Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

ECONOMETRIA I

I. INTRODUCCION

Econometria
Dos palabras de origen griego: Economa y Medida (Koutsoyiannis, 1977:3).
Trmino introducido por Ragnar Frisch en 1926, de origen noruego, para referirse a
estudios econmicos que hacen uso de mtodos estadsticos.
Desde sus orgenes y por su propia definicin, la econometra se ha movido entre
los campos de las teoras econmica y estadstica. As, en la medida en que ha
sido empleada tanto para proponer nuevas formulaciones como para apoyar o,
en su caso, refutar planteamientos ya hechos en la propia teora econmica, la
econometra se ha nutrido de las aportaciones de economistas cuyo campo de
accin es fundamentalmente la teora econmica (algo semejante puede decirse
de quienes centran su inters en la poltica econmica). Pero, simultneamente,
en la medida en que la econometra supone la aplicacin de la teora estadstica,
diversos estadsticos han incursionado en el terreno de aquella hacindola
evolucionar.
(Fuente: Para una breve historia de la econometra, Jos Fernndez Garca*/
Claramartha Adalid Daz de
Urdanivia)

En la literatura podran darse otras definiciones como:

1. Aplicacin de la Estadstica matemtica a la informacin econmica para dar
soporte emprico a los modelos construidos por la Economa Matemtica y
obtener resultados numricos.
2. Anlisis cuantitativo de fenmenos econmicos reales, basados en el desarrollo
simultneo de la teora y la observacin, relacionados mediante mtodos
apropiados de inferencia.
Es un apoyo para disipar la imagen de la Economa, considerada como una materia
donde se hacen afirmaciones y supuestos que para diferentes economistas tienen
diferentes interpretaciones.

Una clasificacin desde el punto de vista estadstico podra ser:

1

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Clsica
Econometra Terica
Bayesiana
Clsica
Econometra Aplicada
Bayesiana

En este curso desarrolla el enfoque clsico y aplicado

Econometra Aplicada
Utiliza herramientas de la Estadstica para estudiar modelos de algunos campos
especiales de la economa, los negocios u otros. En particular, puede estudiar temas
conocidos como:
1. Empleo
2. Desempleo
3. Crecimiento econmico
4. Consumo
5. Produccin
6. Inversin
7. Demanda y oferta
8. Inflacin
9. Importaciones
10. Portafolio, etc.

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

II. QUE ES UN MODELO ECONOMETRICO

Modelo
Es una representacin simplificada de la realidad, estructurada de tal forma que permita
comprender el funcionamiento total o parcial de esa realidad o fenmeno.
Es una representacin formal de ideas o conocimientos acerca de un fenmeno
(teoras) que generalmente se traducen bajo la forma de un conjunto de ecuaciones
matemticas.
Carneiro de Matos, Orlando; 2da Edicin;
Editora Atlas S.A., Sao Paulo - Brasil 1997

Clasificacin de los modelos

Como visto anteriormente, es una representacin simplificada de la realidad, que
involucra:

A. Por la Forma funcional

a. Lineales.- aquellos donde los parmetros son expresados en forma lineal o
pueden ser transformados a lineales.
b. No lineales.- lo contrario de lo anterior.
B. Por el nmero de ecuaciones
a. Uniecuacionales.- El modelo consta de solo una ecuacin.

Y a bX cW
b. Multi-ecuacionales.- El modelo consta de varias ecuaciones.

Y a bX cW
Z d eW fQ

Y Zt
C. Por la asociacin de las variables con el tiempo
a. Estaticos.- Todas las variables se refieren a un mismo periodo de tiempo.

Yt a bX t cWt
b. Dinmicos.- Las variables se refieren a distintos periodos de tiempo.

Yt a bX t 1 cWt
D. Por la finalidad
a. Previsin.
b. Decisin.

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Modelo economtrico
Como visto anteriormente, es una representacin simplificada de la realidad, que
involucra:
a) Relaciones o ecuaciones.- Modelo matemtico.
b) Variables.- Caractersticas de inters observables que pueden tomar
distintos valores.
c) Parmetros.- (o coeficientes) son valores que permanecen constantes y son
desconocidos de aquella relacin matemtica.
d) Trmino aleatorio.- (perturbacin aleatoria) que representa a todas las
caractersticas que no han podido ser includas en el modelo o relacin
matemtica.

Proceso metodolgico de la Econometra

Fuente: Adaptacin de Intrilligator 1978

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Proceso metodolgico de la Econometra

Fuente: Adaptacin de Maddala 1996

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Proceso Metodolgico de la Econometra

Teora
Econmica

1ra ETAPA:
Especificacin o
Construccin del
Modelo

Observacin
del
Mundo Real

Formulacin
de Hiptesis

Modelo
Matemtico

Modelo
Economtrico

2da ETAPA:
Estimacin
del
Modelo

Colecta de Datos
Apropiados

Estimacin
de los
Parmetros del
modelo

3ra ETAPA:
Evaluacin
del
Modelo
Estimado

Evaluacin
de Resultados:
Hiptesis
del modelo

No Aceptables

Revisin
de la
Metodologa

Desistencia
de las
Hiptesis

Aceptables

Inferencia,
Previsin
Toma de
Decisiones

Fuente: Adaptacin de Carneiro de Matos, Orlando; 2da Edicin;

Editora Atlas S.A., Sao Paulo - Brasil 1997

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Ejemplo: Proceso metodolgico de la econometra

1.
2.
3.
4.
5.
6.
7.
8.

Planteamiento de la teora o de la hiptesis.

Especificacin del modelo matemtico de la teora.
Especificacin del modelo economtrico de la teora.
Obtencin de datos.
Estimacin de parmetros del modelo economtrico.
Pruebas de hiptesis.
Pronstico o prediccin.
Utilizacin para fines de control o poltica.

