Semana 1:

● La econometría se encarga de usar modelos de regresión para estimar las curvas de demanda
● Este mismo concepto usa matemática financiera, álgebra, matrices, regresiones entre otros.
● Se componen de la siguiente fórmula Y= B0 + B1X1 + B2X2 … BNXN + u
● Lo que se usa para la regresión es el Beta, las X y Y son valores que ya se deberían tener
● Siempre existen realidades diferentes y mientras más variables existan más cercano a la
realidad se hará el modelo.
● Se usan ciertos instrumentos para determinar las variables claves.
● El modelo de regresión se preocupa de preguntas concretas para dar números concretos.
● Existe una relación directa mejor calidad de preguntas, mejor calidad de resultados.
● Existe agarrar muestras en serie de tiempo (medir a un individuo en el tiempo), de corte
transversal (muchos individuos en un momento) y de panel de datos (muchos individuos en el
tiempo)
● Las variables Y se les llama endógenas y a las variables X se les conoce como exógenas
● Dentro de la ecuación se dividen en las determinísticas (X) y las aleatorias (el error, Y)
● Y= f(X;B) + u
● No confundir regresión (como la variable X explica la variable Y) con correlación (relación
que existe entre dos variables)
● El término regresión espúrea hace alusión a que pese a que dos variables tienen tendencias
similares no están relacionadas

Semana 2:
● El análisis de regresión como se dijo en la semana anterior es la relación de las variables
dependientes e independientes.
● Recordemos que una expresión clásica lineal es Y= B0+B1X1 + u
● La pendiente o B1 se calcula como: Variación de Y/ Variación de X
● El intercepto o B0 se calcula Y Promedio - (B1*X1)
● En el caso de los errores lineales la suma total debería resultar 0
● Con esos dos podrías armar tu curva de regresión lineal
● En caso exista error (u) este se calcula simplemente como: Y - Y Promedio
● La linealidad de los parámetros es dada por los Betas, no los X.
● Los errores existen por lo siguiente: La especificación del modelo, la aleatoriedad humana,
exponencialidad del modelo, no contar con todas las variables existentes.
● Entender que en realidad lo que uno calcula es una muestra no la población ya que es
imposible sacar una regresión poblacional exacta.
● Existen dos formas de calcular los Betas con Mínimos Cuadrados Ordinarios (MCO) o
Matrices
● La fórmula inicial de MCO es que el B0= Y Promedio - B1* X Promedio
● Finalizando la ecuación es igual a Beta = E(Y- Y Promedio) * (X- X Promedio) / E(X - X
Promedio)^2 o dicho de otra manera COV (Y;X)/ VAR (X)
● Se usa MCO porque es más fácil obtener las fórmulas estimadoras.
● El otro método matricial usa el concepto de álgebra matricial. Recordar que el concepto
mismo se usa filas x columnas para entenderlo. La fórmula es Y(nx1) = X(nxk) * B(kx1) +
u(nx1)
● Resultado al final que el matricial es B = (X´* X)^-1 * (X´*Y)
● En la metodología econométrica existen 8 pasos: 1. Planteamiento de la teoría o de la
hipótesis. 2. Especificación del modelo matemático de la teoría. 3. Especificación del modelo
 econométrico y estadístico de la teoría. 4. Obtención de datos. 5. Estimación de los
parámetros del modelo econométrico. 6. Pruebas de hipótesis. 7. Pronóstico o predicción. 8.
Utilización del modelo para fines de control o de políticas.

Semana 3:
● Existen 10 supuestos del modelo de regresión lineal.
● #1: El modelo de regresión lineal es en los parámetros o betas, quiere decir que la linealidad
del modelo es determinada por estos mismos y no por el X.
● #2: Los valores de X son fijos en muestreo repetido. Es decir, que haciendo varios muestreos
es probable que pueda volver a sacar los mismos valores de la caja y llegará un punto en el
que todas mis muestras han sido tomadas.
● #3: El valor medio de la perturbación del error es 0, quiere decir que los errores suman 0
● #4: Homoscedasticidad o igual varianza del error, quiere decir que tienen una similar
distribución en los errores
● #5: No existe autocorrelación entre perturbaciones, es decir no hay relación causal entre
errores todos son independientes.
● #6: La covarianza entre el error y X es 0, ya que no están correlacionadas entre sí, sino no
permitiría aislar el efecto de X y el error sobre Y.
● #7: El número de observaciones N debe ser mayor que el número de parámetros a estimar o
dicho de otro modo el número de Y debería ser mayor que el número de variables explicativas
(n>k)
● #8: Existe variabilidad en los valores de X, es decir el valor de X no puede ser igual en todos
los casos, de lo contrario el modelo carecería de variabilidad y utilidad.
● #9: El modelo de regresión está correctamente especificado, es decir no hay sesgo de
especificación (todos los x´s son relevantes al modelo)
● #10: No existe multicolinealidad perfecta, es decir no hay relación perfectamente lineal entre
variables explicativas X o en dado caso no puede haber correlación de 1 o -1.

Semana 4:
● Las matrices son útiles para poder demostrar cómo se calcula los betas desde el inicio con
álgebra matricial, los resultados son los betas ordenados desde el B0 hasta el Bfinal.
● El objetivo de la regresión es graficar un modelo que permita saber qué va a pasar en el futuro
con la variable que deseo predecir.
● Recordemos que según teoría el MCO es el mejor modelo lineal para acercarnos a la realidad
poblacional donde MCO = Min E(u)^2.
● Esto mismo se demuestra con el teorema de Gauss que explica el porqué el modelo es mejor
que el resto en regresión lineal siempre y cuando se cumplan tres condiciones: Linealidad,
Insesgadez, Varianza mínima.
● #1: Linealidad: Indica que el modelo es lineal en sus componentes constantes (X,B) y existe
un aleatorio (Y,u).
● #2: Insesgadez: Cuando calculo el B tiende a apuntar a ser el valor real del parámetro
poblacional, siempre y cuando se asuma que haya linealidad de parámetros y que los errores
sumen 0.
● #3: Varianza mínima: La varianza es lo ancho de la distribución de los valores estimados de
Beta a comparación del real, queriendo demostrar que el método MCO es aquel que genera un
menor ancho que el resto. Esto se demuestra con lo siguiente: Var(B) es menor porque el
Var(otro B) tiene que sumarse un error que siempre da positivo.