Econometría I

Unidad 1 – Introducción a la Econometría

| Modelo de Regresión Lineal Simple

Oscar Manuel Mendoza Vargas, MBA, Econ.

Resultado de
Aprendizaje 1
Comprende el objeto y método de la Econometría para la
construcción de especificaciones econométricos.
Especifica y estima modelos de regresión lineal simple usando
adecuadamente la teoría económica y el programa EViews.
Definición, objeto
y métodos de la
econometría
Capítulo 1
¿Qué es la econometría?
¿Qué es la econometría?

Hay varios aspectos del enfoque cuantitativo de la economía que podrían considerarse,
pero, ninguno de ellos tomado por sí solo, debe confundirse con la econometría. Por
tanto, la econometría no es en modo alguno lo mismo que las estadísticas económicas.
Tampoco es idéntica a lo que llamamos teoría económica general, aunque una parte
considerable de esta teoría tiene un carácter definitivamente cuantitativo. La
econometría tampoco debería considerarse sinónimo de la aplicación de las
matemáticas a la economía. La experiencia ha demostrado que cada uno de estos tres
puntos de vista, el de la estadística, la teoría económica y las matemáticas, es una
condición necesaria, pero no suficiente para definir econometría, para una
comprensión real de las relaciones cuantitativas en la vida económica moderna, la
unión de los tres eso es lo poderoso; y es esta unificación la que constituye la
econometría (Frisch, 1933, págs. 1-2).
¿Qué es la econometría?

• Según Hansen (2022) la econometría es la unificación del estudio de los modelos

económicos, las matemáticas, la estadística y la información económica. Por lo
tanto, la teoría econométrica se concentra en el desarrollo de herramientas y
métodos, así como el estudio de las propiedades de los métodos econométricos. Por
su parte, la econometría aplicada describe el desarrollo de modelos económicos
cuantitativos y la aplicación de métodos econométricos para ser utilizados con
información económica.
• Según Wooldridge (2020) la econometría se basa en el desarrollo de métodos
estadísticos para estimar relaciones económicas, probar teorías económicas,
evaluar e implementar políticas gubernamentales y empresariales. Los métodos
econométricos se pueden utilizar para pronosticar indicadores, evaluar efectos de
políticas, analizar información económica no experimental, explicar en
retrospectiva fenómenos económicos o realizar experimentos económicos.
¿Qué es The Econometric
Society?
Los enfoques econométricos
El enfoque probabilístico (Haalvelmo, 1944): Los modelos económicos cuantitativos deben
necesariamente ser modelos probabilísticos, dado que los modelos determinísticos son
inconsistentes con la información económica. Los modelos económicos deben diseñarse de manera
explícita para incorporar aleatoriedad con el propósito de estimar y conducir inferencia estadística.
El enfoque estructural (Hansen, 2022): Los modelos económicos tienen que especificarse, por lo
tanto, el análisis cuantitativo asume que el modelo está correctamente especificado. Este enfoque
conlleva al análisis basado en verosimilitud, máxima verosimilitud y la estimación bayesiana.

El enfoque cuasi estructural (Hansen, 2022): Los modelos económicos tienen que ser una
abstracción útil o buena aproximación de la realidad. Esta teoría desarrolla los conceptos de
valores seudo reales, funciones de cuasi verosimilitud, estimación de cuasi máxima verosimilitud
e inferencia de cuasi verosimilitud.
El enfoque de calibración (Hansen, 2022): Interpreta los modelos estructurales como una
aproximación de la realidad; por lo tanto, selecciona los parámetros para emparejarse con el
modelo y la información económica utilizando métodos no estadísticos adjuntos.
 • Datos de sección cruzada: la información sobre la variable de interés
hace referencia a unidades individuales medidas en un momento en el
tiempo.
• El orden de las unidades no es relevante.
• Las unidades pueden ser personas, empresas, países, activos de
una empresa, activos de una cartera de inversión, etc.
Clasificación • Series temporales: la información de la variable de interés está
ordenada temporalmente.
de los datos • Frecuencia de los datos: anual, semestral, trimestral, mensual,
diaria, cada hora, cada minuto, etc.
económicos • Ejemplos: El PIB, las tasas de interés, las ventas empresariales,
los precios de los activos financieros, etc.
• Datos de panel: la información sobre las unidades individuales se ha
medido a lo largo del tiempo (dos o más veces)
• Combinan la dimensión temporal con el corte transversal.
• Ejemplo: departamentos del Perú entre 1992 y 2020, rentabilidad
de los activos de una cartera en los últimos 10 años, etc.
• Tipología: Sección cruzada de panel y datos longitudinales o
de panel.
 • Datos conglomerados: Este tipo de base de datos se ha popularizado
en econometría aplicada y tienen relación con los datos de panel.
• La información está agrupada en conglomerados que son
tratados como mutuamente independientes, aunque exista
dependencia dentro del conglomerado.
• El muestreo por conglomerados no modela de manera explícita
Clasificación los errores de la estructura de componentes, la dependencia entre
conglomerados, más bien se preocupa por que la inferencia sea
de los datos robusta para diferentes formas de correlación al interior del
conglomerado.
económicos • Datos espaciales: es otra manera de modelar la interdependencia,
también relacionada con datos de panel. Las observaciones se
consideran como mutuamente dependientes de acuerdo a una medida
espacial, por ejemplo, proximidad geográfica.
• A diferencia que los conglomerados, los modelos espaciales sí
permiten la interdependencia entre observaciones y se basan en el
modelamiento de dichas relaciones de dependencia.
• La interdependencia espacial puede ser vista como una
generalización de la dependencia de series de tiempo.
Tabla 1.1
Ejemplo de datos de sección transversal sobre salarios y otras características individuales de trabajadores

Fuente: Wooldridge (2020, pág. 6). Referencia del archivo [Link]

Tabla 1.2
Ejemplo de datos de sección transversal sobre tasas de crecimiento y características de países

Fuente: Wooldridge (2020, pág. 7) al citar de De Long y Summers (1991)

Tabla 1.3
Puerto Rico: Ejemplo de series de tiempo sobre salarios, desempleo e información relacionada

Fuente: Wooldridge (2020, pág. 7) al citar de Castillo Freeman y Freeman (1992)

Tabla 1.4
Ejemplo de datos de sección cruzada de panel para dos años de precios de vivienda

Fuente: Wooldridge (2020, pág. 7) Referencia del archivo [Link]

Tabla 1.5
Ejemplo de datos longitudinales o de panel sobre estadísticas del crimen

Fuente: Wooldridge (2020, pág. 7) Referencia del archivo [Link]

 Tipos de datos para el tratamiento de la información
económica

• Información cuantitativa: conocido como escalar. Los datos establecen un valor numérico para cada
unidad y/o periodo de tiempo.
• Ejemplo: el precio de los activos en euros, las ventas de las empresas en soles, etc.
• Información cualitativa: los datos informan sobre una cualidad o una elección.
• Datos nominales: Hacen referencia a cualidades o atributos donde el orden es irrelevante (hombre-
mujer, sí-no, auto-bus-combi)
• Datos ordinales: Hace referencia a cualidades o atributos donde el orden es relevante (malo-
regular-bueno, ligero-mediano-pesado, etc)
• En ocasiones la información cualitativa se convierte en números (1 = malo, 2 = regular, 3 = bueno)
• Datos binarios: conocidos también como variables instrumentales o dummy (0 = No, 1 = Sí)
 Transformación de datos

• En el curso asumiremos que los datos de interés (variable Y) están directamente disponibles.
• En la práctica, el profesional obtiene los datos en bruto de una fuente de información y los transforma para realizar
el análisis empírico.
• Frecuentemente se tiene que calcular ratios

𝑋 = 𝑏𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜 𝑑𝑒 𝑙𝑎 𝑒𝑚𝑝𝑟𝑒𝑠𝑎 𝑊 = 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑎𝑐𝑐𝑖𝑜𝑛𝑒𝑠

𝑋
𝑌= = 𝐵𝑒𝑛𝑒𝑓𝑖𝑐𝑖𝑜 𝑝𝑜𝑟 𝑎𝑐𝑐𝑖ó𝑛 1.1
𝑊
• Muchos datos informan sobre el nivel de una variable: precio de una acción o un bien, ventas, PIB, etc.
• Podemos estar interesados en cómo combina esa variable en el tiempo, por ejemplo, la tasa de crecimiento.
• Otras transformaciones pueden ser necesarias según el contexto: deflactación de variables, estimación de
rentabilidad, transformación per cápita, índices, entre otras
¿Cómo analizar la
información?
• Para cualquier análisis empírico, resulta crucial ofrecer un resumen
relevante de los datos.
• Los datos originales (cientos de observaciones) no son informativos por sí
mismos.
• Se suele utilizar tablas y figuras para presentar información de forma útil.
• La econometría desarrolla métodos por los cuales la información de los
datos se resume de manera informativa.
 -
100,00
120,00
140,00
160,00
180,00
200,00

20,00
40,00
60,00
80,00
Ene-97
Jun-97
Nov-97
Abr-98
Set-98
Feb-99
Jul-99
Dic-99

Fuente: Mendoza Vargas (2019)

May-00
Oct-00
Mar-01
ordenan cronológicamente.

Ago-01
Ene-02
Jun-02
Nov-02
Abr-03
Set-03
Feb-04
Jul-04
Dic-04
May-05
Oct-05
Mar-06
Ago-06
Ene-07
Jun-07
Nov-07
Abr-08
Set-08
Feb-09
Jul-09
Dic-09
May-10
Oct-10
Annualised Social Risk in Basic Points

Mar-11
Ago-11
Ene-12
Jun-12
Nov-12
Abr-13
Set-13
Feb-14
Jul-14
Dic-14
May-15
Gráficos de series temporales

Oct-15
Mar-16
Ago-16
Ene-17
Jun-17
Nov-17
Abr-18
Set-18
La forma más simple de representar la evolución de una serie temporal es un gráfico de líneas, donde los datos se

Feb-19
Jul-19
Dic-19
 Histograma de la calificación del nivel de confianza del
empresariado cajamarquino en el gobierno nacional
30,0%
μ

Histogramas 25,0%

20,0%

• Con datos de sección cruzada, un

gráfico de líneas no es informativo
15,0%
debido a que el orden no importa.
• Se puede representar la distribución de
distintas categorías de valores: 10,0%

• Elegir intervalo de valores.