1. Planteamiento de la teora o de la hiptesis.

Se establece un conjunto de hiptesis, leyes o conjeturas sobre el comportamiento de
un fenmeno de la vida real ya existente o contribuciones de nuevas teoras.
2. Especificacin del modelo matemtico de consumo.
Es una representacin formal de las ideas o conocimientos anteriormente mencionadas
acerca de las teoras que generalmente se traducen bajo la forma de un conjunto de
ecuaciones matemticas.
3. Especificacin del Modelo Economtrico de Consumo
Es la misma especificacin anterior pero incorporando un trmino aleatorio a la relacin
matemtica, ste trmino considerara todos los elementos que por alguna razn no
pueden ser considerados en la relacin matemtica.
El modelo matemtico dado en el paso 2, supone que existe una relacin exacta
determinstica entre las variables, lo que no es cierto en la mayora de los casos.
4. Obtencin de Informacin
Para estimar los valores desconocidos de la relacin economtrica, se necesitan datos,
generalmente se toman datos muestrales.
5. Estimacin del modelo economtrico
Los datos o informaciones obtenidas en el paso 4 permiten estimar los valores
desconocidos de la relacin matemtica para tomar decisiones.
6. Prueba de hiptesis
Para comprobar si los valores estimados concuerdan con la teora.
7. Proyeccin o prediccin
Si el modelo escogido confirma la teora, este modelo se puede utilizar para predecir
valores futuros o desconocidos.
8. Usos del modelo para fines de control o de poltica
Un modelo final estimado puede ser utilizado para fines de control o de poltica.

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Ejemplo 1:

Teora Keynesiana del Consumo. (D. Gujarati)

a) Planteamiento de la teora o de la hiptesis.

KEYNES plantea:
La ley sicolgica fundamental. Consiste en que los hombres y mujeres como regla
general y en promedio, estn dispuestos a incrementar su consumo a medida que su
ingreso aumenta, pero no en la misma cuanta del aumento en su ingreso.
En otras palabras, Keynes postula que la propensin marginal a consumir (PMC), es
decir, la tasa de cambio del consumo generado por una unidad de cambio en el ingreso,
es mayor que cero pero menor que uno.
b) Especificacin del modelo matemtico de consumo.
Keynes postul una relacin positiva entre el consumo y el ingreso. Sin embargo, no
especific la relacin funcional entre las dos.
Por ejemplo, la forma ms simple de la funcin Keynesiana de consumo podra ser:

Y 1 2 X

0 2 1

(planteada por un
Economista matemtico).

1 parmetro intercepto del modelo

2 parmetro pendiente del modelo, mide la PMC (Propensin Marginal a Consumir).
Y
Funcin Keynesiana de
Consumo

2 PMC

1 Intercepto
X

c) Especificacin del Modelo Economtrico de Consumo

El modelo matemtico dado en el paso 2, supone que existe una relacin exacta
determinstica entre el consumo y el ingreso. Pero las relaciones entre las variables
econmicas son en general inexactas.
Un econometrista modificara la funcin determinstica as

Y 1 2 X

0 2 1

= trmino de perturbacin o de error, es una variable aleatoria.

El trmino de

representa todos aquellos factores que afectan el consumo

pero que no son considerados en el modelo en forma explcita. Este ltimo sera
8

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

el llamado Modelo de Regresin Lineal, el cual ser estudiado a lo largo del

curso.
d) Obtencin de Informacin
Para estimar los valores desconocidos de 1 y 2 se necesitan datos, por
ejemplo:
Mes

Y=Consumo

X=Ingreso

Enero 2009

2505.6

3761.3

Febrero 2009
.
.
.
Diciemb 2009

2870.7
.
.
.
3248.9

4280.8
.
.
.
4822.1

e) Estimacin del modelo economtrico

A travs de un anlisis de regresin se obtendrn estimadores para 1 y 2 del
modelo teorico

Y 1 2 X

0 2 1

por ejemplo, se puede obtener:

Y 1.5 0.70 2 X

(Interpretar modelo ajustado)

donde

1 =-1.5
2 = 0.70

estimador de

1 y

estimador de

f) Prueba de hiptesis
Si el modelo ajustado es una aproximacin razonablemente buena de la realidad, se
necesitan criterios apropiados para encontrar si los valores estimados obtenidos en una
ecuacin como la anterior, concuerda con las expectativas de la teora que est siendo
probada.
Del modelo anterior, Keynes esperaba que la PMC sea menor que 1.
Se quiere responder a la pregunta es 0.70 estadsticamente menor que 1?
Si lo es, puede apoyar la teora de Keynes.
Estos criterios son conocidos como parte de la Inferencia Estadstica.
g) Proyeccin o prediccin
Si el modelo escogido confirma la teora, este modelo se puede utilizar para predecir
valores futuros o desconocidos de la variable dependiente Y, siendo que se conoce el
valor de X (variable predoctora) y se utilizan los estimadores 1 y 2 anteriormente
hallados.

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

h) Usos del modelo para fines de control o de poltica

Un modelo estimado como Y 1.5 0.70 2 X puede ser utilizado para fines de control o
de poltica.
El gobierno por ejemplo podra manejar la variable de control
X Ingreso para producir el nivel deseado de la variable objetivo.
Y Consumo.
En resumen, en esta seccin hemos visto el planteamiento de un
modelo para un fenmeno de la realidad y la estimacin de este
modelo para luego interpretarlo. Ms adelante estudiaremos algo sobre
modelos.

Ejercicio:
1.
2.
3.
4.
5.
6.

Responda:

Qu es un modelo?
Qu diferencia hay entre un modelo matemtico y un modelo economtrico?
Qu es un modelo no lineal?
Cules son las etapas del proceso metodolgico de la econometria?
Cules son los pasos del proceso metodolgico de la econometra?
Qu cree usted que es Especificacin de un modelo?
Carneiro de Matos, Orlando; 2da Edicin;
Editora Atlas S.A., Sao Paulo - Brasil 1997

10

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

III. CARACTERISTICAS DE LOS DATOS EN ECONOMETRA

Se puede encontrar los siguientes trminos como caractersticas de los datos
cuantitativos que podran ser empleados en anlisis de problemas de econometra:
1.
2.
3.
4.
5.
6.
7.

