1.

Realizar un resumen de la parte de introducción y capítulo 1 del

Libro de Gujarati.

Introducción.

La econometría, consiste en la aplicación de la estadística matemática a los datos

económicos para dar soporte empírico a los modelos construidos por la economía
matemática y obtener resultados numéricos, puede definirse como el análisis
cuantitativo de fenómenos económicos reales, basados en el desarrollo
simultáneo de la teoría y la observación, relacionados mediante métodos
apropiados de inferencia, tiene que ver con la determinación empírica de las leyes
económicas.

El arte del econometrista consiste en encontrar un conjunto de supuestos lo

bastante específicos y realistas para que le permitan aprovechar de la mejor
manera los datos con que cuenta, el método de la investigación econométrica
busca en esencia una conjunción entre la teoría económica y la medición real, con
la teoría y la técnica de la inferencia estadística como puente.

La teoría económica hace afirmaciones o formula hipótesis de naturaleza sobre

todo cualitativa. Por ejemplo, la teoría microeconómica establece que, si no
intervienen otros factores, se espera que la reducción del precio de un bien
aumente la cantidad demandada de ese bien. El interés principal de la economía
matemática es expresar la teoría económica en una forma matemática sin
preocuparse por la capacidad de medición o de verificación empírica de la teoría.
La estadística económica se relaciona en primer lugar con la recopilación,
procesamiento y presentación de cifras económicas en forma de gráficos y tablas.
El econometrista a menudo necesita métodos especiales por la naturaleza única
de la mayoría de las cifras económicas, pues no se generan como resultado de un
experimento controlado.

La metodología econométrica tradicional se ajusta a los siguientes lineamientos:

1. Planteamiento de la teoría o de la hipótesis.
2. Especificación del modelo matemático de la teoría.
3. Especificación del modelo econométrico o 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.

1. Planteamiento de la teoría o de la hipótesis.

Keynes postula que la propensión marginal a consumir (PMC), es decir, la tasa de
cambio del consumo generado por una unidad de cambio en el ingreso, es mayor
que cero, pero menor que uno.
2. Especificación del modelo matemático de la teoría.
El consumo está relacionado linealmente con el ingreso, y es un ejemplo de un
modelo matemático de la relación entre consumo e ingreso, llamada en economía
función consumo. Un modelo es simplemente un conjunto de ecuaciones
matemáticas. Si el modelo tiene una sola ecuación, como en el ejemplo anterior,
se denomina modelo uniecuacional, mientras que, si tiene más de una ecuación,
se conoce como modelomultiecuacional.
Y _ β1 + β2X 0 < β2 < 1

3. Especificación del modelo econométrico o estadístico de la teoría.

El modelo puramente matemático de la función de consumo dado en la ecuación
anterior es de interés limitado para el econometrista, pues supone una relación
exacta o determinista entre el consumo y el ingreso.
Y _ β1 + β2X + u
donde u, conocida como término de perturbación o de error, es una variable
aleatoria (estocástica) con propiedades probabilísticas bien definidas.

4. Obtención de datos.
Para estimar el modelo econométrico dado en la ecuación anterior, esto es, para
obtener los valores numéricos de β1 y β2, son necesarios los datos.

5. Estimación de los parámetros del modelo econométrico.

Ahora que tenemos los datos, la siguiente labor es estimar los parámetros de la
función consumo. La estimación numérica de los parámetros da contenido
empírico a la función consumo. Por el momento, note que la técnica estadística
conocida como análisis de regresión es la herramienta principal.
 6. Pruebas de hipótesis.
En el supuesto de que el modelo ajustado sea una aproximación razonablemente
buena de la realidad, tenemos que establecer criterios apropiados para comprobar
si los valores estimados obtenidos en una ecuación, Keynes esperaba que la PMC
fuera positiva pero menor que 1.
7. Pronóstico o predicción.
Si el modelo escogido no refuta la hipótesis o la teoría en consideración, servirá
para predecir el (los) valor(es) futuro(s) de la variable dependiente Y, o de
pronóstico, con base en el (los) valor(es) futuro(s) conocido(s) o esperado(s) de la
variable explicativa, o predictora, X.

8. Utilización del modelo para fines de control o de políticas.

Como indican estos cálculos, un modelo estimado sirve para fines de control o de
políticas públicas. Mediante una mezcla apropiada de política fiscal y monetaria, el
gobierno puede manejar la variable de control X para producir el nivel deseado de
la variable objetivo Y.

