ECONOMÍA EN LINEA
MODELOS ECONOMÉTRICOS
3 créditos
Profesor Autor:
Ec. Diocles Boanerges Suárez Ponce.
Titulaciones Semestre
• ECONOMÍA Cuarto
Tutorías: El profesor asignado se publicará en el entorno virtual de aprendizaje
online.utm.edu.ec), y sus horarios de conferencias se indicarán en la sección CAFETERÍA
VIRTUAL.
PERÍODO Mayo 2023 / Septiembre 2023
Índice
Tabla de contenido
Resultado de aprendizaje de la asignatura....................................................................................2
........................................................................................................................................................................ 2
Unidad 1 Introducción al análisis econométrico .............................................................................2
Introducción.............................................................................................................................2
Tema 1. Generalidades de los métodos econométricos ................................................................3
Conceptos, definiciones, historia y método de la econometría ...........................................3
La naturaleza de la estadística ...............................................................................................6
La estadística y la econometría. .............................................................................................8
Tema 2: La investigación econométrica .......................................................................................9
Etapas de la investigación econométrica ..............................................................................9
Especificación del modelo y pruebas de diagnóstico ........................................................ 12
1
Índice
Tabla de contenido
Resultado de aprendizaje de la asignatura .............................................................................. 2
........................................................................................................................................................................ 2
Unidad II Análisis de Regresión Lineal Simple. ....................................................................2
Introducción............................................................................................................................. 2
Análisis de Regresión .......................................................................................................3
Conceptos, definiciones, modelos ......................................................................................... 3
Modelos de regresión lineal y sus clases .............................................................................. 4
Modelo de Regresión lineal y su especificación ................................................................... 9
Modelo de Regresión lineal y sus dos variables ................................................................... 9
Prueba de estimación y simplificación de parámetros ....................................................... 10
Prueba de bondad de ajuste y de la correlación ................................................................. 11
1
Resultado de aprendizaje de la asignatura
Dotar a los estudiantes de economía las herramientas necesarias para el análisis de la
información generada por las actividades económicas de los individuos, empresas y
gobiernos y validar o plantear teorías sobre los fenómenos económicos y sociales.
MODELOS ECONOMÉTRICOS
Unidad II Análisis de Regresión Lineal Simple.
Resultado de aprendizaje de la unidad:
Proporcionar a los estudiantes de un conjunto de técnicas estadísticas para el análisis de
la relación causa – efecto entre dos variables.
Introducción
Los conocimientos fundamentales de matemáticas, estadística y teoría económica son un
requisito previo necesario para la econometría, ya que como explica Ragnar Frisch (1933)
la econometría se constituye por la unificación de la estadística, la teoría económica y las
matemáticas. Cada punto de vista, por sí mismo, es necesario, pero no suficiente para
una comprensión real de las relaciones cuantitativas en la vida económica moderna.
El objetivo de la presente unidad es puntualizar de manera práctica una de las técnicas
estadísticas comúnmente utilizadas en diferentes ramas del saber, como es la regresión
lineal simple, la cual es más conveniente que otros métodos. Iniciaremos con la
descripción de conceptos fundamentales para entender y utilizar esta técnica.
Para ello es necesario tomar en cuenta que el análisis de regresión lineal, en general, nos
permite obtener una función lineal de una o más variables independientes o predictoras
(X1, X2, ... XK) a partir de la cual explicar o predecir el valor de una variable dependiente
o criterio (Y).
2
Análisis de Regresión
Conceptos, definiciones, modelos
El análisis de regresión tiene su significado en varias ramas del conocimiento, es por ello
que según lo establece (Orellana, 2008). No es otra cosa que el estudio que relaciona
dos variables cuantitativas, la misma que nos permite establecer y determinar la variable
más idónea.
