Notas de Clase Fundamentos de Econometría

Introducción
Fundamentos Estadísticos
Modelo de Regresión Lineal Clásico (MRLC)
Propiedades de MCO y violación de supuestos
Econometría
Clase 1
Pérez Rojo, Flavio
14 Marzo, 2020
Pérez Rojo, Flavio Econometría

Introducción
Contents
1 Introducción
2 Fundamentos Estadísticos
3 Modelo de Regresión Lineal Clásico (MRLC)
4 Propiedades de MCO y violación de supuestos

Introducción
Tipos de datos
Se reconocen tres tipos:

Corte transversal. Observación de muchos individuos o
entidades en un momento del tiempo.
Series de tiempo. Observación de un individuo o entidad a
lo largo del tiempo.
Panel. Observación de muchos individuos o entidades a lo
largo del tiempo.

Introducción
Tipos de relaciones
Pueden darse dos tipos

Determinística. El azar no está involucrado en el desarrollo
de los estados. Un modelo determinístico producirá siempre la
misma salida a partir del mismo estado inicial.
Estadística/empírica.

Introducción
Elementos básicos
Una variable aleatoria (v .a.) es aquella que toma un valor

númerico que será determinado por un experimento y cuya
naturaleza es incierta. La v .a. se presenta con una letra
mayúscula y la realización de la v .a. se presenta con una letra
minúscula.
Una función de distribución de probabilidad (f .d.p.)
asigna probabilidades a las realizaciones de la v .a.
Una función de masa de probabilidad es la distribución de
probabilidad para v .a. discretas. Existe una probabilidad para
un valor espéci…co, o un conjunto de valores.
Una función de densidad de probabilidad es la distribución
de probabilidad para v .a. continuas. Existe una probabilidad
para un rango de valores.

Introducción
Elementos básicos
Una función de distribución conjunta especi…ca la
probabilidad conjunta de observar realizaciones de dos o más
variables aleatorias: fX ,Y (X = x, Y = y )
Una función de distribución condicional especi…ca la
probabilidad de observar una variable dado que otra se ha
realizado: fY (Y jX = x )
Una función de distribución marginal especi…ca la
probabilidad de observar una v .a : fX (X )
La relación entre estas distribuciones es
fX ,Y (X = x, Y = y )
fY ( Y j X = x ) =
fX ( X j Y = y )

Introducción
Medidas de tendencia central

Indican hacia que valor tienden con más frecuencia las
realizaciones de una v .a. en múltiples experimentos
La media equivale al promedio ponderado por las
probabilidades de todos los posibles valores de una v .a.. Esta
es la medida sugerida para una muestra simétrica.
E (X ) = µ
La moda es el valor que se observa con mayor frecuencia.

Esta es medida más apropiada para variables nominales o
categóricas.
La mediana equivale al valor medio que separa en dos a la
distribución. Esta medida es la más adecuada para
información asimétrica o categórica. Asimismo, se sugiere
emplear esta medida cuando existen outliers.
Introducción
Medidas de dispersión
Indican como se alejan los datos respecto de la media

La varianza mide la dispersión o distancia de la información
con respecto a la valor esperado de la v .a
Var (X ) = E [(X µ )2 ]
La desviación estándar es la raíz cuadrada de la varianza.

El rango intercuantil equivale a la distancia entre los
cuantiles 25% y 75% de la muestra.

Introducción
Medidas de asociación
Indican el grado de asociación entre dos o más v .a.
La covarianza equivale a la asociación entre los desvios de
cada variable respecto de su media. Si las variables no tienen
a coindicir en sus desvíos respecto de la media, la covarianza
será baja
Cov (X , Y ) = E [X µX ][Y µY ]
El coe…ciente de correlación estandariza los desvíos de la

media de las variables aleatorias.
Cov (X , Y )
ρX ,Y =
σX σY
Introducción
Supuestos
Sea el siguiente modelo
Y = β1 + β2 X1 + ... + βN XN + e = X β + e
Los supuestos del MRLC son

Lineal en parámetros
Regresores no estocásticos
Exogeneidad: E (ejX ) = 0
Perturbaciones esféricas:
E (e2t jX ) = σ2 , 8t = 1, ..., N (Homocedasticidad)

Cov (ei , ej jX ) = 0, 8i 6= j (No autocorrelación)

Introducción
Supuestos
Rango completo
Modelo correctamente especi…cado
Forma funcional correcta
No omisión de variables relevantes
No inclusión de variables irrelevantes
Normalidad en las perturbaciones:
e jX N (0, σ2 )