Series de Tiempo
Datos de Corte Transversal
Datos Agrupados
Datos de Panel
Datos Agregados
Variables Ficticias
Variables Aproximadas

1. Series de tiempo
Esta informacin se obtiene de la observacin de la variable en diferentes periodos de
tiempo. En usual, que las series de tiempo tengan periodicidad diaria, semanal,
mensual, trimestral y anual.
Las series de tiempo suelen estar altamente
correlacionadas debido a su evolucin paralela en el tiempo.
2. Datos de corte transversal
Consiste en datos de una o ms variables recogidos en un periodo de tiempo fijo y
determinado, registrados una sola vez para cada unidad. Puede ser, un da, una
semana, un mes, un ao, un periodo determinado para registrar una sola vez los datos.
3. Datos Agrupados
Los datos agrupados contienen informacin de corte transversal y de series de tiempo
juntos. Por ejemplo: En cada mes, se tomaron 3 registros de cada una de las 4
variables o caractersticas.
Unidad
de tiempo
ENERO

V1

V2

V3

V4

FEBRERO

MARZO

4. Datos de Panel ( longitudinales)

Este es un tipo especial de datos agrupados, en la cual la misma unidad de corte
transversal es observada a travs del tiempo.

11

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

5. Datos Agregados
Se dice de datos agregados cuando un economista cuenta con informacin agregada,
desconociendo el mtodo empleado para generarla.
Ejemplo: Se quiere estimar las Importaciones de un pas, (Mxico por ejemplo) se
deflacta las variables Importaciones mexicanas por el ndice de precios del productor
para bienes en los Estados Unidos.
Nota: Se produce un sesgo de sub o sobreestimacin
en el valor real de las importaciones ya que el ndice
citado difiere del ndice global de precios.
El ndice global podra calcularse, pero el costo y
dificultad en hacerlo podra no ser justificado.
6. Variables Ficticias
Son variables que toman valor 1 para una submuestra y 0 para la otra.
7. Variables Aproximadas
En ocasiones no se cuenta con informacin sobre alguna variable que interviene en el
modelo economtrico. Una posible solucin es utilizar una aproximacin a esta variable
bajo el supuesto de que su comportamiento es similar. A este tipo de datos se le llama
variable proxy y depende de la verificacin del supuesto.

Observacin:
En ocasiones, economistas con experiencia estudiando las estructuras de economa en
pases desarrollados donde se encuentra disponible gran parte de la informacin, no se
percatan de las restricciones de informacin que puedan existir en pases como el
nuestro por ejemplo. Si stos mismos profesionales desarrollan modelos para un pas
como el nuestro por ejemplo, es posible que no tenga la importancia prctica.

12

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

IV. MODELO LINEAL SIMPLE

Modelo con dos variables

Un modelo linear es un intento de hacer un anlisis cuantitativo de la relacin que existe
entre la variable dependiente, con las variables explicativas para un conjunto de valores
observados de ambos tipos de variables. Un modelo lineal simple considera slo una
variable explicativa.

Otras denominaciones de la variable respuesta

Respuesta
Dependiente
Salida
Endgena
Regresiva
Explicada
Otras denominaciones de la variable explicativa
Estmulo
Independiente
Entrada
Exgena
Regresora
Explicativa
Predeterminada

Objetivo: Determinar un modelo con parmetros numricos que permita estimar o

aproximar el valor de una variable Y en base a otra variable X.

Y 1 2 X
Y
X

variable dependiente o variable respuesta.

variable explicativa
error aleatorio

Ejemplo 3:

(D. Gujarati)

Supngase un pueblo pequeo viven slo 60 familias. Se realiza un censo en este

poblado porque interesa a gobierno estudiar la relacin entre el Gasto de consumo

13

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

familiar semanal Y; y el Ingreso familiar semanal X (luego de los impuestos de

ley).

En otras palabras, se quiere predecir el nivel de la media del Gasto de consumo

semanal por familia (de la poblacin) conociendo el ingreso semanal de la familia.

E (Y / X x) 1 2 x
E (Consumo / X ingreso) 1 2ingreso
Se dividen las familias en 10 grupos, donde cada grupo tiene ingresos aproximados y
se registran las Gastos de consumo de cada familia para cada nivel de Ingresos.
Todos los registros son semanales.

X_i X_1 X_2

Y
80 100
55 65
Gasto de
60 70
Consumo 65 74
Familiar
70 80
por
75 85
semana
88

E(Y/X=x)

65

Ingresos familiares semanales

X_3 X_4 X_5 X_6 X_7 X_8
120 140 160 180 200 220
79 80 102 110 120 135
84 93 107 115 136 137
90 95 110 120 140 140
94 103 116 130 144 152
98 108 118 136 145 157
113 125 140
160
115
162

77

89 100 113 125 137 149 161

Y
1

60

173

nj

60

E (Y )

X_9 X_10
240 260
137 150
145 152
155 165
165 168
175 180
180 185
191
173

E (Y / X i )

i 1,2,3,..., n j

nj

j 1,2,3,...,10

i 1

As, tenemos: (para las familias)

La Esperanza o Promedio

E (Y / X 1 80) 65

es el Consumo promedio semanal de

las familias que ganan 80 nuevos soles.

Similarmente,
El consumo promedio de las familias que ganan 160 es 113.
El consumo promedio de las familias que ganan 260 es 173.
14

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Funcin de regresin poblacional (FRP)

Muestra cmo el valor de Y vara en relacin a los valores de la variable X. Su forma
estocstica es la siguiente:

Y 1 2 X
1

son parmetros fijos, desconocidos (valores poblacionales)

Se denominan coeficientes de regresin, intercepto, coeficiente de la pendiente de la

recta, etc.
As, el valor esperado de Y vara tambin de acuerdo a la variacin de X y se
denomina Lnea de Regresin Poblacional.

