Professional Documents
Culture Documents
1 Introduccin
Con frecuencia, nos encontramos en economa con modelos en los que el
comportamiento de una variable, Y, se puede explicar a travs de una variable X;
lo que representamos mediante
Y = f (X ) (1)
Si consideramos que la relacin f, que liga Y con X, es lineal, entonces (1)
se puede escribir as:
Yt = 1 + 2 X t (2)
Como quiera que las relaciones del tipo anterior raramente son exactas,
sino que ms bien son aproximaciones en las que se han omitido muchas variables
de importancia secundaria, debemos incluir un trmino de perturbacin aleatoria,
ut , que refleja todos los factores distintos de X -que influyen sobre la variable
endgena, pero que ninguno de ellos es relevante individualmente. Con ello, la
relacin quedara de la siguiente forma:
Yt = 1 + 2 X t + ut (3)
La expresin anterior refleja una relacin lineal, y en ella slo figura una
nica variable explicativa, recibiendo el nombre de relacin lineal simple. El
calificativo de simple se debe a que solamente hay una variable explicativa.
Supongamos ahora que disponemos de T observaciones de la variable Y
( Y1 , Y2 , , YT ) y de las correspondientes observaciones de X ( X 1 , X 2 , , X T ). Si
hacemos extensiva (3) a la relacin entre observaciones, tendremos el siguiente
conjunto de T ecuaciones:
Y1 = 1 + 2 X 1 + u1
Y2 = 1 + 2 X 2 + u2
(4)
YT = 1 + 2 X T + uT
El sistema de ecuaciones (4) se puede escribir abreviadamente de la forma
siguiente:
Yt = 1 + 2 X t + ut t = 1, 2, , T (5)
I-1
El objetivo principal de la regresin es la determinacin o estimacin de
1 y 2 a partir de la informacin contenida en las observaciones de que
disponemos. Esta estimacin se puede llevar a cabo mediante diversos
procedimientos. A continuacin se analizan en detalle algunos de los mtodos
posibles.
Interesa, en primer lugar, realizar una aproximacin intuitiva a diferentes
criterios de ajuste. Para ello se utiliza la representacin grfica de las
observaciones ( X t , Yt ), con t = 1, 2,..., T. Si la relacin lineal de dependencia
entre Y y X fuera exacta, las observaciones se situaran a lo largo de una recta
(vase la figura 1). En ese caso, las estimaciones ms adecuadas de 1 y 2 de
hecho, los verdaderos valores seran, respectivamente, la ordenada en el origen
y la pendiente de dicha recta.
Figura 1
Yt = 1 + 2 X t (6)
I-2
ut = Yt Yt = Yt 1 2 X t (7)
Teniendo en cuenta el concepto de residuo se analizan a continuacin
diversos criterios de ajuste.
Figura 2
u
t =1
t (8)
Y2 Y1 Y Y
= 3 1 .
X 2 X1 X 3 X1
Si se ajusta una recta que pase por los tres puntos, cada uno de los residuos
tomar el valor cero, de forma que
T
u
t =1
t =0
3
u = 0 haciendo girar en cualquier sentido la recta si dejamos fijo ( X 2 , Y2 ),