• Calcular las frecuencias 5,0%
muestrales de cada intervalo.
• Realizar un gráfico de barras
sobre la frecuencia de cada 0,0%
intervalo 1 2 3 4 5 6 7 8 9 10
Fuente: Cámara de Comercio y Producción de Cajamarca y Recursos
SAC (2022)
Gráfico de
dispersión
• Muchas veces el investigador
está interesado en analizar
relaciones entre dos variables.
• Para explorar se suele utilizar
gráficos de dispersión.

Fuente: Mendoza Vargas (2021)

 • Medidas de tendencia central:
• Media – Mediana – Moda – Suma
• Valores percentiles:
• Cuartiles – Quintiles – deciles –
percentiles.
Estadísticos • Medidas de dispersión:
descriptivos • Máximo – Mínimo – Rango – Varianza –
Desviación estándar – Media de los
errores al cuadrado – Coeficiente de
dispersión
• Medidas de distribución:
• Asimetría - Curtosis
Estadísticos
descriptivos

Fuente: Mendoza Vargas (2021)

 • Es una propiedad que relaciona dos variables.
• No obstante, con frecuencia se requiere trabajar
con varias variables. Para estas situaciones, los
modelos de regresión son los más adecuados.
Correlación • Se puede calcular correlaciones para cada par
entre de variables, que se representan en la matriz de
correlaciones.
variables • Limitación 1: Si tenemos muchas variables pueden
ser muchas correlaciones.
• Limitación 2: Se desconoce si la relación entre las
variables de análisis es directo o indirecta (por medio
de una tercera)
Dos maneras de presentar los resultados del análisis de
correlación de variables

Correlaciones emparejadas Matriz de correlaciones

Fuente: Mendoza Vargas (2021)

 Causalidad directa y causalidad indirecta
• Causalidad directa o inmediata: • Causalidad indirecta o intermediada:
• Una variable influye real e • La relación aparente entre dos variables se
independientemente sobre otra. debe a una tercera que sí tiene efecto
• Un cambio en una variable provoca sobre ambas.
necesariamente un cambio en la otra, sin • Ejemplo: La inversión genera que haya
interferencia de otras variables. mayores ventas y por lo tanto que
• Ejemplo: El incremento de la temperatura aumente el empleo.
genera un incremento en las ventas de
helados.

• Una correlación debida a una causalidad directa siempre puede usarse para predecir.
• El sentido común, los razonamientos y la teoría económica nos debe ayudar a establecer si una
correlación puede interpretarse como una relación de causalidad.
Caricaturizando la correlación y la causalidad
El concepto de ceteris paribus
• El concepto de ceteris paribus, para la econometría, implica que otros factores relevantes
permanecen igual. Por lo tanto, mantener los otros factores constantes es crítico para el
análisis econométrico (Wooldridge, 2020).
• Ejemplos:
• Al analizar la demanda del consumidor por un bien, interesa conocer el efecto de los
cambios en el precio dicho bien en la cantidad demanda, consecuentemente, debemos
mantener como constante los otros factores como los ingresos, el precio de los bienes
relacionados y los gustos y preferencias.
• Al analizar el entrenamiento laboral en una empresa, interesa conocer el efecto de una
semana adicional de entrenamiento en los salarios de los trabajadores; y mantener otros
factores constantes como los años de educación o de experiencia.
• En la práctica, el arte de la econometría implica considerar la cantidad suficiente de otros
factores que se mantienen constantes para demostrar relaciones de causalidad.
 Replicabilidad
• La investigación económica necesita estar documentada y ser replicable.
• Para la investigación se requiere utilizar datos observacionales, para ello es conveniente aplicar
métodos de documentación y archivo de dato, detallar las manipulaciones realizadas y la codificación.
• Las buenas prácticas involucran que la publicación de artículos científicos implica que los autores
tengan que acompañar un paquete completo para replicabilidad:
• Un conjunto de archivos con los datos.
• Documentación de los procedimientos.
• Un programa con los códigos o archivo de codificación, llamado sintaxis.
• Este paquete debe contener:
• La fuente de los datos o la información en bruto para analizar.
• Los códigos para realizar el análisis empírico.
• Otros procedimientos matemáticos utilizados en el artículo.
• Estos paquetes se suelen colocar en la página web del autor o en la página web de la revista.
Organización
de Información
para Base de
Datos
Preliminares para la
práctica
Definición de base de
datos
• Programa capaz de almacenar gran cantidad de datos,
relacionados y estructurados, que pueden ser consultados
rápidamente de acuerdo con las características selectivas
que se deseen.
• Conjunto de datos pertenecientes a un mismo contexto y
almacenados sistemáticamente para su posterior uso. En
este sentido; una biblioteca puede considerarse una base de
datos compuesta en su mayoría por documentos y textos
impresos en papel e indexados para su consulta.
• Sistema de almacenamiento de datos y que los conecta en
una unidad lógica junto a los metadatos necesarios para su
procesamiento.
• Las bases de datos son instrumentos de gran utilidad para
gestionar grandes ficheros y facilitar la consulta de
información.
 • Llamados también datos de corte transversal de una población de
estudio.
• Tipo de datos recopilados mediante la observación de muchos
sujetos (como individuos, empresas, países o regiones) al mismo
tiempo, o sin tener en cuenta las diferencias en el tiempo.

Datos • El análisis de los datos transversales suele consistir en comparar las

diferencias entre los sujetos.

Transversales • Ejemplo:
• Los niveles actuales de obesidad en una población, se podría
o de Sección tomar al azar una muestra de 1,000 personas de esa población
(también conocida como una sección transversal de esa
población)
Cruzada • Se mide su peso y estatura, y se calcula qué porcentaje de esa
muestra está clasificado como obeso.
• Esta muestra transversal nos proporciona una instantánea de
esa población, en ese momento. Nótese que se desconoce, al
basarse en una muestra transversal, si la obesidad está
aumentando o disminuyendo; solo puede describirse la
proporción actual.
 CODOB VAR1 VAR2 VAR3 …
Organización 1 X1,1 X2,1 X3,1
de Datos 2 X1,2 X2,2 X3,2
Transversales 3 X1,3 X2,3 X3,3
4 X1,4 X2,4 X3,4
5 X1,5 X2,5 X3,5
6 X1,6 X2,6 X3,6
7 X1,7 X2,7 X3,7
8 X1,8 X2,8 X3,8
9 X1,9 X2,9 X3,9
 • Secuencia de datos u observaciones, medidos en determinados
momentos y ordenados cronológicamente. Visualmente, es una
curva que evoluciona en el tiempo.
• Conjunto de observaciones sobre los valores que toma una
variable (cuantitativa) a través del tiempo.
• Datos estadísticos que se recopilan, observan o registran en
Series de intervalos de tiempo regulares (diario, semanal, semestral,
anual, entre otros).
tiempo • El término serie de tiempo se aplica por ejemplo a datos
registrados en forma periódica.
• Por ejemplo:
• Las ventas anuales totales de almacenes.
• El valor trimestral total de contratos de construcción
otorgados.
• El valor trimestral del PIB.
 PERIOD VAR1 VAR2 VAR3 …
Organización 2011 X1,11 X2,11 X3,11
de Series de 2012 X1,12 X2,12 X3,12
Tiempo 2013 X1,13 X2,13 X3,13
2014 X1,14 X2,14 X3,14
2015 X1,15 X2,15 X3,15
2016 X1,16 X2,16 X3,16
2017 X1,17 X2,17 X3,17
2018 X1,18 X2,18 X3,18
2019 X1,19 X2,19 X3,19
 • Llamados también datos de panel.
• Tipo de datos recopilados mediante la observación de muchos
sujetos (como individuos, empresas, países o regiones) en dos
momentos de tiempo, o en diferentes momentos del tiempo.
• Las personas o sujetos se miden de manera repetida durante un
período de años, en ocasiones durante décadas o incluso siglos,
en investigaciones científicas que requieren el manejo de datos
Datos estadísticos acerca de varias generaciones consecutivas de
progenitores y descendientes.

Longitudinales • Ejemplo:
• Los niveles actuales de obesidad en una población, se

o de Panel podría tomar al azar una muestra de 1,000 personas de esa

población a la que se evalúa cada tres meses por un periodo
de 20 años
• Se mide su peso y estatura, y se calcula qué porcentaje de
esa muestra está clasificado como obeso y la evolución
durante el tiempo.
• Permite analizar la tendencia de la obesidad y si esta se
transmite de generación en generación.
 COBOB YEAR VAR1 VAR2 VAR3 …
1 2017 X2017,1,1 X2017,2,1 X2017,3,1
1 2018 X2018,1,1 X2018,2,1 X2018,3,1
Organización 1 2019 X2019,1,1 X2019,2,1 X2019,3,1
de datos 2 2017 X2017,1,2 X2017,2,2 X2017,3,2
longitudinales 2 2018 X2018,1,2 X2018,2,2 X2018,3,2
2 2019 X2019,1,2 X2019,2,2 X2019,3,2
• La estructura de 3 2017 X2017,1,3 X2017,2,3 X2017,3,3
organización, cuando se
quiere analizar la 3 2018 X2018,1,3 X2018,2,3 X2018,3,3
evolución por individuos y
su tendencia
3 2019 X2019,1,3 X2019,2,3 X2019,3,3
4 2017 X2017,1,4 X2017,2,4 X2017,3,4
4 2018 X2018,1,4 X2018,2,4 X2018,3,4
4 2019 X2019,1,4 X2019,2,4 X2019,3,4
5 2017 X2017,1,5 X2017,2,5 X2017,3,5
… …
 YEAR COBOB VAR1 VAR2 VAR3 …
2017 1 X2017,1,1 X2017,2,1 X2017,3,1
2017 2 X2017,1,2 X2017,2,2 X2017,3,2
Organización
2017 3 X2017,1,3 X2017,2,3 X2017,3,3
de datos 2017 4 X2017,1,4 X2017,2,4 X2017,3,4
longitudinales 2017 5 X2017,1,5 X2017,2,5 X2017,3,5
2018 1 X2018,1,1 X2018,2,1 X2018,3,1
• La estructura de 2018 2 X2018,1,2 X2018,2,2 X2018,3,2
organización cuando se
quiere analizar solamente 2018 3 X2018,1,3 X2018,2,3 X2018,3,3
la tendencia grupal
2018 4 X2018,1,4 X2018,2,4 X2018,3,4
2019 1 X2019,1,1 X2019,2,1 X2019,3,1
2019 2 X2019,1,2 X2019,2,2 X2019,3,2
2019 3 X2019,1,3 X2019,2,3 X2019,3,3
2019 4 X2019,1,4 X2019,2,4 X2019,3,4
… …
El modelamiento
econométrico
Capítulo 2
¿Qué es un modelo económico?