Así mismo es importante constituir que el análisis de regresión es un modelo estadístico
que nos permite examinar o determinar la relación entre dos o más variables con la
finalidad de poder identificar cuál de ellas es a que tiene mayor impacto en un tema de
nuestro interés. (Question, 2021)
Es necesario tomar en cuenta varios criterios para poder identificar una relación entre dos
variables:
Investigar si existe o no, una asociación entre las dos variables, donde existe una
hipótesis de independencia estadística.
Estudiar la fuerza de asociación, a través de la medida del coeficiente de
correlación.
Estudiar la forma de la relación, donde se propone un modelo para la relación y a
partir de ella predecir el valor de una variable, con dependencia de la otra.
Cuadro 1 Formas de reconocer a las variables
VARIABLE (X) VARIABLE (Y)
Independiente Dependiente
Explicativa Respuesta
Exógena Endógena
Regresara Analítica
Fuente: Elaboración propia
3
Gráfico 1l Regresión Positiva
Dependiente (Y)
Independiente (X)
Gráfico 2l Regresión Negativa
Dependiente (Y)
Independiente (X)
Modelos de regresión lineal y sus clases
Es necesario tener presente los siguientes Modelos:
Modelo Matemático
La función matemática que proponemos como forma de relación entre la variable
dependiente (Y) y la o las variables independientes.
Se utiliza la siguiente fórmula matemática para el cálculo de la ecuación de regresión
simple, la cual se representa así:
4
Y = β0 + β1 X
Esta expresión es una aproximación de la verdadera relación entre X e Y.
Para un dado valor de X el modelo predice un cierto valor para Y.
Mientras mejor sea la predicción, mejor es el modelo para explicar el fenómeno.
Ejemplo:
Variable Variable
X Y
0
2 5
4 10
6 15
8 20
Representación Gráfica
Como encontramos el valor para β0 y β1
Luego de representar gráficamente los valores para ambos lados, procedemos a estimar
la recta, la misma que se representa gráficamente de la siguiente manera:
CUADRO MODELO
25
?
20
15
Y
10
8-6=2
5
0
0 1 2 3 4 5 6 7 8 9
X
5
Hemos encontrado los valores de β0 y β1 para poder remplazar en la ecuación, la
misma que queda representada de la siguiente manera:
Y = β0 + β1 X
Y= 3 + 2X
Variable X Variable Y Modelo
Matemático
0 3
2 5 7
4 10 9
6 15 15
8 20 19
Y= 3 + 2X Y= 3 + 2X
Y= 3 + 2(0) = 3 Y= 3 + 2(4) = 9
Y= 3 + 2X Y= 3 + 2X
Y= 3 + 2(2) = 7 Y= 3 + 2(6) = 15
Y= 3 + 2X
Y= 3 + 2(8) = 19
Interpretación de los coeficientes:
B el coeficiente β1 es la PENDIENTE de la recta, mide el cambio en Y por cada
unidad de cambio en X, en el ejemplo la pendiente es 2.
El coeficiente β0 es la ORDENADA AL ORIGEN, el punto donde la recta intercepta
el eje Y, es decir el valor de Y cuando X = 0.
6
Modelo Determinístico.
Supone que, bajo condiciones ideales, el comportamiento de la variable dependiente
puede ser totalmente descrito por una función matemática de las variables independientes
(o por un conjunto de ecuaciones que relacionen las variables). Es decir, en condiciones
ideales el modelo permite predecir sin error el valor de la variable dependiente.
Conocido el valor de X, el valor de Y queda perfectamente establecido. Son del tipo:
y = f (x)
Ejemplo:
La relación existente entre la temperatura en grados centígrados (X) y grados Fahrenheit
(Y) es:
Una vez establecida la línea de la pendiente de la recta, establecemos entonces la
siguiente ecuación:
Y = 1,8 X + 32
Si le damos valor a X podemos encontrar los valores para el eje de las Y o variable
dependiente.
X Y
0 32
2 35,6
10 50
20 68
30 86
7
Modelo Estadístico.