t =1 t
I-3
que, para cualquier conjunto de observaciones, existen infinitas rectas que lo
satisfacen. Otra forma de evitar la compensacin de residuos positivos con
negativos consiste en tomar los valores absolutos de los residuos. En este caso se
minimizara la siguiente expresin:
u
t =1
t (9)
Figura 3
T
S = ut2 (10)
t =1
I-4
2. Obtencin de los estimadores mnimo-cuadrticos
A continuacin se expone el proceso para la obtencin por mnimos
cuadrados de los estimadores 1 y 2 . El objetivo es minimizar la suma de los
cuadrados de los residuos (S). Para ello, en primer lugar expresamos S en funcin
de los estimadores 1 y 2 :
T
S = (Yt 1 2 X t ) 2 (11)
t =1
S T
= 2 (Yt 1 2 X t )
1 t =1
S T
= 2 (Yt 1 2 X t )X t (12)
1 t =1
T
2 (Yt 1 2 X t )X t = 0 (13)
t =1
Y
t =1
t = 1T + 2 X t
t =1
T T T
Y X
t =1
t t = 1 X t + 2 X t2
t =1 t =1
(14)
(Y Y )( X
t t X)
2 = t =1
T (15)
( X t X )2
t =1
I-5
Resolucin del sistema de ecuaciones (14)
Y = 1 + 2 X (16)
donde
T T
Yt X t
Y = t =1
X= t =1
T T
De acuerdo con la anterior expresin se obtiene
1 = Y 2 X (17)
Y X
t =1
t t = (Y 2 X ) X t + 2 X t2
t =1 t =1
(18)
X2 X X
T T T T
t =1
Yt X t Y
t =1
X t = 2
t =1
t
t =1
t
Por otra parte,
T T
(Y Y )( X
t =1
t t X ) = (Yt X t XYt YX t + YX )
t =1
T T T
= Yt X t Y X t X Yt + TYX =
t =1 t =1 t =1
T T
(19)
= Yt X t Y X t XTY + TYX
t =1 t =1
T T
= Yt X t Y X t
t =1 t =1
T T
(X
t =1
t X ) 2 = (X t2 2 XX t + X 2 )
t =1
T T T T T
= X t2 2 X X t + TX 2 = X t2 2 X X t + X X t (20)
t =1 t =1 t =1 t =1 t =1
T T
= X t2 X X t
t =1 t =1
( X X )2
T T
t =1
(Yt Y )( X t X ) = 2
t =1
t
(21)
I-6
A su vez 1 se obtiene a travs de la relacin (17). Es decir,
1 = Y 2 X (22)
Dividiendo numerador y denominador (15) por T se tiene que
(Y Y )( X
t =1
t t X)
T cov( X , Y )
2 = T
= (23)
var( X )
(X
t =1
t X) 2
T
De acuerdo con (23), la estimacin de 2 se obtiene dividiendo la
covarianza muestral de X e Y por la varianza muestral de X. Dado que la varianza
de X no puede ser negativa, el signo de 2 ser el mismo que el de la covarianza
muestral de X e Y.
u
t =1
t =0 (24)
Demostracin.
Por definicin de residuo
ut = Yt Yt = Yt 1 2 X t t = 1, 2, ,T (25)
Si sumamos para las T observaciones, se obtiene:
T T T T T
ut = Yt Yt = Yt 1T 2 X t
t =1 t =1 t =1 t =1 t =1
(26)
I-7
T T
Y
t =1
t = T 1 + 2 X t
t =1
(27)
T T
Y = Y
t =1
t
t =1
t (28)
Y = Y (29)
2. La recta de regresin pasa necesariamente por el punto ( Y , X ).
Demostracin.
En efecto, dividiendo por T la ecuacin (27) se obtiene:
Y = 1 + 2 X (30)
3. La suma de los productos cruzados entre la variable explicativa y los residuos
es igual a 0, es decir,
u X
t =1
t t =0 (31)
Demostracin.
En efecto,
T T
u X = (Y
t =1
t t
t =1
t 1 2 X t )X t = 0
u Y = 0
t =1
t t (32)
Demostracin.