• Herramienta que permiten simplificar la relación entre variables que explican el

funcionamiento de la economía.
• Descripción simplificada de la realidad, concebido para ofrecer hipótesis sobre conductas
económicas que pueden comprobarse.
• En términos generales su diseño se caracteriza por incorporar, necesariamente, cierta
subjetividad, ya que no existen mediciones objetivas de los resultados económicos.
• Consecuentemente se requiere:
• Desarrollar supuestos simplificadores.
• Definir las relaciones entre agentes y su comportamiento.
• Demostrar empíricamente.
¿En qué consiste en análisis
económico empírico?
• Se orienta a demostrar o verificar una teoría económica, es
decir, comprobar la relación entre agentes y su
comportamiento.
• El análisis económico empírico tiene implicancias para
tomar decisiones económicas o para el análisis político.
• Utiliza datos para probar la teoría o estimar las relaciones
económicas.
• Procedimiento:
• Paso 1: Formular correctamente la (s) pregunta (s) de
interés.
• Paso 2: Construir las relaciones matemáticas del modelo
económico que describen la relación entre agentes y su
comportamiento.
• Paso 3: Recolectar datos para probar la pregunta de interés.
• Paso 4: Aplicar métodos econométricos adecuados para la
verificación.
• Paso 5: Concluir contrastando los resultados del paso 4 con
la teoría del paso 2.
 Preguntas Económicas
Cuestiones de Interés para Aplicar Econometría

¿Reducir la cantidad de estudiantes por aula

mejora el resultado de aprendizaje en la
educación básica cajamarquina?

¿Hay discriminación étnica en el mercado de

préstamos hipotecarios en el Perú?

¿El incremento en el gasto de bolsillo en salud

mejora los indicadores de resultados del
sistema de salud peruano?

¿En cuánto creceré el producto interno bruto

del Perú en el año 2024?
El modelo general de maximización de la utilidad
• Se asume un agente económico cuya utilidad (no observable) depende de la
cantidad de bienes que consume:

max 𝑣 = 𝑣(𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∀ 𝑖 ∈ {1, … , 𝑛}

𝑥𝑖
(2.1)
𝑠. 𝑎. 𝑀 = 𝑝1 𝑥1 + 𝑝2 𝑥2 + ⋯ + 𝑝𝑛 𝑥𝑛
• Donde:
• 𝑣: Es la función de utilidad del agente económico.
• 𝑥𝑖 : Cantidad consumida del 𝑖-ésimo bien disponible de una canasta compuesta
por 𝑛 bienes.
• 𝑀: Es el ingreso monetario del agente económico en un momento del tiempo.
• 𝑝𝑖 : Precio del 𝑖-ésimo bien.
El modelo de criminalidad de Becker (1992)
• Es una extensión de la teoría general de la utilidad.
• Asume un agente económico cuya utilidad se aproxima por la cantidad de horas
que ocupa en la criminalidad:
𝑦 = 𝑦(𝑥1 , 𝑥2 , 𝑥3 , 𝑥4 , 𝑥5 , 𝑥6 , 𝑥7 ) (2.2)
• Donde:
• 𝑦: Cantidad de horas que se emplean en actividades criminales.
• 𝑥1 : Ingreso monetario por cada hora de criminalidad.
• 𝑥2 : Ingreso monetario por cada hora de trabajo en actividades legales.
• 𝑥3 : Ingreso monetario de otras actividades diferentes a la criminalidad y el
empleo legal.
• 𝑥4 : Probabilidad de ser atrapado.
• 𝑥5 : Probabilidad de ser condenado en caso de ser atrapado.
• 𝑥6 : Sentencia esperada en caso de ser condenado.
• 𝑥7 : Edad del agente.
El modelo de productividad laboral de Mincer (1974)
• Es una extensión de la teoría general del capital humano.
• Asume un agente económico cuya productividad (no observable) se aproxima por
el salario que recibe de su actividad laboral:
𝑤𝑎𝑔𝑒 = 𝑓(𝑒𝑑𝑢𝑐, 𝑒𝑥𝑝𝑒𝑟, 𝑡𝑟𝑎𝑖𝑛) (2.3)
• Donde:
• 𝑤: Salario por hora del agente económico.
• 𝑒𝑑𝑢𝑐: Años de educación formal del agente económico.
• 𝑒𝑥𝑝𝑒𝑟: Años de experiencia en la actividad del agente económico.
• 𝑡𝑟𝑎𝑖𝑛: Horas de entrenamiento recibidas por el agente económico.
El arte del econometrista es
encontrar una especificación
para probar la teoría
económica
Especificación econométrica para el modelo general de
maximización de la utilidad asumiendo dos bienes
ln 𝑣 = 𝛼1 ln 𝑥1 + 𝛼2 ln 𝑥2 + 𝛼3 ln 𝑀 − 𝛼4 ln 𝑝1 − 𝛼5 ln 𝑝2 + 𝑢 (2.4)

• Donde:
• ln 𝑣: Es el cambio porcentual en la utilidad del agente económico.
• ln 𝑥𝑖 ∀ 𝑖 ∈ {1,2}: El cambio porcentual en la cantidad consumida del 𝑖-ésimo
bien disponible de una canasta compuesta por 2 bienes.
• ln 𝑀: El cambio porcentual en el ingreso monetario del agente económico.
• ln 𝑝𝑖 ∀ 𝑖 ∈ {1,2}: El cambio porcentual en el recio del 𝑖-ésimo bien.
• 𝑢: El cambio porcentual en otros factores no contemplados que afectan la
utilidad del agente económico.
Especificación econométrica para el modelo de criminalidad de
Becker (1992)
𝑐𝑟𝑖𝑚𝑒
= 𝛽0 + 𝛽1 𝑤𝑎𝑔𝑒 + 𝛽2 𝑜𝑡ℎ𝑖𝑛𝑐 + 𝛽3 𝑓𝑟𝑒𝑞𝑎𝑟𝑟 + 𝛽4 𝑓𝑟𝑒𝑞𝑐𝑜𝑛 (2.5)
+ 𝛽5 𝑎𝑣𝑔𝑠𝑒𝑛 + 𝛽6 𝑎𝑔𝑒 + 𝑢
• Donde:
• 𝑐𝑟𝑖𝑚𝑒: Tasa de criminalidad en un ámbito geográfico.
• 𝑤𝑎𝑔𝑒: Ingreso que puede obtenerse por emplearse en actividades legales.
• 𝑜𝑡ℎ𝑖𝑛𝑐: Ingreso de otras actividades diferentes a la criminalidad y el empleo
legal.
• 𝑓𝑟𝑒𝑞𝑎𝑟𝑟: Frecuencia de arrestos en un ámbito geográfico.
• 𝑓𝑟𝑒𝑞𝑐𝑜𝑛: Frecuencia de condenas por actividades criminales.
• 𝑎𝑣𝑔𝑠𝑒𝑛: Años de sentencia promedio de las actividades criminales.
• 𝑎𝑔𝑒: Edad promedio de los agentes criminales.
• 𝑢: Influencia de otros factores que afectan a la tasa de criminalidad.
Especificación econométrica para el modelo de
productividad laboral de Mincer (1974)
𝑤𝑎𝑔𝑒 = 𝛽0 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝛽2 𝑒𝑥𝑝𝑒𝑟 + 𝛽3 𝑡𝑟𝑎𝑖𝑛 + 𝑢 (2.6)

• Donde:
• 𝑤: Salario por hora del agente económico.
• 𝑒𝑑𝑢𝑐: Años de educación formal del agente económico.
• 𝑒𝑥𝑝𝑒𝑟: Años de experiencia en la actividad del agente económico.
• 𝑡𝑟𝑎𝑖𝑛: Horas de entrenamiento recibidas por el agente económico.
• 𝑢: Influencia de otros factores que afectan la productividad del agente
económico.
Elementos de una especificación econométrica
ln 𝑣 = 𝛼1 ln 𝑥1 + 𝛼2 ln 𝑥2 + 𝛼3 ln 𝑀 − 𝛼4 ln 𝑝1 − 𝛼5 ln 𝑝2 + 𝑢 (2.4)
𝑐𝑟𝑖𝑚𝑒
= 𝛽0 + 𝛽1 𝑤𝑎𝑔𝑒 + 𝛽2 𝑜𝑡ℎ𝑖𝑛𝑐 + 𝛽3 𝑓𝑟𝑒𝑞𝑎𝑟𝑟 + 𝛽4 𝑓𝑟𝑒𝑞𝑐𝑜𝑛 + 𝛽5 𝑎𝑣𝑔𝑠𝑒𝑛 + 𝛽6 𝑎𝑔𝑒 (2.5)
+𝑢
𝑤𝑎𝑔𝑒 = 𝛽0 + 𝛽1 𝑒𝑑𝑢𝑐 + 𝛽2 𝑒𝑥𝑝𝑒𝑟 + 𝛽3 𝑡𝑟𝑎𝑖𝑛 + 𝑢 (2.6)

• 𝑛𝑎𝑟𝑎𝑛𝑗𝑎: Variable dependiente, explicada, de respuesta, predicha o regresada.