E (Y / X ) 1 2 X
Interpretacin:

E(Y / X 80) 65

valor promedio de

para

X 80

La Regresin Poblacional para un valor particular de la variable dependiente es:

Yi 1 2 X i
Si en el modelo Yi 1 2 X i reemplazamos cada uno de los valores de
consumo cuando el ingreso es

X 80 ,

nos da las siguientes expresiones:

Y1 55 1 2 X 1
Y2 60 1 2 X 2

Y3 65 1 2 X 3
Y4 70 1 2 X 4

Y5 75 1 2 X 5
La diferencia entre cada valor observado y cada valor promedio se debe al trmino de
perturbacin

i Yi E (Yi / X ) Yi ( 1 2 X )

15

Magen Infante

Interpretacin de

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Suponga que conseguimos conocer los valores de

conoce el valor del trmino de perturbacin

posible(s) de las que tambin depende

1 y 2 , entonces slo faltara

que representa a toda otra variable(s)

Yi que no estn incluidas en el modelo porque

es imposible medirlas. Tambin, i representa efectos aleatorios que no dependen

de las variables, denominada perturbacin estocstica o trmino de error estocstico.

1. Grfica de la FRP.- Lnea de Regresin Poblacional o Curva de Regresin

Poblacional. Es el lugar geomtrico de las esperanzas de la variable dependiente
para los valores fijos de las variables explicativas
La FRP en dos variables (en su forma estocstica) es

Yi 1 2 X i .
E (Y / X ) 1 2 X

Se grafica la esperanza de la FRP en dos variables:

Y
E (Y / X i )
149

Lnea de Regresin
Poblacional

Gasto de
Consumo
101
semanal

65

*
* : Media condicional

X
80

140
Ingreso semanal

Esperanza Poblacional de Y dado

Otra forma de escribir la FRP

220

X i : Cmo vara la

Yi 1 2 X i

esperanza de Y variando X.

es

Yi E (Y / X ) i
Los valores de

Yi

estn agrupados alrededor del valor esperado de todos los valores

de Y para un dado X i .

16

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Funcin de regresin muestral (FRM)

Es la que se obtiene a partir de una muestra de observaciones (no de la poblacin), y
se necesita estimar los parmetros del modelo lineal simple poblacional (o de la FRP), a
partir de la informacin proporcionada por la muestra. Su forma estocstica es la
siguiente:

Yi 1 2 X i
1

es un estimador de

2 es un estimador de 2
i es un estimador de i

Yi

aproxima (o es el ajuste de)

Yi

La Funcin de Regresin Muestral es:

Yi 1 2 X
Yi estimador de E (Y / X i )

1 estimador de 1
2 estimador de 2

Al trmino de perturbacin obtenido de la muestra se le dice Residual.

i Yi ( 1 2 X )
El

se estima a partir de los residuales

as:

i Yi Yi

Cuando no se dispone de toda la informacin poblacional, se toman muestras de Y

para valores dados de X.
Si se toman dos muestras aleatorias de Y para valores de X dados y se trazan dos
diagramas de dispersin de las muestras en el mismo grfico y se trazan las Lneas de
Regresin Muestral para cada muestra, se tiene:

17

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

FRM1

.
..

..
.

. ..

..
.

.
.

.
.
.

FRM2

..
.

.
.

..
.

.
..

Caractersticas:
1.- Cada lnea se conoce como lnea de regresin muestral.
2.- Cada lnea intenta representar la Funcin de Regresin Poblacional.
3.- Muestralmente, slo se considerar como aproximaciones de la verdadera FRP.
4.- Para n muestras, habrn n FRM, posiblemente todas diferentes.
Luego de obtener la informacin de una muestra y sustituirla en los estimadores, se
obtienen valores de 1 y 2 , a los que se les denomina valores estimados o
estimativas.

3. Estimacin
Dado que el objetivo principal es estimar la FRP:
Hallando la FRM:

Yi 1 2 X i

Yi 1 2 X i ,

Como la FRM es apenas una aproximacin de la FRP, se desea una regla o un mtodo
que haga que esta aproximacin sea lo ms ajustada posible.
En otras palabras, se busca construir una FRM tal que 1 y 2 estn lo ms cercano
posible a los verdaderos valores de 1 y 2 , aunque nunca se llegue a conocer los
valores de 1 y 2 .

18

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Funcin de regresin muestral

Y
Yi

Yi

E(Y / X i )

FRM:
Yi 1 2 X i

FRP:
E (Y / X i ) 1 2 X i

.
Xi

4. Mtodo de Estimacin
El mtodo para la construccin de esta FRM es posible tanto para el caso bivariado

Yi 1 2 X i i
como para el caso multivariado con k variables explicativas o independientes

Yi 1 2 X i1 3 X i 2 k X ik i
tambin visto en forma matricial para n observaciones como

Y X .

El mtodo ms utilizado para hallar la FRM es el Mtodo de Mnimos Cuadrados

Ordinarios (MCO).
Para utilizar el mtodo de Mnimos Cuadrados Ordinarios (MCO) en la estimacin de los
parmetros, se requiere que el modelo sea lineal en los parmetros y se les conoce
simplemente como Modelos de Regresin Lineal.
Es posible que algunos modelos no presenten linealidad en los parmetros. Sin
embargo, es posible, a travs de una transformacin adecuada obtener un modelo
lineal en todos los parmetros, entonces, al modelo antes de la transformacin se le
considera como un Modelo de Regresin Lineal.