En efecto, si se tiene en cuenta (17) resulta que
I-8
T T T T
u Y = u (
t =1
t t
t =1
t 1 + 2 X t ) = 1 ut + 2 ut X t = 0
t =1 t =1
Yt = Yt + ut (33)
Restando a ambos miembros Y , se tiene que
Yt Y = Yt Y + ut (34)
Si elevamos al cuadrado ambos miembros se obtiene que
(Y Y )
2 2
t = (Yt Y ) + ut (35)
es decir,
(Y Y ) = (Y Y ) ( )
2 2
t t + ut2 2ut Yt Y (36)
( ) ( )
T T T T
(Yt Y ) = Yt Y
2
+ ut2 2 ut Yt Y
2
(37)
t =1 t =1 t =1 t =1
Ahora bien, puede verse que el tercer trmino del segundo miembro de
(37) es
I-9
( )
T T T
2 ut Yt Y = 2 utYt 2Y ut = 0 (38)
t =1 t =1 t =1
( )
T T T
(Yt Y ) = Yt Y
2
+ ut2
2
(39)
t =1 t =1 t =1
( ) u
T T T
(Yt Y )
2 2
Yt Y 2
t
t =1
= t =1
+ t =1
(40)
T T T
Por lo tanto, la varianza total de la variable endgena se descompone en
dos partes: varianza explicada por la regresin o varianza de los valores
ajustados1 y varianza residual. Es decir,
(Y Y ) t
2
R2 = t =1
T (41)
(Y Y )
t =1
t
2
1
El primer trmino del segundo miembro de (40) es la varianza de Yt , ya que, de acuerdo con
I-10
T
u 2
t
R2 = 1 T
t =1
(42)
(Yt Y )2
t =1
Yt = 1 + 2 X t + ut (43)
La relacin entre el regresando, los regresores y la perturbacin aleatoria
es lineal. El regresando y los regresores pueden ser cualquier funcin de la
variable endgena o de las variables predeterminadas, respectivamente, siempre
que entre regresando y regresores se mantenga una relacin lineal, es decir, el
modelo sea lineal en los parmetros. El carcter aditivo de la perturbacin
aleatoria garantiza su relacin lineal con el resto de los elementos.
E (ut ) = 0 t = 1, 2, , T (44)
Se adopta aqu el supuesto de que los efectos individuales de las variables
incluidas en el trmino de perturbacin tienden a compensarse por trmino medio.
En cualquier caso, aun suponiendo que los efectos individuales no se
compensasen exactamente y, por tanto, su valor esperado fuese distinto de cero,
dicho valor podra ser acumulado en el trmino constante del modelo de
regresin, con lo cual se podra mantener esta hiptesis sin ningn problema. Por
esta razn, si el modelo tiene trmino constante, es imposible deslindar a
posteriori la parte estrictamente correspondiente al coeficiente independiente del
modelo, de la parte proveniente de la media de la perturbacin aleatoria del
modelo. As, pues, sta seria una hiptesis no contrastable empricamente.
b) Las perturbaciones aleatorias son homoscedsticas
E (ut2 ) = 2 t = 1, 2, , T (45)
I-11
Esta hiptesis indica que todas las perturbaciones aleatorias tienen la
misma varianza. Es decir, la varianza de las perturbaciones aleatorias del modelo
es constante y, por tanto, independiente del tiempo o de los valores de las
variables predeterminadas. Dicha hiptesis es contrastable empricamente
mediante diversos contrastes estadsticos basados en los residuos mnimo-
cuadrticos. Asimismo, hay que sealar que, en determinadas situaciones, esta
hiptesis resulta poco plausible, sobre todo cuando se trabaja con datos de corte
transversal, es decir, con observaciones sobre diferentes unidades muestrales
referidas a un mismo momento del tiempo. Si no se cumple esta hiptesis, se dice
que las perturbaciones son heteroscedsticas.
c) Las perturbaciones aleatorias con distintos subndices son independientes
entre s.
E (ut us ) = 0 ts (46)
Es decir, las perturbaciones correspondientes a distintos momentos del
tiempo o a distintas unidades muestrales no estn correlacionadas entre si. Este
supuesto, al igual que el anterior, es contrastable a posteriori. La transgresin del
mismo se produce con bastante frecuencia en los modelos en los que se utilizan
datos de series temporales, es decir, observaciones realizadas a intervalos
regulares de tiempo.
d) La perturbacin aleatoria tiene una distribucin normal multivariante
Dado que la perturbacin aleatoria recoge un conjunto amplio de
variables, omitidas del modelo de regresin, que son independientes entre si y
tambin del conjunto de regresores, por el teorema central del limite se puede
suponer que el vector de perturbaciones aleatorias tiene una distribucin normal
multivariante.
Las cuatro hiptesis formuladas sobre las perturbaciones aleatorias se
pueden expresar de forma conjunta como
ut ~ NID(0, 2 ) (47)
donde NID indica que son normales e independientes.