• 𝑎𝑧𝑢𝑙: Variable independiente, explicativa, control, predictor o regresor.
• 𝑣𝑒𝑟𝑑𝑒: Parámetro de regresión.
• 𝑎𝑚𝑎𝑟𝑖𝑙𝑙𝑜: Término de perturbación o de error.
El modelo de regresión
simple (SLM)
Capítulo 3
El modelo de regresión lineal
• Partimos de la pregunta económica del capítulo anterior: ¿Reducir la cantidad de
estudiantes por aula mejora el resultado de aprendizaje en la educación básica
cajamarquina?
• Utilizaremos la notación estadística 𝐸(𝑌|𝑋 = 𝑥) que denota que la media de 𝒀 está
condicionada al valor de 𝑿 cuando toma el valor de 𝒙.
• Consecuentemente se requiere modelar la relación para la pregunta de interés:
𝐸 𝑇𝑒𝑠𝑡𝑆𝑐𝑜𝑟𝑒 𝐶𝑙𝑎𝑠𝑠𝑆𝑖𝑧𝑒 = 𝛽0 + 𝛽𝐶𝑙𝑎𝑠𝑠𝑆𝑖𝑧𝑒 𝐶𝑙𝑎𝑠𝑠𝑆𝑖𝑧𝑒 (3.1)
• Donde:
• 𝑇𝑒𝑠𝑡𝑆𝑐𝑜𝑟𝑒: Es el promedio académico de la clase.
• 𝐶𝑙𝑎𝑠𝑠𝑆𝑖𝑧𝑒: Es el tamaño de la clase medida por el número de estudiantes por docente.
• 𝛽0 : Es el promedio académico de la clase que no depende del tamaño.
• 𝛽𝐶𝑙𝑎𝑠𝑠𝑆𝑖𝑧𝑒 : Es el parámetro o pendiente poblacional que determina los puntos
académicos en el promedio de la clase relacionado con su tamaño.
El modelo de regresión lineal
• La ecuación (3.1) nos dice que, en términos generales, el promedio académico de una
clase en el departamento de Cajamarca depende específicamente del tamaño de la clase.
• Se entiende que para las UGEL que tienen un mismo promedio académico se espera que
los tamaños de las clases sean similares.
• Sin embargo, en muchas circunstancias los promedios y los tamaños de las clases pueden
diferir. Por lo tanto, los pronósticos no serán exactos; consecuentemente se debe
contemplar la siguiente corrección:
𝐸 𝑇𝑒𝑠𝑡𝑆𝑐𝑜𝑟𝑒 𝐶𝑙𝑎𝑠𝑠𝑆𝑖𝑧𝑒 = 𝛽0 + 𝛽𝐶𝑙𝑎𝑠𝑠𝑆𝑖𝑧𝑒 𝐶𝑙𝑎𝑠𝑠𝑆𝑖𝑧𝑒 + 𝑒𝑟𝑟𝑜𝑟 (3.2)
• Donde:
• 𝑒𝑟𝑟𝑜𝑟: representa el término de error que contempla las diferencias entre los valores
observados y los pronósticos dados por el modelo teórico.
El modelo de regresión lineal
• La ecuación (3.2) se focaliza en probar una relación específica entre los promedios
académicos y el tamaño de las clases en el departamento de Cajamarca. Sin embargo, esta
se puede generalizar.
• Hacemos 𝑌𝑖 el promedio académico de la 𝑖-ésima UGEL del departamento de Cajamarca;
además 𝑋𝑖 corresponde al tamaño promedio de la clase en la 𝑖-ésima UGEL del
departamento de Cajamarca.
• Consecuentemente la ecuación (3.1) se puede reescribir como 𝐸 𝑌𝑖 𝑋𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 Lo
cual implica que la ecuación (3.2) se puede reescribir como:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋𝑖 + 𝑢𝑖 (3.3)
• Donde:
• 𝑖: corresponde a la 𝑖-ésima observación al nivel de UGEL del departamento de
Cajamarca.
• 𝛽0 : es el intercepto de la línea de regresión.
• 𝛽1 : es la pendiente de la línea de regresión.
El modelo de regresión lineal
• La ecuación (3.3) se conoce como:
• Modelo de regresión lineal con un regresor.
• Función de regresión poblacional.
• Línea de regresión poblacional.
• 𝛽0 y 𝛽1 son los parámetros de regresión poblacional. El intercepto y la pendiente
respectivamente.
Terminología para Regresión Simple
𝒀𝒊 𝑿𝒊
Variable dependiente Variable independiente
Variable explicada Variable explicativa
Variable de respuesta Variable de control
Variable predicha Variable predictora
Regresada Regresor
 Figura 3.1.
Diagrama de
dispersión de la
relación entre
promedios
académicos
relación estudiante-
alumno
Fuente: Stock y Watson (2020, pág. 146)
 Representación gráfica de la relación entre dos variables

Relación lineal positiva Sin relación Relación lineal negativa

 America Latina: Diagrama de dispersión entre PIB por habitante y
tasa de incidencia de la pobreza monetaria

50,0

45,0
Tasa de Pobreza Monetaria

40,0

35,0

30,0

25,0
3 000,00 4 000,00 5 000,00 6 000,00 7 000,00 8 000,00 9 000,00 10 000,00 11 000,00
PIB por habitante
Fuente: Comisión Económica para América Latina (2023)
 Perú: Diagrama de la tasa de variación del PIB y la tasa de variación
de la venta de energía eléctrica

14
Tasa de variación de la venta de energía

12

10

8
eléctrica

0
-2 0 2 4 6 8 10 12 14
-2
Tasa de variación del PIB
Fuente: Banco Central de Reserva del Perú (2023)
El modelo estadístico general: Determinación de los errores estadísticos

𝑌෠𝑖 = 𝛼 + 𝛽𝑋𝑖
El modelo estadístico general: Distribución de los errores estadísticos
El modelo estadístico general: Distribución de probabilidad de la
variable 𝑋𝑖
Supuestos del modelo de regresión lineal simple

• S1: El valor esperado del término de error condicionado a 𝑥𝑖 es cero:

𝐸 𝑢𝑖 |𝑥𝑖 = 0 ∀ 𝑖 ∈ [1, … , 𝑛] (3.4)
• El término de error tiene esperanza matemática igual a cero para todas las
observaciones.
• En promedio la relación entre 𝑌𝑖 y 𝑋𝑖 es exactamente lineal, aunque las observaciones
particulares de los 𝑢𝑖 pueden ser distintas de cero.
• Ausencia de autocorrelación: Las covarianzas del término aleatorio entre dos
observaciones distintas son igual a cero.
𝐶𝑜𝑣 𝑢𝑖 , 𝑢𝑗 = 0 ∀ 𝑖, 𝑗 ∈ 1, … , 𝑛 𝑑𝑎𝑑𝑜 𝑖 ≠ 𝑗 (3.5)
Supuestos del modelo de regresión lineal simple

• S2: 𝑌𝑖 , 𝑋𝑖 ∀ 𝑖 ∈ {1, … , 𝑛} están idéntica e independientemente distribuidas (i.i.d.)

• Normalidad: Las observaciones se distribuyen como una función de probabilidad
normal con media cero y varianza constante:

𝑦ത

• Homocedasticidad o varianza constante:

𝑉𝑎𝑟 𝑌𝑖 = 𝜎𝑌2 ; 𝑉𝑎𝑟 𝑋𝑖 = 𝜎𝑋2 ; ∀ 𝑖 ∈ {1, … , 𝑛} (3.6)
• Las varianzas son constante y conocidas para todas las observaciones. También se
afirma que la varianza es de una misma naturaleza.
 Supuestos del modelo de regresión lineal simple

• S3: Es poco probable que se produzcan grandes

valores atípicos (outliers)
• Los grandes valores atípicos son poco
probables, es decir, matemáticamente precisa el
supuesto que 𝑋 e 𝑌 tienen cuartos momentos
finitos distintos de cero:
0 < 𝐸 𝑋𝑖4 < ∞
(3.7)
0<𝐸 𝑌𝑖4 <∞
• Otra forma de plantear este supuesto es que 𝑋 e
𝑌 tienen curtosis finita.
• El supuesto de curtosis finita se utiliza en
matemáticas y justifica las aproximaciones de
muestras grandes a las distribuciones de las
estadísticas de la prueba MCO.
Fuente: Stock y Watson (2020, pág. 146)
Derivación de los estimadores de mínimos cuadrados
ordinarios (OLS)
• En el siguiente diagrama de dispersión se aprecia que la mayoría de los puntos que
relacionan 𝑌𝑖 y 𝑋𝑖 no pasan por la línea recta.
• Para algunos de ellos se identifica el término de error.
𝑌𝑖

𝑋𝑖
• La forma de obtener una estimación de los parámetros del modelo es por medio del
método de mínimos cuadrados ordinarios (MCO o OLS por sus siglas en el inglés)
• Cada desviación de la recta (error) se calcula como una distancia elevando al cuadrado
cada término de error y se busca matemáticamente minimizarla.
• De la expresión (3.3) se despeja el término de error de manera tal que:
𝑢𝑖 = 𝑌𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 (3.8)
• La distancia está definida como el término de error al cuadrado y la distancia total como
la suma de los errores al cuadrado, SEC, consecuentemente (3.7) en términos de la
distancia total se escribe:
𝑛 𝑛

෍ 𝑢𝑖2 = ෍(𝑌𝑖 − 𝛽0 − 𝛽1 𝑋𝑖 )2 (3.9)

𝑖=1 𝑖=1
• La expresión (3.9) representa una función objetivo por minimizar, que depende de los
parámetros poblacionales, que son desconocidos.
• Dada una muestra de las variables dependiente e independiente, el método de MCO
considera que los valores muestrales permiten obtener buenos estimadores de los
parámetros poblacionales, tal que:
𝑛

