpreta la ecuación de regresión se observa el corte con el eje, que es â y se observa
el impacto de X en Y que es b̂

Cuando X es 0 Ŷ es 6,24 unidades

Por cada unidad adicional de X, entonces Y estimada disminuye 0,66 unidades

Posibles ecuaciones

1. Ŷ = â + b̂*X
2. Ŷ = â - b̂*X
3. Ŷ = - â + b̂*X
4. Ŷ = - â - b̂*X