I-12
obtienen utilizando este supuesto se mantendran prcticamente idnticos si
supusiramos que los regresores son estocsticos, siempre que introdujramos el
supuesto adicional de independencia entre los regresores y la perturbacin
aleatoria. Este supuesto alternativo se puede formular as:
a*) La variable X se distribuye independientemente de la perturbacin aleatoria
En desarrollos posteriores se adoptar el supuesto de que se cumple la
hiptesis a).
b) El regresor X no contiene errores de observacin o de medida
sta es una hiptesis que raramente se cumple en la prctica, ya que los
instrumentos de medicin en economa son escasamente fiables (pinsese en la
multitud de errores que es posible cometer en una recogida de informacin,
mediante encuesta, sobre los presupuestos familiares). Aunque es difcil encontrar
instrumentos para contrastar esta hiptesis, la naturaleza del problema y, sobre
todo, la procedencia de los datos utilizados pueden ofrecer evidencia favorable o
desfavorable a la hiptesis enunciada.
I-13
generados por una distribucin normal con media 0 y varianza 2 , tambin
desconocida.
As pues, el investigador no observa directamente el proceso de
generacin de datos, sino los resultados finales de este proceso, es decir, los
valores observados de Y: Y1,Y2,...,YT. Precisamente, aplicando el mtodo de
mnimos cuadrados (a estos datos y a los datos de la variable explicativa), lo que
se persigue es realizar estimaciones de los parmetros del modelo ( 1 , 2 y 2 ),
que son desconocidos para el investigador.
Con objeto de comprender mejor el proceso que acabamos de describir, es
conveniente invertir los papeles, generando el propio investigador los valores que
toma la variable endgena. Cuando se generan los datos de forma artificial, se
dice que se est realizando un experimento de Montecarlo. Este nombre proviene
del famoso casino de la Costa Azul debido a que en estos experimentos se
realizan extracciones de nmeros aleatorios, lo que en definitiva es anlogo al
resultado del lanzamiento de una bola en la ruleta de un casino.
En la realizacin de un experimento de Montecarlo se parte del supuesto
de que es conocido tanto el mecanismo de generacin de datos, como los valores
de los parmetros2.
( X t X )(Yt Y ) ( X t X )Yt ( X t X )Y
2 = t =1
T
= t =1
T
t =1
(X
t =1
t X )2 (X
t =1
t X )2
(X t X )Yt
= t =1
T (48)
(X
t =1
t X) 2
2
En Econometra Aplicada (pginas 60 a 66) puede verse como se generan nmeros aleatorios
uniformes y normales mediante rutinas informticas. Por otra parte, en las pginas 149 a 153 (caso
3.11) se realiza un experimento de Montecarlo con una hipottica funcin de consumo.
I-14
T T
T
(X
t =1
t X )Y = Y ( X t X ) = Y X t TX = Y [ TX TX ] = 0
t =1
t =1
Denominando
(X t X )
T
= ct
(X
t =1
t X) 2
T
2 = ct Yt (49)
t =1
c
t =1
t =0 (50)
c X
t =1
t t =1 (51)
En efecto,
T T
T (Xt X ) X t TX
TX TX
c t = t =1
T
= T
t =1
= T
=0
t =1
(X
t =1
t X) 2
(X
t =1
t X) 2
(X
t =1
t X) 2
T T T
T (X t X )Xt (X t X )( X t X ) (X t X )2
c X t t = t =1
T
= t =1
T
= t =1
T
=1
t =1
(X
t =1
t X) 2
(X
t =1
t X) 2
(X t =1
t X) 2
T
2 = ct ( 1 + 2 X t + ut )
t =1
I-15
T T T T
= 1 ct + 2 ct X t + ct ut = 2 + ct ut (52)
t =1 t =1 t =1 t =1
1 = Y 2 X = 1 + 2 X + u 2 X = 1 + u X ( 2 2 )
1 T T
= 1 +
T t =1
ut X ct ut