𝑆(
ถ ො = ෍(𝑌𝑖 − 𝛽መ0 − 𝛽መ1 𝑋𝑖 )2
𝑢) (3.10)
ෝ
min 𝑢 𝑖=1
• La expresión (3.10) se resuelve como un problema de optimización, donde para encontrar
las condiciones de optimización, se forma un sistema de dos ecuaciones con derivadas
parciales respecto a los estimadores. Este sistema tiene dos incógnitas:
𝑛
𝜕𝑆(𝑢)
ො
= 2 ෍(𝑌𝑖 −𝛽መ0 − 𝛽መ1 𝑋𝑖 ) −1 = 0
𝜕𝛽መ0
𝑖=1
𝑛
𝜕𝑆(𝑢)
ො (3.11)
= 2 ෍(𝑌𝑖 −𝛽መ0 − 𝛽መ1 𝑋𝑖 ) −𝑋𝑖 = 0
𝜕𝛽መ1
𝑖=1

• Distribuyendo las sumatorias y los productos en (3.11) se obtiene lo siguiente:

𝑛 𝑛 𝑛
𝜕𝑆(𝑢)
ො
= −2 ෍ 𝑌𝑖 + 2 ෍ 𝛽መ0 + 2𝛽መ1 ෍ 𝑋𝑖 = 0
𝜕𝛽መ0
𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 (3.12)
𝜕𝑆(𝑢)
ො
= −2 ෍ 𝑌𝑖 𝑋𝑖 + 2 ෍ 𝛽መ0 𝑋𝑖 + 2𝛽መ1 ෍ 𝑋𝑖2 = 0
𝜕𝛽መ1
𝑖=1 𝑖=1 𝑖=1
• Despejando 𝛽መ0 de la primera ecuación en (3.12) se obtiene el siguiente resultado:
𝛽መ0 = 𝑌ത − 𝛽መ1 𝑋ത (3.13)

• Reemplazando 𝛽መ0 de (3.13) en la segunda ecuación de (3.12); y operando se obtiene:

𝑛 𝑛 𝑛

−2 ෍ 𝑌𝑖 𝑋𝑖 + 2 ෍ 𝑌ത − 𝛽መ1 𝑋ത 𝑋𝑖 + 2𝛽መ1 ෍ 𝑋𝑖2 = 0

𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛

− ෍ 𝑌𝑖 𝑋𝑖 + ෍ 𝑌ത − 𝛽መ1 𝑋ത 𝑋𝑖 + 𝛽መ1 ෍ 𝑋𝑖2 = 0

𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛
ത 𝑖 − 𝛽መ1 ෍ 𝑋𝑋
− ෍ 𝑌𝑖 𝑋𝑖 + ෍ 𝑌𝑋 ത 𝑖 + 𝛽መ1 ෍ 𝑋𝑖2 = 0
𝑖=1 𝑖=1 𝑖=1 𝑖=1
𝑛 𝑛 𝑛 𝑛

− ෍ 𝑌𝑖 𝑋𝑖 + 𝑌ത ෍ 𝑋𝑖 + 𝛽መ1 ෍ 𝑋𝑖2 − 𝑋ത ෍ 𝑋𝑖 = 0
𝑖=1 𝑖=1 𝑖=1 𝑖=1
• Despejando 𝛽መ1 de la expresión anterior se obtiene lo siguiente:

σ𝑛𝑖=1 𝑌𝑖 𝑋𝑖 − 𝑌ത σ𝑛𝑖=1 𝑋𝑖 σ𝑛𝑖=1(𝑌𝑖 − 𝑌)(𝑋

ത 𝑖 − 𝑋)ത 𝐶𝑜𝑣(𝑌𝑖 , 𝑋𝑖 )
መ
𝛽1 = 𝑛 = = (3.14)
2 ത 𝑛
σ𝑖=1 𝑋𝑖 − 𝑋 σ𝑖=1 𝑋𝑖 𝑛 ത
σ𝑖=1(𝑋𝑖 − 𝑋) 2 𝑉𝑎𝑟(𝑋𝑖 )

• El modelo de regresión lineal establece lo siguiente:

• 𝑌𝑖 se puede aproximar como una función lineal de 𝑋𝑖 .
• El término de error 𝑢𝑖 es la discrepancia entre la variable observada y el modelo.
• Los estimadores {𝛽መ0 , 𝛽መ1 } permiten proyectar o estimar los valores de la variable
dependiente a partir de valores de la variable explicativa.
• Los errores en el modelo 𝑢𝑖 generan una serie que tiene un comportamiento
determinado.
Nota conceptual sobre las unidades de medida y estimación de los
parámetros del MRLS
• Un economista debe tomar en consideración las unidades de medida de las variables que incorpora en una
especificación econométrica porque estas condicionan la interpretación de los estimadores de MCO:
• Unidades, miles millones.
• Tasas de variación.
• Tanto por uno, porcentaje, puntos básicos.
• También debe considerar las transformaciones lineales que se incorporan en la especificación econométrica para
interpretar los estimadores que se obtienen de la aplicación de MCO.

Variable Variable
Especificación Interpretación
Dependiente Independiente
Nivel-Nivel 𝑌 𝑋 ∆𝑌 = 𝛽1 ∆𝑋
Nivel-Log 𝑌 ln 𝑋 ∆𝑌 = (𝛽1 /100)∆%𝑋
Log-Nivel ln 𝑌 𝑋 ∆%𝑌 = 100𝛽1 ∆𝑋
Log-Log ln 𝑌 ln 𝑋 ∆%𝑌 = 𝛽1 ∆%𝑋
Fuente: Wooldridge (2020, pág. 39)
 Verificación del modelo de
regresión simple (SLM): Bondad
de ajuste, prueba de hipótesis e
intervalos de confianza
Capítulo 4
Ve r i f i c a c i ó n d e l o s S u p u e s t o s d e l M R L S

Verificación ex ante
• Métodos gráficos: Histogramas de distribución (i.i.d),
diagramas de dispersión (valores externos).
• Métodos estadísticos: Estadísticos descriptivos comunes.
• Pruebas estadísticas: Jarque-Bera

Pruebas ex post
• Métodos gráficos: Histograma de distribución y diagramas de
dispersión de los residuos.
• Métodos estadísticos: Estadísticas descriptivas de los residuos.
• Pruebas estadísticas: Significancia conjunta e individual,
homocedasticidad, heterocedasticidad, autocorrelación,
multicolinealidad, bondad de ajuste.
 Supuestos del MRLS
Verificación Ex ante | Histogramas

Final Age Años de antigüedad en la UNC

28 40 80
24
20 30 60
Frequency

Frequency

Frequency
16
20 40
12
8 10 20
4
0 0 0
0 2 4 6 8 10 12 14 16 18 20 20 22 24 26 28 30 32 34 36 2 4 6 8 10 12 14 16 18 20
 Supuestos del MRLS
Verificación Ex ante | Diagramas de Dispersión

36 20

Años de antigüedad en la UNC

32 16

28 12
Age

24 8

20 4

16 0
0 4 8 12 16 20 0 4 8 12 16 20
Final Final
 Supuestos del MRLS
Verificación Ex ante | Estadísticos Descriptivos Comunes
 Supuestos del MRLS
Verificación Ex ante | Prueba de igualdad de medias por Sexo
 Supuestos del MRLS
Verificación Ex ante | Prueba de medias por retiro del curso
 Supuestos del MRLS
Verificación Ex ante | Prueba de medias por inhabilitación del curso
 Supuestos del MRLS
Verificación Ex ante | Prueba de medias por participación en aplazado
 Supuestos del MRLS
Verificación Ex ante | Análisis de correlación
 Estimación del MRLS
Promedio final vs Edad | Promedio final vs Antigüedad en la UNC
Supuesto 1 | Histograma y Prueba Jarque-Bera
Promedio final vs Edad | Promedio final vs Antigüedad en la UNC
14
Seri es : Res i dua l s
12 Sa mpl e 1 133
Obs erva ti ons 133
10
Mea n 5.34e-17
8 Medi a n 0.747065
Ma xi mum 8.823346
6 Mi ni mum -10.79688
Std. Dev. 3.932035
4 Skewnes s -0.415560
Kurtos i s 2.939245
2
Ja rque-Bera 3.848419
0 Proba bi l i ty 0.145991
-10.0 -7.5 -5.0 -2.5 0.0 2.5 5.0 7.5

24
Series: Residuals
Sample 1 133
20
Observations 133

16 Mean 2.34e-16
Median 0.688470
12 Maximum 9.739692
Minimum -9.941160
8 Std. Dev. 3.768949
Skewness -0.318133
4 Kurtosis 3.308424

Jarque-Bera 2.770610
0 Probability 0.250248
-10.0 -7.5 -5.0 -2.5 0.0 2.5 5.0 7.5 10.0
 Supuesto 1 | Gráfico de Residuos
Promedio final vs Edad | Promedio final vs Antigüedad en la UNC
12 12

8 8

4 4

0 0

-4 -4

-8 -8

-12 -12
25 50 75 100 125 25 50 75 100 125

FINAL Residuals FINAL Residuals

3
3
2
2
1
1
0
0
-1
-1
-2
-2
-3
-3 25 50 75 100 125
25 50 75 100 125
Standardized Residuals
Standardized Residuals
Supuesto 1 | Homocedasticidad Prueba de BPG
Promedio final vs Edad | Promedio final vs Antigüedad en la UNC
Supuesto 1 | Homocedasticidad Prueba de White
Promedio final vs Edad | Promedio final vs Antigüedad en la UNC
 Supuesto 2 | Promedio final i.i.d.
Histograma | Prueba Empírica de Normalidad