19

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

5. Linealidad
Antes de obtener el modelo que mejor se ajuste al modelo real, conviene graficar las
observaciones de tal forma que permita lograr una configuracin a priori para facilitar la
eleccin de la forma funcional apropiada.
Las funciones reconocidas con ms frecuencia son:
(1) Lineal

Y 0 1 X

(2) Cuadrtica

Y 0 1 X 2 X 2
1

X
Y 0 1 ln( X )

(3) Hiperblica o recproca

(4) Semilogartmico

Y 0 1

Y ln( 0 ) 1 ln( X )
(5) Semilogartmico inverso

ln(Y ) 0 1 X

(6) Logartmico o logartmico doble

(7) Logartmico recproco

ln(Y ) ln( 0 ) 1 ln( X )

ln(Y ) 0 1

En los modelos de dos variables, la forma funcional puede deducirse a partir del
diagrama de dispersin, pero en un modelo de Regresin Mltiple, no es fcil
determinar la forma funcional apropiada porque grficamente no se puede visualizar los
diagramas de dispersin.
Todos los casos anteriores son funciones de regresin lineal en los parmetros.

20

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Y
y 0 1 x 2 x 2

y 0 1 x

y 0 1 x

y 0 1 x 2 x 2

X
Y

X
Y

y 0 1 / x

ln y 0 1 x

ln y 0 1 x

y 0 1 / x
X
Y

y ln 0 1 ln x

X
Y

y ln 0 1 ln x

ln y ln 0 1 ln x

ln y ln 0 1 ln x

Ejemplo:
En el ejemplo de Consumo,

podra ser otras variables de las cuales tambin

dependera el modelo como por ejemplo:

Y 1 2 X ( Riqueza, tamao de la familia, consumo de un periodo

anterior, Variacin de precios al consumo, tasa de inters, etc. ) .
21

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Ejemplo:
Cules de los siguientes modelos pueden ser considerados lineales: (A, B,

son parmetros)
(1)
(2)
(3)
(4)

Y AX e
ln Y ln A ln X

X
Y X

Ejemplo:
Escriba 2 modelos no lineales con dos variables explicativas.

Laboratorio
1) Buscar una base de datos de por lo menos 5 variables explicativas (con la
variable dependiente son 6 variables).
2) Importar datos hacia R-project

22

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

VI. MODELO LINEAL GENERAL CLASICO

Modelo lineal general
Suponga que existe una relacin lineal entre una variable Y , (k 1) variables
explicativas X 1 , X 2 , X k y un trmino de perturbacin

Modelo terico:

Y 1 2 X 1 3 X 2 k X k
Para n observaciones se tiene un sistema de n ecuaciones de la forma:

Yi 1 2 X i1 3 X i 2 k X ik i

i 1,2...., n

Y1 1 2 X 11 3 X 12 k X 1k 1

Y2 1 2 X 21 3 X 22 k X 2k n

Yn 1 2 X n1 3 X n 2 k X nk n
matricialmente:

Y1 1
Y 1
2


Yn 1

X 11

X 21

X n1

X 1k 0 1
X 2 k 1 2

X nk k n

En notacin matricial:

Yn1 Xn( k 1)( k 1)1 n1 .

o simplemente se puede escribir:

Y X

23

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Escalarmente:

Yi Variable aleatoria observable

i 1,2...., n

X ij Variables no aleatorias observables fijas

j parmetros desconocidos
i

i 1,2...., n ,

j 1,2...., k

j 1,2...., k

error aleatorio no observable

i 1,2...., n

Matricialmente:

Y Vector aleatorio observable

X Matriz de valores observables fijos
Vector de parmetros desconocidos
Vector de errores aleatorios no observables

Supuestos del Modelo Lineal General Clsico

Escalarmente

i 1,2, , n

(i) E ( i ) 0
(ii) Var ( i )

constante

(iii) Cov( i j ) 0

i j

(iv) i N (0, )
2

(homocedasticidad)
(no correlacin entre los errores)
(distribucin normal)

(v) No existe relacin lineal exacta entre los X 1 , X 2 ,, X k

(vi) los parmetros

0 , 1 , 2 , , k permanecen constantes a los largo de toda la

muestra (estabilidad)
Matricialmente

1 0

(i) E () 0
n 0

E
(

1
n I
(ii)

1 2

E () E 21

n1

12 1n

22 2 n

n2

nn

24

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Var ( 1 )
Cov( 1 , 2 ) Cov( 1 , n )

Cov
(

)
Var
(

Cov
(

)
2
1
2
2
n

Cov
(

)
Cov
(

Var
(

)
n
1
n
2
n

2 0 0

0 2 0

2I

2
0
0

(iii) X nk

1
1

X 11
X 21

X n1

X 1k
X 2 k

X nk

matriz de nmeros determinsticos

(iv) Rango( X) k 1 ( k 1 =nro columnas de

X nk )

( n k 1 )

El supuesto Rango( X) k 1 asegura que ninguna de las columnas de la

matriz

X nk deben ser linealmente independientes.

1

2
2
(v) N (0, I ) en consecuencia: Y N ( X, I)

n

25

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

VII. EVALUACIN DE LA NORMALIDAD

La variable respuesta del modelo clsico, deber evaluarse en la normalidad. Existen
diversos mtodos para evaluar la normalidad de las observaciones.
Fundamentalmente, se debe verificar las siguientes medidas.
Sesgadez.- Es una medida de asimetra de la distribucin de las series alrededor de
su media. La sesgadez se calcula como:

1 n Yi Y
S

n i 1

donde

i 1

Yi

Y
n

La sesgadez de una distribucin simtrica es cero. Sesgadez positiva significa que la

distribucin tiene una larga cola hacia la derecha y sesgadez negativa significa que la
distribucin tiene una larga cola a la izquierda.
Kurtosis.- Mide el apuntalamiento o aplanamiento de la distribucin de la serie. La
Kurtosis se calcula como:

1 n Yi Y
K
donde
n i 1
4

i 1

Yi

Y
n

La Kurtosis de la distribucin normal es 3. Si la Kurtosis excede a 3, la distribucin es

puntiaguda (leptocurtica) comparada con la normal. Si la Kurtosis es menor que 3, la
distribucin es aplanada (pleptocurtica) comparada con la normal.
Jarque-Bera (JB).- Es el test estadstico para probar si las series son o no distribudas
normalmente. Este test mide la diferencia de la sesgadez y kurtosis de las series con
aquellos de una distribucin normal. El estadstico es calculado como:

n k 2 ( K 3) 2
S

Jarque Bera
6
4

Donde S es la sesgadez, K es la kurtosis y k

coeficientes estimados utilizados para crear las series.
Contraste de hiptesis

representa el nmero de

H 0 : Las observaciones provienen de una distribucin Normal

H1 :

Las observaciones no provienen de una distribucin Normal

Estadstico de Prueba:
Bajo la hiptesis nula, es decir, suponiendo que la normalidad se cumple, el estadstico
de Jarque-Bera tiene una distribucin Chi-cuadrado con 2 grados de libertad.
Regla de decisin:
Rechazar H 0 si Jarque Bera 2 g .l . a un nivel de significancia.
2

26

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Nota acerca de la normalidad:

Hay diversas pruebas de normalidad, entre las ms conocidas se tiene:
Distancia de Malahanobis
Kolmogorov-Smirnov
Cramer y Von Mises.
Kendall y Stuart.
Shapiro y Wilks
Shapiro y Francia
Qqplot=quantile-quantile plot
De todas las listadas arriba, al rechazar la prueba de normalidad, ninguna de ellas
proporciona una solucin si es que la hubiese.
Hay una prueba que ayudara a conocer qu tipo de transformacin de los datos podra
hacerlos aproximadamente normales para poder aplicarlo, como en este curso al
modelo lineal clsico. El mtodo de Box y Cox es una salida.

27

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

VIII. ESTIMACIN MCO - MV

I.

Mtodos de Estimacin de los Parmetros

El Modelo de Regresin Lineal Clsico tiene un conjunto de parmetros desconocidos,

tales como

0 , 1 , , k y 2 .

Existen diversos mtodos para estimar los parmetros

0 , 1 , , k y 2 del

modelo lineal clsico, de los cuales mencionamos:

a). Mtodo de Mnimos Cuadrados (MCO OLS).
b). Mtodo de Mxima Verosimilitud (MV).
c). Mtodos de Mnimos Cuadrados Generalizados (MCG).
Pueden existir otros mtodos, menos conocidos, pero la mayora de los mtodos de
estimacin se basan en los residuos o errores, que se definen como la diferencia entre
el valor real de la variable dependiente y su estimador a travs del modelo.

Yi Yi

i 1,2,, n

Entre los mtodos para estimar los parmetros del modelo utilizando los residuos,, el
ms simple y conocido es el Mtodo de Mnimos Cuadrados Ordinarios (MCO OLS).

II.

Mtodo de mnimo cuadrados ordinarios

1 PARA DOS VARIABLES

1.1 Estimadores para

modelo

Yi X i

Dada una muestra de n observaciones de X y Y , se desea hallar la Funcin de

Regresin Muestral (FRM) tal que la suma de los residuos al cuadrado sea mnima.
Dado una muestra de n observaciones:
n

SUMA DE RESIDUOS AL CUADRADO:

i 1

2
i

(Yi Yi )

i 1

Procedimiento:
Minimizar la suma de los residuos al cuadrado
n

S i (Yi Yi ) (Yi 0 1 X )
2

i 1

i 1

i 1

28

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Derivando con respecto a 0 y

1 :

0
2

(Yi 0 1 X ) 2
i 1

2 (Yi 0 1 X )(1) 0
i 1

S 2

(Yi 0 1 X ) 2
i 1

2 (Yi 0 1 X )( X ) 0

i 1

Resolviendo las dos ecuaciones se obtiene:

ESTIMADORES DE MCO:
n

X iYi
i 1
n

X
i 1

X Y

i 1

2
i

i 1

2
i

nX 2

VALORES ESTIMADOS O ESTIMATIVAS:

n

b0

xi y i
i 1
n

b1

x y
i

2
i

2
i

i 1

nx

i 1

i 1

Caractersticas:
(1) Los estimadores MCO se expresan en funcin de las variables X y Y.
(2) Son estimadores puntuales (escalar)
(3) La Lnea de Regresin Muestral pasa a travs de las medias muestrales

X y

Y , por tanto, puede escribirse como Y 0 1 X .

n

(4) La suma de los residuos estimados es igual a cero

i 1

Pregunta:
Cmo sera para tres variables? (la variable respuesta y dos variables explicativas)

29

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

2.- MATRICIALMENTE
2.1 Estimador para
Hallar

modelo

Y X

Y N (X; (X' X) 1 2I)

tal que minimice la Suma de Cuadrados de los Residuales:

n
n

2
)' (Y Y
)
( ) 1 n i (Yi Yi ) 2 (Y Y
i 1

i 1
n

(1) Utilizar la Suma de Cuadrados de los Residuales en su forma extensa

)' (Y Y
)
(

) (Y Y
(Y X )' (Y X )
Y' Y Y' X ' X' Y ' X' X

' X' Y
' X' X

Y' Y 2
(2) Derivar con respecto a

e igualar a cero:

( ' ) (Y' Y 2 ' X' Y ' X' X )

2X' Y 2X' X '

0
obteniendo el llamado Sistema de Ecuaciones Normales
y el Estimador de Mnimos Cuadrados Ordinarios es:
(3) Derivar por segunda vez con respecto a

X' X X' Y
( X' X) 1 X' Y

para verificar que es un mnimo.

2 ( ' )
2X' X 0 , se verifica que minimiza la Suma de Cuadrados de
Como
2
los Residuos. (porque es positiva definida y simtrica).

2.2 Estimador para

Un estimador de , sera el residual
. En consecuencia, la varianza del residual
2

podra utilizarse como estimador de la varianza del trmino de perturbacin

2
Utilizando este resultado y sabiendo que E (' ) I se puede probar que

30

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

'
nk

es un estimador insesgado de

2.