t =1
(53)
I-16
CUADRO 1 Resultados Exp. 1
Desviacin tpica de las perturbaciones: Constante ( = 1)
Desviacin tpica de la muestra de RENDIS: Constante ( SRENDIS = 2.905)
Nm. Desviaciones Desviaciones
muestra tpicas tericas tpicas estimadas
1 2 R2
1 2 1 2
26
24
22
CONS1
20
18
16
14
16 18 20 22 24 26
RENDIS
Figura 4. Recta de regresin terica (trazo continuo) y estimada en la muestra 1 del Exp. 1
(trazo discontinuo)
I-17
concretamente, y de forma analtica, si se verifica esta propiedad en los
estimadores 1 y 2 . Tomando esperanza matemtica en (52) y (53), y teniendo
en cuenta la hiptesis 2a), se obtiene que
T
T
E ( 2 ) = E 2 + ct ut = E ( 2 ) + ct E (ut ) = 2 (56)
t =1 t =1
1 T T
1 T T
E ( 1 ) = E 1 + ut X ct ut = E ( 1 ) + E (ut ) X ct E (ut ) =1 (57)
T t =1 t =1 T t =1 t =1
1j
1 = j =1
= 1,803
10
I-18
10
2j
2 = j =1
= 0,858
10
Los sesgos que se obtienen para estos valores medios son los siguientes:
2
E ( 2 2 ) 2 = 2 = T (58)
( X t X )2
2
t =1
(X t X )2
S x2 = t =1
(59)
T
la varianza de 2 se puede expresar del siguiente modo
2
E ( 2 2 ) 2 = 2 = (60)
2
TS x2
I-19
Demostracin de (58)
De acuerdo con (52) se tiene que
T
2 2 = ct ut
t =1
T T
= E ct2ut2 + ct ct ut ut = ct2 E (ut2 ) + ct ct E (ut ut )
t =1 t t t =1 t t
T (X t X )2
2
= 2
c 2
t = 2 t =1
2
= T
T 2
t =1
( X t X ) (X t X )2
t =1 t =1
1 X 2 2 X2
E ( 1 1 ) 2 = 2 =2 + T = 1 + 2 (61)
T 2 T Sx
1
(Xt X )
t =1
Por otra parte, puede demostrarse que los estimadores mnimo cuadrticos,
son estimadores ptimos, es decir, son los que tiene menor varianza dentro de la
clase de estimadores lineales e insesgados. Por ello, suele decirse de los
estimadores mnimo-cuadrticos que son ELIO (Estimadores Lineales Insesgados
y ptimos).
De acuerdo con (60) y (61) las desviaciones tpicas de los estimadores
vendrn dadas por
= (62)
2
T Sx
I-20
1 X2
= 1 + (63)
1
T S x2
u 2
t
2 = t =1
(64)
T 2
A la desviacin tpica estimada de la perturbacin ( ) se le suele conocer
tambin con la denominacin de error tpico de regresin.
Si en las varianzas tericas de los estimadores (expresiones (60) y (61)) se
sustituye la varianza de las perturbaciones por el estimador (64), se obtienen las
varianzas estimadas de los estimadores:
2
2 = (65)
2
TS x2
2 X2
2 = 1 + (66)
1
T S x2
Anlogamente, las desviaciones tpicas estimadas de los estimadores
vendrn dadas por
= (67)
2
T Sx
1 X2
= 1 + (68)
1
T S x2
I-21
EJEMPLO (continuacin) Estimacin de la funcin de consumo con series simuladas
En el cuadro 1 se recogen tambin los resultados obtenidos en las 10 muestras
del Exp. 1 para , y .
1 2
Con objeto de ver la influencia que tienen y SRENDIS en las desviaciones de los
estimadores, hemos realizado los experimentos 2 y 3.
En el experimento 2 se utiliza el mismo modelo que en el experimento 1 pero la
varianza de la perturbaciones utilizada ha sido distinta en cada una de las muestras. En
concreto, en las 5 muestras generadas, segn puede verse en el cuadro 2, se han asignado
a de forma sucesiva los valores 1, 2 3, 4 y 5. Como puede observarse, excepto en el
caso de que =1, los estimadores obtenidos estn muy alejados de los valores de los
parmetros. Se comprueba tambin que segn va creciendo , lo va haciendo tambin su
estimador, aunque, como es previsible, de una forma menos uniforme que el parmetro.