Permite la incorporación de un COMPONENTE ALEATORIO en la relación. En
consecuencia, las predicciones obtenidas a través de modelos estadísticos tendrán
asociado un error de predicción
Conocido el valor de X, el valor de Y no queda perfectamente establecido.
Son del tipo:
y = f (x) + u
donde u es una perturbación desconocida (variable aleatoria).
Ejemplo: Se tiene una muestra del volumen de producción (X) y el costo total (Y) asociado
a un producto en un grupo de empresas.
Podemos notar entonces que aquí existe una relación, pero la misma no es exacta, ya
que el costo depende del volumen de producción.
En esta unidad trataremos sobre la Regresión Lineal. Haremos énfasis en este tipo de
modelos porque:
♦ Son de amplia aplicación,
♦ Son más simples de implementar.
♦ Otros procedimientos estadísticos más complejos pueden ser mejor comprendidos luego
de estudiar regresión lineal.(Orellana, 2008)
8
Modelo de Regresión lineal y su especificación
La finalidad de este modelo es establecer la relación que existe entre la variable
dependiente (Y) y la variable independiente (X)(Carollo Limeres, 2011).
Como lo establecen, (Molina & Rodrigo, 2009). Este modelo de regresión lineal, es el más
utilizado al momento de predecir los valores de una variable cuantitativa, a partir de
valores de otra variable explicativa, también cuantitativa (modelo de regresión lineal
simple). Una generalización de este modelo es que permite considerar más de una
variable explicativa cuantitativa.
En ambos casos, se determina entonces que una y otra variables están medidas en
escalas de intervalos o razón, (Análisis de Regresión Simple, 2004). Además, tiene como
propósito o finalidad predecir o estimar los valores de la variable dependiente a partir de
la obtención de la función lineal de la variable independiente.
Aspectos generales de cuándo utilizar un modelo de regresión lineal simple
La regresión lineal simple, es útil para encontrar la fuerza o magnitud de cómo se
relacionan dos variables: una independiente, que se representa con una X, y otra
dependiente, que se identifica con una Y; sin embargo, la regresión lineal simple se
distingue de otras pruebas, pues con ella puede estimarse o predecirse el valor de la
variable de respuesta a partir de un valor dado a la variable explicativa.
Para asociar estas dos variables se propone una línea recta que describe la tendencia de
los datos, de ahí el nombre de regresión lineal. Dicha recta se expone en un plano y su
grado de inclinación representa la pendiente, y una inclinación muy destacada indica
grandes cambios en la variable dependiente.
Modelo de Regresión lineal y sus dos variables
Se trata entonces de explicar la relación existente entre la variable respuesta (Y) y como
lo dice el modelo simple la única variable explicativa (X)
Cuando la función f (x) es lineal,
f (x) = β0 + β1x
β1: parámetro de pendiente en la relación entre x e y: es el cambio en y cuando se
multiplica por el cambio en x. Es el parámetro clave en aplicaciones.
β0: término constante (valor de y cuando x y u son cero).
DONDE:
Si β1 > 0 hay relación lineal positiva.
Si β1 < 0 hay relación lineal negativa.
9
Ambas tienen un aspecto recto.
Prueba de estimación y simplificación de parámetros
Se utiliza la ecuación de regresión para describir la relación entre la respuesta y los
términos en el modelo. La ecuación de regresión es una representación algebraica de la
línea de regresión. Ingrese el valor de cada predictor en la ecuación para calcular el valor
de respuesta medio. A diferencia de la regresión lineal, una ecuación de regresión no
lineal puede tomar muchas formas diferentes.
En el caso de las ecuaciones no lineales, determinar el efecto que tiene cada predictor
sobre la respuesta puede ser menos intuitivo que para las ecuaciones lineales. A
diferencia de las estimaciones del parámetro, no hay una interpretación consistente para
las estimaciones del parámetro en los modelos no lineales. La correcta interpretación para
cada parámetro depende de la función de expectativa y la posición del parámetro en ella.