La econometría teórica se relaciona con la elaboración de métodos apropiados

para medir las relaciones económicas especificadas por los modelos
econométricos. En la econometría aplicada utilizamos herramientas de la
econometría teórica para estudiar algunos campos especiales de la economía y
los negocios, como la función de producción, la función de inversión, las funciones
de demanda y de oferta.
Capítulo 1: Naturaleza del análisis de regresión.
Francis Galton acuñó el término regresión. En un famoso ensayo, Galton planteó
que, a pesar de la tendencia de los padres de estatura alta a procrear hijos altos y
los padres de estatura baja, hijos bajos, la estatura promedio de los niños de
padres de una estatura determinada tendía a desplazarse, o “regresar”, La ley de
regresión universal de Galton fue confirmada por su amigo Karl Pearson, quien
reunió más de mil registros de estaturas de miembros de grupos familiares.
Pearson descubrió que la estatura promedio de los hijos de un grupo de padres de
estatura alta era menor que la estatura de sus padres.
El análisis de regresión trata del estudio de la dependencia de una variable
(variable dependiente) respecto de una o más variables (variables explicativas)
con el objetivo de estimar o predecir la media o valor promedio poblacional de la
primera en términos de los valores conocidos o fijos de la segunda.
el análisis de regresión interesa lo que se conoce como dependencia estadística
entre variables, no así la funcional o determinista, propia de la física clásica. En las
relaciones estadísticas entre variables se analizan, en esencia, variables
aleatorias o estocásticas, es decir, variables con distribuciones de probabilidad.
Por otra parte, en la dependencia funcional o determinista también se manejan
variables, pero no son aleatorias o estocásticas.
Los fenómenos deterministas, por otra parte, implican relaciones como la ley de la
gravedad de Newton, la cual establece que toda partícula en el universo atrae a
cualquier otra partícula con una fuerza directamente proporcional al producto de
sus masas e inversamente proporcional al cuadrado de la distancia entre ellas. La
ley de Ohm, la cual postula que, para conductores metálicos dentro de un intervalo
limitado de temperatura, la corriente C es proporcional al voltaje V; La ley de los
gases de Boyle, la ley de la electricidad de Kirchhoff y la ley del movimiento de
Newton.
A pesar de que el análisis de regresión tiene que ver con la dependencia de una
variable respecto de otras variables, esto no implica causalidad necesariamente.
Una relación estadística por sí misma no puede, por lógica, implicar causalidad.
Para aducir causalidad se debe acudir a consideraciones a priori o teóricas.
El análisis de correlación se relaciona de manera estrecha con el de regresión,
aunque conceptualmente los dos son muy diferentes. En el análisis de correlación,
el objetivo principal es medir la fuerza o el grado de asociación lineal entre dos
variables. El coeficiente de correlación, mide esta fuerza de asociación (lineal).
El análisis de regresión, trata de estimar o predecir el valor promedio de una
variable con base en los valores fijos de otras. La regresión y la correlación
presentan diferencias fundamentales que vale la pena mencionar. En el análisis de
regresión hay una asimetría en el tratamiento a las variables dependientes y
explicativas. Se supone que la variable dependiente es estadística, aleatoria o
estocástica, es decir, que tiene una distribución de probabilidad. Por otra parte, se
asume que las variables explicativas tienen valores fijos (en muestras repetidas).
En el análisis de correlación, por otra parte, se tratan dos variables cualesquiera
en forma simétrica; no hay distinción entre las variables dependiente y explicativa,
las dos variables se consideran aleatorias. La mayor parte de la teoría de
correlación parte del supuesto de aleatoriedad la variable dependiente es
estocástica y que las variables explicativas son fijas o no estocásticas.
La dependencia de una variable respecto de una única variable explicativa, como
el consumo que depende del ingreso real, dicho estudio se conoce como análisis
de regresión simple, o con dos variables. Sin embargo, si se estudia la
dependencia de una variable respecto de más de una variable explicativa, como el
rendimiento de un cultivo, la lluvia, la temperatura, el Sol y los fertilizantes, se trata
de un análisis de regresión múltiple. En otras palabras, en una regresión de dos
variables sólo hay una variable explicativa, mientras que en la regresión múltiple