3. PROPIEDADES DE LOS ESTIMADORES MCO DE

( X' X) 1 X' Y es lineal en

(1)
(2)

Y.

es insesgado porque E ( )

E ( ) E ((X' X) 1 X' Y) (X' X) 1 X' E (Y) (X' X) 1 X' X .

) ( X' X) 1 2 pues
(3) Var (
Var ( ) Var ((X' X) 1 X' Y) (X' X) 1 X' Var (Y)X(X' X) 1 (X' X) 1 2 .

N (; ( X' X) 1 2 ) .

2
j 0,1,2,..., k
(5) j N ( j ; a jj )
(4)

a jj es el i-simo elemento

1
de la diagonal de la matriz ( X' X) .

(6)

Cov( i , j ) aij 2 , l , m 0,1,2,..., k

III.

son independientes si y solo si

aij es el ij-simo elemento

i, j 0,1,2,..., k .

1
fuera de la diagonal de la matriz ( X' X)

(7)

aij 0

i j

Mtodo de mxima verosimilitud

1.- FUNCIN DE VERSIMILITUD

Recordamos que

Y N (X; (X' X) 1 2I)

En este caso, la funcin de verosimilitud viene dada por la densidad conjunta de la

normal multivariada

L.

1
L L( , / Y, X)
2
2
2

n/2

1 (Y X)(Y X)
exp 2

Tomando logaritmo:

1 n / 2

1 (Y X)(Y X)
log L log
exp

2
2
2
2

n
n
1
log 2 log 2
(Y X)(Y X)
2
2
2 2
derivando con respecto a los parmetros:
31

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

2
log L
( X' Y X' X) 0

2 2

n
1
log L

(Y X)(Y X) 0
2
2

2
2 4

de las dos ltimas ecuaciones, los estimadores mximo verosmiles son:

mv ( X' X) 1 X' Y

2
mv

'
n

donde mv tambin se puede escribir asi:

2

2
mv

' (Y X )(Y X )

n
n

Ejemplo 5: Asumiendo que la Renta de una persona puede depender de los Aos de
estudio y de la Edad. Para las observaciones dadas, hallar estimativas de los
parmetros utilizando los estimadores MCO y hallar un previsor de la variable
respuesta.

i
1
2
3
4
5

renta Y
Aos de estudio
Y
X_1
10
6
20
12
17
10
12
8
11
9

1 6
1 12

X 1 10

1 8
1 9

( X ' X ) 1

28
40
32

36
34

Edad
X_2
28
40
32
36
34

1
1
1
1

X ' X 6 12 10 8
28 40 32 36

50656
1

1840
2880
1960

1840
400
160

1960
160
100

1 6 28
1 1 12 40 5
45
170

9 1 10 32 45 425 1562

34 1 8 36 170 1562 5860

1 9 34

70
X 'Y 665
2430

0
56
1

50
1
.
24
2
5

Los resultados de mostrados son las estimativas del vector de parmetros

verdadero .

Previsor de Y :

56 50
5
Y

X1
X 2 2.3 2.1X 1 0.2 X 2
24 24
24

32

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Para X 1 7

y X 2 30 entonces

Y 10.7 estimativa de la renta media con 7 aos de estudios y 30 aos de edad.

previsin de la renta de un individuo con 7 aos de estudios, 30 aos de
edad.

33

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

IX. COEFICIENTE DE DETERMINACIN - SUMAS DE CUADRADOS

La variabilidad de los modelos de regresin lineal se mide a travs de las sumas de
cuadrados definidas como sigue:
DEFINICIONES
1.- SUMA DE CUADRADOS DEL TOTAL (SCT)
Es la varianza muestral de la variable endgena multiplicada por n. Es una medida del
tamao de las fluctuaciones de dicha variable alrededor de su valor medio. La SCT es
la suma que el modelo economtrico pretende explicar.
2.- SUMA DE CUADRADOS DE LA REGRESIN (SCR)
Es el grado de fluctuacin de la variable estimada Y alrededor del promedio Y , donde

Y es la variable generada por el modelo para representar a Y . Es el nivel de

fluctuacin de la variable Y que el modelo es capaz de explicar. Llamada tambin
Suma de Cuadrados Explicada.
3.- SUMA DE CUADRADOS DEL RESIDUAL (SCE)
Es un indicador del nivel de error del modelo en su intento de explicar Y .

Ejemplo 6: En el caso biviariado, la suma explicada es el grado de fluctuaciones de la

variable Yi que el modelo pretende explicar.
Y

Regresin Muestral

Yi
(Yi Yi )

Yi

(Yi Y )

(Yi Y )

34

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

(1) Sumas de Cuadrados para modelos con intercepto

Para un modelo con intercepto Y X ,

1
1
X

X 11

X 21

X n1

X 1k
X 2 k

X nk

0

.
1


k

SCT SCR SCE

donde
n
11'

2
SCT Yi Y Y' I
Y

i 1

(forma cuadrtica)

11'
2

SCR Yi Y Y' X(X' X) 1 X'

Y
n

i 1

(forma cuadrtica)

SCE Yi Yi Y' I X(X' X) 1 X' Y

n

(forma cuadrtica)

i 1

Y
i 1

2
2
Yi Y Yi Yi
n

i 1

i 1

Interpretacin

Y Y Y Y Y Y
n

i 1

Fi j o, no depende del
modelo. Puede v erse
como la suma de
cuadrados del resduo
Y
del modelo Y

i 1

i 1

Cuanto mayor, mayor es

la diferencia entre Y Y
y

Y 0 1 X1 k X k

Reduccin en la suma de
cuadrados del resduo con
la introduccin de

X 1 , X 2 , , X

Cuanto menor,
ms motivos para
usar

X 1 , X 2 , , X

en el modelo

35

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

(2) Sumas de Cuadrados para modelos sin intercepto

Para un modelo sin intercepto Y X ,

X 11
X
X 21

X n1

X 1k
X 2 k

X nk

1

k

SCTnc SCRnc SCE

donde
n

SCTnc Yi 2 Y' Y

(forma cuadrtica)

i 1
n

'Y

SCRnc Yi 2 Y

(forma cuadrtica)

i 1

SCE Yi Yi Y' I X(X' X) 1 X' Y

n

(forma cuadrtica)

i 1

consecuentemente
n

Y
i 1

2
Yi 2 Yi Yi
n

i 1

i 1

(3) Coeficiente de determinacin R

En el MRLC Yi 0 1 X i1 k X ik i , en su forma matricial

Y X , es deseable tener alguna medida de que tan bien el modelo de

Regresin realmente se ajusta a las observaciones.