28
Series: FINAL
24 Sample 1 133
Observations 133
20
Mean 8.885888
16 Median 10.00000
Maximum 18.00000
12 Minimum 0.000000
Std. Dev. 4.276605
8 Skewness -0.589806
Kurtosis 2.804618
4
Jarque-Bera 7.922698
0 Probability 0.019037
0 2 4 6 8 10 12 14 16 18
 Supuesto 2 | Edad del Estudiante i.i.d.
Histograma | Prueba Empírica de Normalidad

35
Series: AGE
30 Sample 1 133
Observations 133
25
Mean 22.91729
20 Median 23.00000
Maximum 35.00000
15 Minimum 20.00000
Std. Dev. 2.567410
10 Skewness 2.141109
Kurtosis 9.720683
5
Jarque-Bera 351.9234
0 Probability 0.000000
20 22 24 26 28 30 32 34
 Supuesto 2 | Antigüedad del Estudiante i.i.d.
Histograma | Prueba Empírica de Normalidad

80
Series: YEARUNC
70 Sample 1 133
Observations 133
60
50 Mean 4.255639
Median 3.000000
40 Maximum 18.00000
Minimum 2.000000
30 Std. Dev. 2.404712
20 Skewness 3.037468
Kurtosis 13.67448
10
Jarque-Bera 835.9572
0 Probability 0.000000
2 4 6 8 10 12 14 16 18
 Supuesto 3 | Valores Extremos – Diagramas de Dispersión
Promedio final vs Edad | Promedio final vs Antigüedad en la UNC

36 20

Años de antigüedad en la UNC

32 16

28 12
Age

24 8

20 4

16 0
0 4 8 12 16 20 0 4 8 12 16 20
Final Final
 Interpretación
MRLS
Los Resultados de Estimación

Criterios de Selección de
Significancia Conjunta Modelos
Estadístico 𝑭 grande. Coeficiente de determinación
Probabilidad del estadístico 𝐹 Significancia Individual Grado de ajustado 𝐀𝐝𝐣 − 𝑹𝟐 el más
pequeña: de Estimadores Autocorrelación grande.
𝑷𝒓𝒐𝒃 𝑭 < 𝟎, 𝟎𝟓 Para explicar el criterio de
Estadísticos 𝒕 de los Estadístico Durbin-Watson información de Akaike 𝑨𝑰𝑪 el
coeficientes grandes. Bondad de Ajuste aproximadamente en 2: más pequeño.
Probabilidades de los 𝟏, 𝟖𝟓 ≤ 𝑫𝑾 ≤ 𝟐, 𝟏𝟓 Para pronosticar el criterio de
estadísticos 𝑡 pequeñas: Coeficiente de determinación Autocorrelación Positiva:
Schwartz 𝑺𝑪 el más pequeño.
𝑷𝒓𝒐𝒃 𝒕 < 𝟎, 𝟎𝟓 𝑹𝟐 alto. 𝑫𝑾 < 𝟏, 𝟖𝟓
Sospechar de 𝑹𝟐 ≈ 𝟏, 𝟎𝟎 Autocorrelación Negativa:
𝑫𝑾 > 𝟐, 𝟏𝟓
 Estimación del MRLS
Promedio final vs Edad | Promedio final vs Antigüedad en la UNC
Modelo de Regresión Lineal
General (MRLG)
Capítulo 5
 • Cuando existen variables omitidas • Ejemplo 1: El promedio
se genera un sesgo en los académico de los cursos de
estimadores de MCO. econometría están
El sesgo por • El efecto causal existente entre 𝑋𝑖 e
correlacionados con el sexo del
estudiante y sus elecciones sobre
𝑌𝑖 está sesgado debido a que existe
variables correlación con alguna variable
retirarse o inhabilitarse.
omitida. • Ejemplo 2: En el transporte
omitidas • Esto se produce debido a dos
urbano de Cajamarca el gasto en
transporte además está
condiciones:
correlacionado con la distancia
• 𝑋𝑖 se encuentra correlacionada entre el hogar y el centro de
con una variable omitida. trabajo.
• La variable omitida es un
• Ejemplo 3: La productividad
determinante de 𝑌𝑖 .
empresarial está correlacionada
con el tipo de actividad
productiva que realiza la
empresa.
• Ejemplo 4: El capital humano es
un determinante de la
productividad empresarial.
Una formulación del sesgo por variables omitidas

• Denotemos la correlación entre 𝑋𝑖 y 𝑢𝑖 como 𝑐𝑜𝑟𝑟 𝑋𝑖 , 𝑢𝑖 = 𝜌𝑋𝑢 .

• Se supone que los S2 y S3 de MCO se mantienen, pero S1 no, esto involucra 𝜌𝑋𝑢 ≠ 0.
• Entonces el estimador de MCO de la expresión (3.14) se debe ajustar a:
1 𝑛
σ𝑖=1 𝑋𝑖 − 𝑋ത 𝑢𝑖
𝛽መ1 = 𝛽1 + 𝑛 (5.1)
1 𝑛 ത 2
σ𝑖=1(𝑋𝑖 − 𝑋)
𝑛
• Tomando en consideración que 𝑋𝑖 e 𝑌𝑖 son i.i.d. y que, además, tienen cuarto momento finito
distinto de cero, se tiene que:
𝑛
1 𝑝
෍ 𝑋𝑖 − 𝑋ത 𝑢𝑖 ՜ 𝑐𝑜𝑣 𝑢𝑖 , 𝑋𝑖 = 𝜌𝑋𝑢 𝜎𝑢 𝜎𝑋 (5.2)
𝑛
𝑖=1
𝑛
1 𝑝
ത
෍(𝑋𝑖 − 𝑋) ՜ 𝜎𝑋2
2
(5.3)
𝑛
𝑖=1
Una formulación del sesgo por variables omitidas

• Sustituyendo los límites para grandes muestras de (5.2) y (5.3) en (5.1) se obtiene la formulación
que mide el sesgo de las variables omitidas en un MRLS:
𝑝 𝜎𝑢
መ
𝛽1 ՜ 𝛽1 + 𝜌𝑋𝑢 (5.4)
𝜎𝑋
• La expresión (5.4) tiene las siguientes implicancias:
𝜎
• En la medida que el tamaño de la muestra aumenta 𝛽መ1 se aproxima a 𝛽1 + 𝜌𝑋𝑢 𝑢 con una alta
𝜎𝑋
probabilidad.
• El sesgo de variables omitidas es un problema porque sin importar el tamaño de la muestra 𝛽መ1 no
converge al verdadero valor del parámetro 𝛽1 .
𝜎𝑢 ෡ 𝟏.
• El término 𝜌𝑋𝑢 se conoce como el sesgo de 𝜷
𝜎𝑋

• Cuán grande o pequeño es el sesgo depende del valor que toma |𝜌𝑋𝑢 |
• El signo de 𝜌𝑋𝑢 permite saber el tipo de correlación que podría tener la variable omitida con 𝑋𝑖 .
La línea de regresión poblacional con dos variables

• Suponga que ahora hay dos variables independientes 𝑋1,𝑖 y 𝑋2,𝑖 que están asociadas con la
variable independiente 𝑌𝑖 , de tal manera que la función lineal poblacional es:
𝐸(𝑌𝑖 |𝑋1,𝑖 = 𝑥1 , 𝑋2,𝑖 = 𝑥2 ) = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 (5.5)
• Donde 𝐸(𝑌𝑖 |𝑋1,𝑖 = 𝑥1 , 𝑋2,𝑖 = 𝑥2 ) es la expectativa condicionada de 𝑌𝑖 cuando los regresores
toman los valores (𝑋1,𝑖 = 𝑥1 , 𝑋2,𝑖 = 𝑥2 )
• 𝛽0 es el intercepto.
• 𝛽1 es el coeficiente de pendiente de 𝑋1 o simplemente el coeficiente de 𝑿𝟏 .
• 𝛽2 es el coeficiente de pendiente de 𝑋2 o simplemente el coeficiente de 𝑿𝟐 .
• La expresión (5.5) también se conoce como línea de regresión poblacional.
• (5.5) proporciona una interpretación diferente de 𝛽1 , que se entiende como la diferencia
pronosticada de 𝒀 entre dos observaciones cuando 𝑿𝟏 cambia en una unidad,
manteniendo constante 𝑿𝟐 ; o controlando por 𝑿𝟐 .
• Supongamos que 𝛽1 compara los pronósticos condicionales de dos observaciones que tienen el
mismo valor de 𝑋2 , pero que los valores de 𝑋1 difieren en ∆𝑋1 .
• De (5.5) se infiere que la primera observación está dada por y = 𝛽0 + 𝛽1 𝑥1 + 𝛽2 𝑥2 , mientras
que la segunda observación está dada por:
𝑦 + ∆𝑌 = 𝛽0 + 𝛽1 (𝑥1 + ∆𝑋1 ) + 𝛽2 𝑥2 (5.6)
• Si sustraemos la primera observación de la segunda obtendremos que ∆𝑌 = 𝛽1 ∆𝑋1 , de donde
se deriva:
Δ𝑌
𝛽1 = ; ∀ 𝑥ҧ2 (5.7)
Δ𝑋1