Si el modelo no lineal contiene solamente un predictor, evalúe la gráfica de línea ajustada
para observar la relación entre el predictor y la respuesta.
La convergencia en una solución no necesariamente garantiza que el ajuste del modelo
sea óptimo o que la suma de cuadrados de error (SSE) sea minimizada. La convergencia
en valores de parámetros incorrectos puede ocurrir debido a una SSE local mínima o a
una función de expectativa incorrecta. Por lo tanto, es crucial examinar los valores de
parámetros, la gráfica de línea ajustada y las gráficas de residuos, para determinar si el
ajuste del modelo y los valores de parámetros son razonables.
10
Prueba de bondad de ajuste y de la correlación
La estadística para dar respuesta a estas problemáticas cuenta con dos técnicas: el
Análisis de Regresión y el Análisis de Correlación.
El Análisis de Regresión estudia la relación funcional que existe entre dos o más
variables. Identifica el modelo o función que liga a las variables, estima sus parámetros y,
generalmente prueba hipótesis acerca de ellos. Una vez estimado el modelo es posible
predecir valores de la variable denominada dependiente en función de la o las variables
independientes que conforman el modelo. Para que este análisis sea aplicable es esencial
que la variable dependiente sea aleatoria mientras que la o las independientes sean
fijadas por el investigado.
El Análisis de Correlación estudia la intensidad y el sentido de la asociación que hay
entre un conjunto de variables, tomadas dos a dos y, a diferencia del análisis de regresión,
no se identifica ni se estima un modelo funcional para las variables, ya que este siempre
se supone lineal, ni hay necesidad de distinguir entre variables dependientes e
independientes, ya que ningunas de las variables puede ser fijada por el investigador. Es
decir, ambas deben ser aleatorias.
Análisis de Regresión
En un modelo de regresión se supone que una variable independiente fija X tienen una
influencia esencial en el comportamiento de otra variable Y, aleatoria, y además existe un
conjunto de factores, aleatorios no observables, individualmente de poca influencia, que
englobamos dentro del término denominado residuo aleatorio o error y que denotaremos
por . De tal manera la hipótesis estructural básica del modelo de regresión simple es: Y
= f(x) + Y: Variable dependiente (Aleatoria). X: Variable independiente (Fija). f (x) :
Función de regresión. Modelo matemático a determinar : Residuo o error aleatorio. La
función f(x) es la que hipotéticamente define cómo se comporta la esperanza matemática
o valor medio teórico de Y en función de X.
Esta función suele ser desconocida, y su estimación se realiza a partir de los datos
disponibles y basándonos en la suposición que conocemos la familia a la que pertenece
(esta suposición proviene de la forma de la nube de puntos). En un análisis de regresión,
que incluye una variable dependiente Y y una variable independiente X, los pares de
valores individuales se representan por un punto en un sistema de coordenadas
cartesianas ortogonales.
Se llama diagrama de dispersión o diagrama de puntos al gráfico bidimensional que se
forma con todos los puntos que representan a los pares de valores (xi ;yi)
correspondientes a las variables independientes y dependientes respectivamente.
11
Ejercicios prácticos
Modelo de regresión lineal simple.
La empresa XYZ, paga a sus colaboradores una remuneración variable por Bonificación,
en base al número de horas extras trabajadas para lo cual se presenta a continuación los
siguientes datos para el análisis practico.