Se quiere responder:
a) Qu tan bien el modelo propuesto, conteniendo las variables explicativas
realmente explican las variaciones en la variable dependiente.
b) Qu tan bien la lnea de regresin estimada se acerca a todas las observaciones
juntas.
Observacin:
El paso (b) no es lo mismo que decir que la lnea de
regresin estimada se acerca a la lnea de regresin
poblacional porque sta ltima nunca es conocida.

36

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

Se define al estadstico de bondad de ajuste del modelo coeficiente de

determinacin como

R2

SCR
SCE
1
SCT
SCT

Y, al coeficiente de correlacin mltiple entre

SCR
SCE
1
SCT
SCT

como:

Valores de R cercanos a 1 indica que el modelo explica cercanamente toda la

variabilidad de la variable dependiente alrededor de su valor.
2
Valores de R cercanos a 0 indica que el modelo se ajusta a los datos pobremente.

Como ilustracin graficamos los casos extremos en el modelo divariado:

Y

2
R
0
Representado por una

R2 1

Cuando todos los puntos de

los datos caen exactamente
en la lnea estimada

l n ea es t i m a d a l l a n a
(pendiente igual a cero).

X
2
Propiedades de R

2
a) R 1
2
b) Si el modelo tiene trmino independiente ( 0 0 ), entonces R se puede

escribir como:

R
2

' X ' Y nY 2
Y ' Y nY

' X ' X nY 2
Y ' Y nY

SCR
)
SCT

c) Si el modelo no tiene trmino independiente ( 0 0 ), entonces

R2

SCRnc
SCE
2
1
y puede tomar valores de 1 R 1 el
SCTnc
SCTnc

exponente al cuadrado es considerado simplemente rotacional).

d) Cuando R 0 , entonces no tiene sentido el trmino
2

R2 .

e) Para R 0 se considera que un modelo se ajusta bien a las observaciones si

2

R 2 es cercano a 1 .

37

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

(4) Problemas al utilizar R

como bondad de ajuste

R 2 es simple de calcular, intuitivo de entender y provee una amplia indicacin del

ajuste del modelo a los datos.
Sin embargo, existen algunos problemas con R
de ajuste.
a) R

al utilizarlo como medida de bondad

es definido en trminos de variacin acerca de la medida de Y tal que si el

2

modelo es reparametrizado y se cambia la variable dependiente, R cambia

aunque el segundo modelo slo sea un reordenamiento del primer modelo con
2
idntica SCR . Por eso, R no es sensible a comparar modelos con diferentes
variables dependientes.

b) R nunca decrece si se agregan ms regresores al modelo aunque aunque la

variable agregada no sea realmente relevante para el modelo. Esta
2

caracterstica de R hace imposible utilizarlo como un determinante de si es

que, dada una variable, debera o no incluirse en el modelo.
c) Para regresiones con series de tiempo, con frecuencia, R
lo menos 0.9 y por lo tanto, R

toma valores de por

no es bueno para discriminar entre stos

2
modelos, ya que la mayora de stos tendrn valores altos de R .

2
(5) Coeficiente de determinancin ajustado R como bondad de ajuste

Para resolver el tem b) de los 3 problemas de R antes mencionados, se suele

tomar en cuenta la falta de grados de libertad asociado con la adicin de variables al
modelo.
El R

o R

ajustado es:

n 1

R 2 1
(1 R 2 )
n k

Si se agrega un regresor extra al modelo, k se incrementa y R

disminuir siempre,

2
excepto en casos cuando R crezca compensatoriamente.

Observacin: No se pueden hacer pruebas

2

estadsticas con R y R
porque sus
distribuciones de probabilidad no estn disponibles.

38

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

(6) Coeficiente de correlacin

Es una medida de asociacin entre dos variables

Poblacional
Muestral
n

Cov( X , Y )

2
X

(X

i 1

(X

2
Y

i 1

X )(Yi Y )

X)

(Y
i 1

n 1
donde r

Y )2

n 1

0 r 1

R2

Propiedades
a) Es simtrica pues rXY rYX .
b) Si X y Y son estadsticamente independientes, el coeficiente de correlacin es
cero.
c) Si r 0 , eso no implica independencia entre las variables.
d) r R
es una medida de asociacin lineal, es decir, mide la asociacin
lineal entre dos variables.
e) A r tambin se le denomina coeficiente de correlacin de orden cero.
2

(7) Coeficiente de correlacin de orden

Por orden se entiende el nmero de ndices secundarios, por ejemplo:

r12.4

Coeficiente de correlacin de orden 1

r12.34

r12.345

r12

As,

r12.34

( de primer orden).

es el coeficiente de correlacin entre X 1 y X 2 manteniendo

constantes X 3 y X 4 .
De forma similar se interpretan los dems coeficientes de orden m .

39

Magen Infante

Econometra I VERANO - 2014-III

EPIES-FIECS Msc. Magen Infante

(8) Coeficiente de correlacin parcial

Las correlaciones parciales son los coeficientes de correlacin de primer orden, por
ejemplo:

r12.3
r13.2

r12 r13r23
2
(1 r132 )(1 r23
)

r23.1

r23 r12r13
2
2
(1 r12
)(1 r13
)

r13 r12r23
2
2
(1 r12
)(1 r23
)

IX. INFERENCIA ACERCA DE LOS ESTIMADORES EN EL MRLC

40

Magen Infante