• La expresión (5.7) se interpreta como el efecto parcial sobre 𝒀 cuando cambia 𝑿𝟏 ,

manteniendo constante 𝑿𝟐 .
• La interpretación de 𝛽0 en un modelo de regresión múltiple es similar al MRLS, es decir es el
valor de 𝑌 cuando 𝑋1 = 𝑋2 = 0. En otras palabras, señala el punto donde inicia la línea de
regresión poblacional.
• La ecuación de regresión poblacional en (5.5) determina una relación entre 𝑌 con 𝑋1 y 𝑋2 . Por
lo tanto, al igual que el caso del MRLS la estimación de 𝑌෠𝑖 por 𝑋1,𝑖 y 𝑋2,𝑖 involucra un término
de error 𝑢𝑖 tal que:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1,𝑖 + 𝛽2 𝑋2,𝑖 + 𝑢𝑖 ; ∀ 𝑖 ∈ {1, … , 𝑛] (5.8)
• La expresión (5.8) se conoce como el modelo de regresión poblacional múltiple con dos
regresores.
• Existe una manera más general de escribir (5.8), tal que:
𝑌𝑖 = 𝛽0 𝑋0,𝑖 + 𝛽1 𝑋1,𝑖 + 𝛽2 𝑋2,𝑖 + 𝑢𝑖 ; ∀ 𝑖 ∈ 1, … , 𝑛 ; 𝑋0,𝑖 = 1 (5.9)
• Esto facilita una mejor interpretación del 𝛽0 como un término constante.
El modelo de regresión múltiple
• El modelo de regresión múltiple está dado por la siguiente expresión:
𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1,𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘,𝑖 + 𝑢𝑖 ; ∀ 𝑖 ∈ {1, … , 𝑛} (5.10)
𝒀 = 𝑿′𝑗,𝑖 𝜷𝑗 + 𝒖𝑖 ; ∀ 𝑖 ∈ 1, … , 𝑛 ; ∀ 𝑗 ∈ {1, … , 𝑘} (5.11)
• Donde:
• 𝑌𝑖 es la 𝑖-ésima observación de 𝑌; 𝑋1,𝑖 , … , 𝑋𝑘,𝑖 son las 𝑖-ésimas observaciones de cada
uno de los 𝑘 regresores; y 𝑢𝑖 es el término de error.
• 𝛽1 es el coeficiente pendiente de 𝑋1 , 𝛽2 es el coeficiente pendiente de 𝑋2 ; y así
sucesivamente hasta el 𝑘-ésimo regresor.
• 𝛽1 es la diferencia esperada en 𝑌𝑖 cuando 𝑋1 cambia en una unidad manteniendo los
demás regresores constantes {𝑥ҧ2 , … , 𝑥ҧ𝑘 }. De manera similar se interpreta cada uno de
los 𝑘-ésimos regresores.
• 𝛽0 es el valor esperado de 𝑌 cuando los 𝑘-ésimos regresores son cero.
• La línea de regresión poblacional que relaciona 𝑌 con 𝑋𝑗 es:
𝐸(𝑌|𝑋1,𝑖 = 𝑥1 , … , 𝑋𝑘,𝑖 = 𝑥𝑘 ) = 𝛽0 + 𝛽1 𝑥1 + ⋯ + 𝛽𝑘 𝑥𝑘 (5.12)
El estimador de MCO en regresión múltiple
• La idea de derivar los estimadores de MCO para una regresión múltiple es la misma que para
el MRLS, es decir, se utiliza una muestra de 𝑛 observaciones para (𝑌, 𝑋𝑗 ), con el propósito de
minimizar la diferencia cuadrada de los errores de estimación.
• Consecuentemente, se requiere seleccionar unos estimadores (𝑏0 , 𝑏1 , … , 𝑏𝑘 ) de manera tal que
σ𝑛𝑖=1(𝑌𝑖 − 𝑏0 − 𝑏𝑖 𝑋𝑖 )2 sea la mínima.
• Estos estimadores se conocen como estimadores de MCO y de denotan por (𝛽መ0 , 𝛽መ1 , … , 𝛽መ𝑘 )
• La suma de los residuos cuadrados de los errores de pronóstico sobre 𝑛 observaciones es:
𝑛 𝑛

෍ 𝑢𝑖2 = ෍(𝑌𝑖 − 𝛽0 − 𝛽1 𝑋1,𝑖 − ⋯ − 𝛽𝑘 𝑋𝑘,𝑖 )2 (5.13)

𝑖=1 𝑖=1
• La expresión (5.13) es una extensión de la expresión (3.9). Por lo tanto, la función objetivo es:
𝑛

𝑆(
ถ ො = ෍(𝑌𝑖 − 𝛽መ0 − 𝛽መ1 𝑋1,𝑖 − ⋯ − 𝛽መ𝑘 𝑋𝑘,𝑖 )2
𝑢) (5.14)
ෝ
min 𝑢 𝑖=1
• La expresión (5.14) genera 𝑘 + 1 condiciones de primer orden para la suma del cuadrado de
los residuos sea mínima, de manera tal que, al tomar derivadas parciales se tiene:
𝑛

−2 ෍(𝑌𝑖 − 𝛽መ0 − 𝛽መ1 𝑋1,𝑖 − ⋯ − 𝛽መ𝑘 𝑋𝑘,𝑖 ) = 0

𝑖=1
𝑛 (5.15)
−2 ෍ 𝑋𝑗,𝑖 𝑌𝑖 − 𝛽መ0 − 𝛽መ1 𝑋1,𝑖 − ⋯ − 𝛽መ𝑘 𝑋𝑘,𝑖 = 0; ∀ 𝑗 ∈ 1, … , 𝑘
𝑖=1

• Cancelando −2 en el sistema de ecuaciones, se obtienen las condiciones de primer orden

de MCO:
𝑛

෍(𝑌𝑖 − 𝛽መ0 − 𝛽መ1 𝑋1,𝑖 − ⋯ − 𝛽መ𝑘 𝑋𝑘,𝑖 ) = 0

𝑖=1
𝑛 (5.16)
෍ 𝑋𝑗,𝑖 𝑌𝑖 − 𝛽መ0 − 𝛽መ1 𝑋1,𝑖 − ⋯ − 𝛽መ𝑘 𝑋𝑘,𝑖 = 0; ∀ 𝑗 ∈ 1, … , 𝑘
𝑖=1
• Resolver (5.16) de manera manual es tedioso. Sin embargo, por analogía con el MRLS, la
solución viene a través del método generalizado de momentos.
• (5.16) permite obtener los estimadores (𝛽መ0 , 𝛽መ1 , … , 𝛽መ𝑘 ) que minimizan el cuadrado de la suma
de errores de pronóstico σ𝑛𝑖=1(𝑌𝑖 − 𝛽መ0 − 𝛽መ1 𝑋1,𝑖 − ⋯ − 𝛽መ𝑘 𝑋𝑘,𝑖 )2 , tal que:

𝑌෠𝑖 = 𝛽መ0 + 𝛽መ1 𝑋1,𝑖 + ⋯ + 𝛽መ𝑘 𝑋𝑘,𝑖 ; ∀ 𝑖 ∈ 1, … , 𝑛 (5.17)

𝑢ො 𝑖 = 𝑌𝑖 − 𝑌෠𝑖 ; ∀ 𝑖 ∈ 1, … , 𝑛 (5.18)

• Es conveniente recordar que los estimadores (𝛽መ0 , 𝛽መ1 , … , 𝛽መ𝑘 ) y los residuos 𝑢ො 𝑖 de una muestra
de 𝑛 observaciones para (𝑋1,𝑖 ; … ; 𝑋𝑘,𝑖 ; 𝑌𝑖 ), los cuales son estimadores de unos parámetros
poblacionales (𝛽0 , 𝛽1 , … , 𝛽𝑘 ) y un término de error 𝑢𝑖 desconocidos.
• Otro nombre con el que se conoce a (𝛽መ0 , 𝛽መ1 , … , 𝛽መ𝑘 ) son estimadores del método de
regresión lineal general (MRLG).
Supuestos del método de regresión lineal general (MRLG)

• S1: La distribución condicional de los 𝑢𝑖 dados las 𝑋𝑗,𝑖 es cero.

𝐸 𝑢𝑖 |𝑿𝑗,𝑖 = 0 ⇔ 𝐸 𝒀𝑖 |𝑿𝑗,𝑖 = 𝑿′𝑗,𝑖 𝜷𝑗 (5.19)
•Esto implica que por cada valor de las variables independientes los residuos tienen una
distribución normal con varianza uniforme u homocedástica.
𝑉𝑎𝑟 𝑢𝑖 𝑿𝑗,𝑖 = 𝜎𝑢2 ∀ 𝑖 ∈ {1, … , 𝑛} (5.20)
•De manera análoga al S1 de MRLS, este supuesto es esencial para que los estimadores de
MCO del MRLG sean insesgados.
•Al mismo tiempo, este supuesto implica que si los 𝑿𝑗,𝑖 son asignados aleatoriamente o
como si fueran asignados aleatoriamente, se espera que por cada valor que toman los
regresores el valor esperado de 𝑢𝑖 es cero.
•Finalmente, las covarianzas entre dos observaciones distintas son igual a cero
𝐶𝑜𝑣 𝑢𝑖 , 𝑢ℎ = 0 ∀ 𝑖, ℎ ∈ 1, … , 𝑛 𝑑𝑎𝑑𝑜 𝑖 ≠ ℎ (5.21)
Supuestos del método de regresión lineal general (MRLG)

• S2: 𝑌𝑖 , 𝑋𝑗,𝑖 ∀ 𝑖 ∈ 1, … , 𝑛 ; 𝑗 ∈ {1, … , 𝑘} están i.i.d.

• Normalidad: Las observaciones se distribuyen como una función de probabilidad
normal con media cero y varianza constante:

𝑦ത

• Homocedasticidad o varianza constante:

𝑉𝑎𝑟 𝑌𝑖 = 𝜎𝑌2 ; 𝑉𝑎𝑟 𝑋𝑗,𝑖 = 𝜎𝑋2 ; ∀ 𝑖 ∈ 1, … , 𝑛 ; 𝑗 ∈ {1, … , 𝑘} (5.22)
• Las varianzas son constante y conocidas para todas las observaciones. También se
afirma que la varianza es de una misma naturaleza.
 Supuestos del método de regresión lineal general (MRLG)

• S3: Es poco probable que se produzcan grandes valores atípicos (outliers)

• Matemáticamente se entiende que (𝑌𝑖 , 𝑋𝑗,𝑖 ) tienen cuartos momentos finitos no negativos,
lo cual se denota como:
4
0 < 𝐸 𝑋𝑗,𝑖 <∞
(5.23)
0<𝐸 𝑌𝑖4 <∞
• Otra forma de plantear este supuesto es que las variables independientes y la dependiente
tienen curtosis finita.
• El supuesto de curtosis finita es importante para derivar las propiedades de los
estadísticos de regresión de MCO para grandes muestras.
Supuestos del método de regresión lineal general (MRLG)

• S4: No hay multicolinealidad perfecta entre las variables independientes.