Cantidad de Horas Bonificación
trabajadas (x) (y)
2 28
3 30
5 40
6 48
7 65
Grafico N°1
Remuneración Variable Emp XYZ
70
60
TBonificación (Y)
50
40
30
20
10
0
0 1 2 3 4 5 6 7 8
Cantidad de Horas extras trabajadas (X)
12
Como podemos observar en la gráfica, se demuestra una regresión lineal positiva, sin
embargo, a pesar de que tiene una tendencia lineal, los puntos no se ubican en una
pendiente recta, por lo que es preciso, tomar en cuenta una nueva tendencia que nos
permita obtener una aproximación de la verdadera relación entre X e Y, ya que entre mejor
sea la predicción, podemos explicar mejor la relación del fenómeno, para ello realizamos
lo siguiente:
Encontrar la ecuación estimada:
Y = β0 + β1 X
Para encontrar en ambos casos los valores fijos de β0 y β1, se realiza el siguiente
esquema, donde podemos visualizar como se calcula en un ejercicio estos valores, en las
siguientes figuras.
Luego de trazado los puntos como se visualiza en el Grafico N° 1, en el siguiente paso, lo
que hacemos es trazar una recta que nos permita cruzar por los puntos ya graficados, la
misma que nos permitirá encontrar el valor desde:
β0 (INTERSECTO), para luego poder encontrar los puntos necesarios en nuestra ecuación
de la recta que nos permita poder estimar valores para encontrar β1 (IPENDIENTE).
Gráfico N° 2
Remuneración
Y = β0 +Variable
β1 X Emp XYZ
70
60
TBonificación (Y)
50
40
30
20
10
0
0 1 2 3 4 5 6 7 8
INTERSECTO b0 = 10 Cantidad de Horas extras trabajadas (X)
13
Luego de trazar la recta desde el punto intersecto β0, lo que hacemos es
encontrar el valor de la pendiente, para ello escogemos dos puntos en el eje de
las X, independientemente de donde nos ubiquemos, lo importante es encontrar
una intersección en nuestra nueva recta que nos permita encontrar el valor de la
pendiente β1.
Gráfico N° 3
Remuneración Variable Emp XYZ
70
60
TBonificación (Y)
50
SE RESTA EN ESTE CASO
40
45-38 = 7
30
20
PENDIENTE b1 = 7
10
0
0 1 2 3 4 5 6 7 8
Cantidad de Horas extras trabajadas (X)
14
Para nuestro caso práctico, nuestra ecuación para poder estimar los valores de nuestra
nueva recta quedaría de la siguiente forma, luego de haber encontrado β0 y β1
respectivamente, entonces tenemos:
Y = 10 + 7 (x)
Para poder desarrollar la siguiente ecuación, establecemos valores para la variable X, y
con ellos remplazamos en la fórmula para poder determinar los valores de Y estimados,
en nuestro caso sería:
Y = β0 + β1 X
Y = 10 + 7(0)= 10
Y = 10 + 7(2) = 24
Y = 10 + 7(3) = 31
Y = 10 + 7(4) = 38
Y = 10 + 7(5) = 45
Y = 10 + 7(6) = 52
Y = 10 + 7(8) = 66
Grafico N°4
Remuneración Variable Emp XYZ
70
60
TBonificación (Y)
50
40
30
20
10
0
0 1 2 3 4 5 6 7 8
Cantidad de Horas extras trabajadas (X)
15
Videos
Para una mejor comprensión del presente tema, les invito a visualizar los videos, a
continuación, para que el tema sea comprendido de una mejor manera y puedan
desarrollar los ejercicios prácticos.
Parte 1
Para observar el video visite este link
https://www.youtube.com/watch?v=gfs5bp2j_bA
Parte 2
Para observar el video visite este link
https://www.youtube.com/watch?v=LDc1huDUla0
16
Bibliografía
Análisis de Regresión Simple. (2004).
Carollo Limeres, C. (2011). Regresión lineal simple REGRESIÓN LINEAL SIMPLE.
Molina, J. G., & Rodrigo, M. F. (2009). T. 1-Introducción a la Estadística aplicada a la
Psicología.
Orellana, L. (2008). Regresión Lineal Simple.
Question, P. (2021). ¿Qué es el análisis de regresión? Retrieved from
https://www.questionpro.com/blog/es/analisis-de-regresion/
17