En la figura 5 se ha representado la recta de regresin verdadera y la
correspondiente a estimacin con la muestra 5, donde =5. Como puede comprobarse
estn muy alejadas entre s ambas rectas.
En el experimento 3 se utiliza el mismo modelo que en el experimento 1 y
tambin la misma la varianza de la perturbaciones. Sin embargo hemos utilizado 5
muestras distintas de la variable X. Las 5 muestras se caracterizan por tener la misma
media (21,4), pero una desviacin tpica muestral de X variable, con valores que oscilan,
segn puede verse en el cuadro 3, entre 2,905 de la muestra 1 (igual que en el
experimento 1) y 0,290 de la muestra 5. Como puede observarse, las desviaciones tpicas
de los estimadores crecen de forma drstica a medida que disminuye la desviacin tpica
muestral de la variable explicativa.
I-22
34
31
28
25
CONS5
22
19
16
13
10
7
16 18 20 22 24 26
RENDIS
I-23
CUADRO 4 Resultados Exp. 3
Desviacin tpica de las perturbaciones: Constante ( = 1)
Desviacin tpica de la muestra de RENDIS: Variable
Desviaciones Desviaciones
tpicas tericas tpicas tericas
Nm
muestra
1 2 S RENDIS R2
1 2 1 2
1 2.213 0.867 2.905 2.3509 0.1019 0.8966 2.1077 0.0996 0.9080
34
31
28
25
CONS5
22
19
16
13
10
7
16 18 20 22 24 26
RENDIS5
I-24
7 Principios generales del Contraste de hiptesis
El contraste de hiptesis permite realizar inferencias acerca de parmetros
poblacionales utilizando datos provenientes de una muestra. Para realizar
contrastes de hiptesis en estadstica, en general, hay que realizar los siguientes
pasos:
1) Establecer una hiptesis nula y una hiptesis alternativa relativas a los
parmetros de la poblacin.
2) Construir un estadstico para contrastar las hiptesis formuladas.
3) Definir una regla de decisin para determinar si la hiptesis nula debe
ser, o no, rechazada en funcin del valor que tome el estadstico construido.
H 0 : i = i* (69)
donde i* es un valor prefijado por el investigador.
2 N 2 , (71)
T Sx
I-25
1 X2
1 N 1 , 1 + (72)
T S x2
o alternativamente, si tipificamos, tendremos que
2 2
N (0,1) (73)
T Sx
1 1
N (0,1) (74)
1 X2
1+
T S x2
2 2*
N (0,1) (75)
T Sx
El problema que se nos plantea es que no se puede calcular el estadstico
anterior porque no se conoce cuando trabajamos con datos reales. Cuando se
sustituye por su estimador , entonces el estadstico anterior se distribuye
como una t con T-k grados de libertad, es decir,
2 2*
tT k (76)
T Sx
La dispersin de una t de Student es mayor que en una N(0,1), aunque la
dispersin va disminuyendo a medida que aumentan los grados de libertad,
verificndose que:
tn
n
N (0,1) (77)
As pues, cuando el nmero de grados de libertad de una t de Student
tiende hacia infinito converge hacia una distribucin N(0,1). En el contexto del
contraste de hiptesis, si crece el tamao de la muestra, tambin lo harn los
grados de libertad. Esto implica que para tamaos grandes (por ejemplo, para
muestras con un tamao superior a 60) se puede utilizar, de forma prcticamente
I-26
equivalente, la distribucin normal para contrastar hiptesis, an cuando no se
conozca la varianza poblacional.
Conviene recordar que una t con n grados de libertad tiene la siguiente
relacin con una F de 1 grado de libertad en el numerador y n grados de libertad
en el denominador:
t n = F1,n (78)
Una variable F toma siempre valores positivos, mientras que una variable
t, que tiene una funcin de densidad simtrica, puede tomar valores positivos y
negativos. Obsrvese que a cada valor de una F le corresponden dos valores (uno
positivo y otro negativo) en una t. La distribucin del estadstico utilizado en el
contraste incorpora la H0, es decir, se construye bajo el cumplimiento de la
hiptesis nula.
3
Vase pgina 157 y siguientes de Econometra Aplicada
I-27