Introducción
Estimación por Mínimos Cuadrados Ordinarios
Considerando el modelo bivariado Y = β1 + β2 X + e, los

estimadores obtenidos por MCO son
b b ∑(X t X )(Y t Y )
β1 = Y β2 X , b
β2 =
∑ (X t X )2
Con valor esperado y varianza
σ2 ∑ X t 2
E (b
β1 ) = β1 , Var (b
β1 ) = n ∑ (X t X )2
σ2
E (b
β2 ) = β2 , Var (b
β2 ) = n ∑ (X t X )2
e2t /(N
Y con el estimador de la varianza s 2 = ∑ b 2)

Introducción
Estimación por Mínimos Cuadrados Ordinarios
Considerando el modelo multivariado Y = βX + e, los

estimadores obtenidos por MCO son
b
β = (X 0 X ) 1X 0Y
Con valor esperado y varianza
E (b
β) = β, Var (b
β ) = σ 2 (X 0 X ) 1
e0b
Y con el estimador de la varianza s 2 = b e / (N K)

Introducción
Descomposición de suma de cuadrados (K=2)
La suma al cuadrado total es SST = ∑(Yt Y )

2
La suma al cuadrado explicada es SSE = b
β2 ∑(Xt X)
e2t
La suma al cuadrado residual es SSR = ∑ b
El ajuste del modelo es
SSE SSR
R2 =
=1
SST SST
El ajuste del modelo penalizando regresores es
2 SSR/(T K) T 1
R =1 =1 (1 R2)
SST /(T 1) T K
Si hay intercepto entonces: R 2 = ρ2X ,Y

Introducción
Propiedades
El teorema de Gauss-Markov sostiene que los estimadores de

MCO tienen la menor varianza dentro de la clase de los
estimadores lineales e insesgados. Por ello se dice que el estimador
MCO es el mejor estimador linealmente insesgado: MELI
La consistencia de los estimadores se da cuando a medida que
aumenta la muestra el estimador tiende al parámetro que pretende
estimar
P lim[ b
β] = β, P lim[s 2 ] = σ2
La normalidad asintótica de los estimadores sostiene que cuando

la muestra tienda a valores muy grandes el los estimadores de
MCO presentan una distribución normal.

Introducción
Violación de supuestos
Problemas MCO Sesgado Ine…ciente Inconsistente

1. Modelo Incorrectamente especi…cado
1.1. Omisión de variable relevante x x
1.2. Inclusión de variable irrelevante x
2. Multicolinealidad (imperfecta) x
3. Residuos no esféricos
3.1. Heterocedasticidad x
3.2. Autocorrelación x
4. Endogeneidad x x
5. Regresores no estocásticos
5.1. X y e dependientes x
5.2. Correlación parcial x
5.3. Correlación contemporánea x x

Notas de Clase Fundamentos de Econometría

Cargado por

Copyright:

Formatos disponibles

Notas de Clase Fundamentos de Econometría

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Notas de Clase Fundamentos de Econometría

Cargado por

Copyright:

Formatos disponibles

Introducción

Pérez Rojo, Flavio

Pérez Rojo, Flavio Econometría

3 Modelo de Regresión Lineal Clásico (MRLC)

4 Propiedades de MCO y violación de supuestos

Pérez Rojo, Flavio Econometría

Se reconocen tres tipos:

Pérez Rojo, Flavio Econometría

Pueden darse dos tipos

Pérez Rojo, Flavio Econometría

Una variable aleatoria (v .a.) es aquella que toma un valor

Pérez Rojo, Flavio Econometría

Pérez Rojo, Flavio Econometría

Medidas de tendencia central

La moda es el valor que se observa con mayor frecuencia.

Indican como se alejan los datos respecto de la media

La desviación estándar es la raíz cuadrada de la varianza.

Pérez Rojo, Flavio Econometría

El coe…ciente de correlación estandariza los desvíos de la

Los supuestos del MRLC son

E (e2t jX ) = σ2 , 8t = 1, ..., N (Homocedasticidad)

Pérez Rojo, Flavio Econometría

Pérez Rojo, Flavio Econometría

Estimación por Mínimos Cuadrados Ordinarios

Considerando el modelo bivariado Y = β1 + β2 X + e, los

Con valor esperado y varianza

Pérez Rojo, Flavio Econometría

Estimación por Mínimos Cuadrados Ordinarios

Considerando el modelo multivariado Y = βX + e, los

Con valor esperado y varianza

Pérez Rojo, Flavio Econometría

Descomposición de suma de cuadrados (K=2)

La suma al cuadrado total es SST = ∑(Yt Y )

Pérez Rojo, Flavio Econometría

El teorema de Gauss-Markov sostiene que los estimadores de

La normalidad asintótica de los estimadores sostiene que cuando

Pérez Rojo, Flavio Econometría

Problemas MCO Sesgado Ine…ciente Inconsistente

También podría gustarte