Professional Documents
Culture Documents
Clase 1 de Econometría 2023-45
Clase 1 de Econometría 2023-45
Notas
Temas
Modelos multinomiales:
LIN – LIN
LOG – LOG
LIN – LOG
LOG – LIN
Series de tiempo
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.
Variable dependiente: Es la variable que está en función de otra u otras variables, en econometría
es el fenómeno que pretende estudiar o explicar.
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 independiente 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.
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
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
n n n
0 = -2∑ Y X + 2a^ ∑ X + 2b^ ∑ X
2
n n n
2∑ Y X = 2a^ ∑ X + 2b^ ∑ X
2
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
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)
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
Posibles ecuaciones
1. Ŷ = â + b̂*X
2. Ŷ = â - b̂*X
3. Ŷ = - â + b̂*X
4. Ŷ = - â - b̂*X