• En otras palabras, Σ = 𝐸(𝑿𝑗,𝑖 𝑿′𝑗,𝑖 ) es una matriz definida positiva.
• Los residuos deben ser independientes entre sí.
• Una forma concreta de la dependencia entre las observaciones del término de error
{𝑢𝑖 }𝑛𝑖=1
• Ausencia de correlación implica: 𝐶𝑜𝑣 𝑢𝑖 , 𝑢ℎ 𝑿𝑗,𝑖 , 𝑿𝑗,ℎ = 0 para 𝑖 ≠ ℎ.
Supuestos de MCO para inferencia causal en regresión múltiple con controles

Dada la siguiente función poblacional:

𝑌𝑖 = 𝛽0 + 𝛽1 𝑋1,𝑖 + ⋯ + 𝛽𝑘 𝑋𝑘,𝑖 + 𝛽𝑘+1 𝑊1,𝑖 + ⋯ + 𝛽𝑘+𝑟 𝑊𝑟,𝑖 + 𝑢𝑖 ; ∀ 𝑖 ∈ {1, … , 𝑛} (5.24)

Donde (β1 , … , βk ) son los efectos causales; siendo (W1 , … , Wr ) las variables de control.
1. 𝑢𝑖 tiene media condicional que no depende de los valores de (X1 , … , Xk ) dado
(W1 , … , Wr ), supuesto conocido como independencia condicional de la media.
𝐸 𝑢𝑖 𝑋1,𝑖 , … , 𝑋𝑘,𝑖 , 𝑊1,𝑖 , … , 𝑊𝑟,𝑖 = 𝐸 𝑢𝑖 𝑊1,𝑖 , … , 𝑊𝑟,𝑖 (5.25)

2. Los valores de (𝑌𝑖 , 𝑋1,𝑖 , … , 𝑋𝑘,𝑖 , 𝑊1,𝑖 , … , 𝑊𝑟,𝑖 ) son i.i.d.

3. Los valores atípicos grandes son improbables, es decir (𝑌𝑖 , 𝑋1,𝑖 , … , 𝑋𝑘,𝑖 , 𝑊1,𝑖 , … , 𝑊𝑟,𝑖 )
tienen cuartos momentos finitos no negativos
4. No hay perfecta multicolinealidad.
Regresión a través del origen en el MRLG

• En muchas ocasiones la teoría económica sugiere que 𝛽0 debe ser cero, esto involucra que el
intercepto de MCO pasa por el origen.
• Consecuentemente, ahora se tiene una ecuación de la siguiente forma:
𝑦෬ = 𝛽෰1 𝑥1 + 𝛽෰2 𝑥2 + ⋯ + 𝛽෰𝑘 𝑥𝑘 (5.26)

• Donde el símbolo " ෱ " sobre los estimadores se utilizan para distinguir de los estimadores de
MCO de la expresión (5.17). Lo que se interpreta cuando 𝑥1 = 0, … , 𝑥𝑘 = 0 el valor
pronosticado para 𝑦 es cero, en otras palabras, el origen.
• Es importante comprender que cuando la línea de regresión pasa por el origen, las
propiedades que se derivaron de los estimadores de MCO:
• Los residuos de MCO no tienen valores condicionados medios igual a cero.
• Dado que ahora se tiene σ𝑛𝑖=1(𝑌𝑖 − 𝛽෰1 𝑋1,𝑖 − ⋯ − 𝛽෰𝑘 𝑋𝑘,𝑖 )2 entonces 𝑅2 puede ser
negativo, lo cual se ajusta estimando el cuadrado del coeficiente de correlación de los
valores reales con los estimados de 𝒀.
 Pruebas Estadísticas para
Verificar los Supuestos del
MRLS
Anexo 1
Prueba de normalidad de Jarque-Bera

• La prueba de Jarque-Bera es una de bondad de ajuste para verificar que la asimetría y la

curtosis de la distribución de una muestra se aproxima a una distribución normal (𝐻0 )
• Fue desarrollada los estadísticos Carlos Jarque y Anil K. Bera (1980, 1981).
• El estadístico está definido por:
𝑁 2 1 2
𝐽𝐵 = 𝑆 + 𝐾−3 (A1.1)
6 4
• Donde 𝑆 es el coeficiente de simetría de la distribución muestral y 𝐾 es el coeficiente de
curtosis de la distribución muestral, definidos por:
1 𝑁 1 𝑁
𝜇ො3 σ𝑖=1(𝑥𝑖 − 𝑥)ҧ 3 𝜇ො4 σ𝑖=1(𝑥𝑖 − 𝑥)ҧ 4
𝑆= = 𝑁 (A1.2) 𝑆= = 𝑁 (A1.3)
𝜎ො3 ( 1 σ𝑁 (𝑥 − 𝑥)ҧ 2 )3/2 𝜎ො4 ( 1 σ𝑁 (𝑥 − 𝑥)ҧ 2 )2
𝑁 𝑖=1 𝑖 𝑁 𝑖=1 𝑖
Prueba de heterocedasticidad de Breusch-Pagan-Godfrey
• Prueba para verificar la presencia de heterocedasticidad en una regresión lineal; desarrollada por Trevor
Breusch y Adrian Pagan (1979) y posteriormente mejorada por Denis Godfrey (1983).
• Hipótesis nula: Los residuos del modelo se distribuyen como una normal estándar con media cero y
varianza homogénea.
• Procedimiento de la prueba:
• Paso 1: Ordenar los valores 𝑢𝑖 de los residuos de menor a mayor.
• Paso 2: Omitir el valor central 𝑐 y dividir las observaciones en dos grupos iguales de (𝑁 − 𝑐)/2
observaciones.
• Paso 3: Realizar dos regresiones de MCO con cada grupo y estimar la suma de los residuos al
cuadrado (𝑆𝑆𝑅1, 𝑆𝑆𝑅2). Cada una de ellas debe tener:
𝑁−𝑐 𝑛 − 𝑐 − 2𝑘
−𝑘 = 𝑑𝑓 (A1.4)
2 2
• Paso 4: Computar la razón λ y comparar con el valor crítico de una distribución 𝐹 de (𝑁 − 𝑐)/2
grados de libertad en el numerador y denominador
𝑅𝑆𝑆1/𝑑𝑓 (A1.5)
λ=
𝑅𝑆𝑆2/𝑑𝑓
Prueba de heterocedasticidad de White

• La prueba es un estimador de errores estándar consistentes con heterocedasticidad propuesto por

Halbert White (1980).
• Hipótesis nula: La varianza de la distribución de los residuos es constante.
• Procedimiento:
• Paso 1: Realizar un análisis de regresión auxiliar de los residuos cuadrados del modelo de regresión
original a un conjunto que contiene los regresores originales junto con sus cuadrados y productos
cruzados
• Paso 2: Inspecciona el coeficiente de determinación.
• Paso 3: El estadístico de prueba del multiplicador de Lagrange (LM) es el producto del coeficiente de
determinación y el tamaño de la muestra.

𝐿𝑀 = 𝑛𝑅2 (A1.6)

• Paso 4: A1.6 sigue una distribución chi-cuadrado, con grados de libertad iguales a 𝑃 − 1 parámetros
estimados en la regresión auxiliar.
Prueba de empírica de distribución normal

• El estadístico de Kolmogorov-Smirnov cuantifica una distancia entre la función de distribución

empírica de una muestra y la función de distribución acumulativa de una distribución de
referencia, o de una segunda muestra.
• La prueba modificada de Kolmogorov-Smirnov evalúa la bondad de ajuste de una distribución
muestral para probar el caso especial de normalidad al comparar con una transformación a
distribución normal estándar.
• Hipótesis nula: La distribución muestral es normal con parámetros (𝜇, 𝜎)
• La función se evalúa para los parámetros de la 𝜇 y la 𝜎 hipotéticas con la siguiente expresión:

1 1 2
𝑓 𝑥 𝜇, 𝜎 = exp − 2 𝑥𝑖 − 𝜇 (A1.7)
2𝜋𝜎 2𝜎
Pruebas Estadísticas para
Verificar Interpretar los
Resultados del MRLG
Anexo 2
 Bondad de Ajustes en el MRLG
Estadísticos de Resumen

Error estándar de regresión

El 𝑆𝐸𝑅 estima la desviación estándar del
término de error 𝑢𝑖 .
Es una medida del margen de la distribución
de 𝑌𝑖 alrededor de la línea de regresión.

𝑆𝐸𝑅 = 𝑆𝑈෡ = 𝑆𝑈2෡ (A2.1) 𝑺𝑬𝑹 Coeficiente de determinación ajustado

1
𝑛
𝑆𝑆𝑅 Dado que 𝑅2 tiene la propiedad de que
𝑆𝑈2෡ = ෍ 𝑢ො 𝑖2 = (A2.2) aumenta cada vez que se incorpora una nueva
𝑛−𝑘−1 𝑛−𝑘−1 variable, este estadístico no necesariamente
𝑖=1
mejora el modelo.
Coeficiente de determinación El coeficiente de determinación ajustado es

Representa la fracción de la varianza muestral

de 𝑌𝑖 que es explicada directamente por los
regresores.
𝑹 𝟐 ഥ
𝑹 𝟐 una versión modificada de 𝑅2 que no
necesariamente se incrementa con un nuevo
regresor.

𝐸𝑆𝑆 𝑆𝑆𝑅 𝑛 − 1 𝑆𝑆𝑅 𝑆𝑢ෝ2

𝑅2 = = 1− (A2.3) 𝑅ത 2 =1− =1− 2 (A2.5)
𝑇𝑆𝑆 𝑇𝑆𝑆 𝑛 − 𝑘 − 1 𝑇𝑆𝑆 𝑆𝑌
2
σ𝑛𝑖=1(𝑌෠𝑖 − 𝑌)
ത 2
𝑅 = 𝑛 (A2.4)
σ𝑖=1(𝑌𝑖 − 𝑌)ത 2