hay más de una variable explicativa. El término aleatorio es sinónimo de
estocástico. Como ya vimos, una variable aleatoria o estocástica es la que toma
cualquier conjunto de valores, positivos o negativos, con una probabilidad dada.
Hay tres tipos de datos disponibles para el análisis empírico: series de tiempo,
series transversales e información combinada.
Datos de series de tiempo
Una serie de tiempo es un conjunto de observaciones sobre los valores de una
variable en diferentes momentos. Tal información debe recopilarse en intervalos
regulares, es decir, en forma diaria (precios de acciones, informes del tiempo,
etc.), semanal (como cifras de oferta monetaria), mensual (tasa de desempleo,
Índice de Precios al Consumidor [IPC], etc.), trimestral (como el PIB), anual (como
los presupuestos del gobierno), quinquenal (como el censo de la industria
manufacturera), o decenal (como los censos de población). Algunas veces los
datos están disponibles por trimestre y por año, como los datos del PIB y del
consumo. Los datos de series de tiempo se utilizan mucho en estudios
econométricos, presentan algunos problemas especiales para los econometristas.
Econometría de series de tiempo, la mayor parte del trabajo empírico con datos de
series de tiempo supone que éstas son estacionarias, una serie de tiempo es
estacionaria si su media y varianza no varían sistemáticamente con el tiempo.
Datos transversales
Los datos transversales consisten en datos de una o más variables recopilados en
el mismo punto del tiempo.
Así como los datos de series de tiempo crean problemas especiales, los datos
transversales también tienen sus propios problemas, en concreto, el de la
heterogeneidad. Cuando se incluyen unidades heterogéneas en un análisis
estadístico, debe tenerse presente el efecto de tamaño o de escala con el fi n de
no mezclar manzanas con naranjas.
Datos combinados:
Los datos combinados reúnen elementos de series de tiempo y transversales.
Datos en panel, longitudinales o en micropanel:
Hay un tipo especial de datos combinados en el cual se estudia a través del
tiempo la misma unidad transversal (por ejemplo, una familia o una empresa). Los
datos en panel que se obtienen de las entrevistas periódicas de la misma unidad
familiar proporcionan información muy útil sobre la dinámica del comportamiento
de las unidades familiares.
Los datos para el análisis empírico pueden provenir de una dependencia
gubernamental (por ejemplo, el Departamento de Comercio), un organismo
internacional (el Fondo Monetario Internacional [FMI] o el Banco Mundial), una
organización privada o un particular.
Internet
Los datos recopilados pueden ser de naturaleza experimental o no experimental.
En los datos experimentales, frecuentes en las ciencias naturales, el investigador
suele recabar los datos con algunos factores constantes, con el fi n de evaluar el
efecto de otros en un fenómeno dado. En las ciencias sociales, los datos por lo
general son de naturaleza no experimental, es decir, no están sujetos al control del
investigador. Por ejemplo, el investigador no ejerce ningún control directo sobre
los datos del PIB, desempleo, precios de acciones, etc.
Las variables se clasifican en cuatro categorías generales: escala de razón, escala
de intervalo, escala ordinal y escala nominal.
Escala de razón
Para la variable X, al tomar dos valores (X1 y X2), la razón X1/X2 y la distancia
(X2 − X1) son cantidades con un significado. Asimismo, hay un ordenamiento
natural (ascendente o descendente) de los valores a lo largo de la escala. En su
mayoría, las variables económicas pertenecen a esta categoría.
Escala de intervalo
Una variable en escala de intervalo satisface las dos últimas propiedades de la
variable en escala de razón, pero no la primera.
Escala ordinal
Una variable pertenece a esta categoría sólo si satisface la tercera propiedad de la
escala de razón (es decir, el orden natural), como los sistemas de calificaciones
por letras (A, B, C). Para estas variables hay un orden, pero las distancias entre
las categorías no son cuantificables.
Escala nominal
Las variables de esta categoría no tienen ninguna característica de las variables
en escala de razón. Las variables como el género (masculino y femenino) y el
estado civil (casado, soltero, divorciado, separado) simplemente denotan
categorías. ¿Por qué no expresar dichas variables con las escalas de razón,
intervalo u orden? Las técnicas econométricas adecuadas para las variables en
escala de razón no resultarían pertinentes para las variables en escala nominal.
En consecuencia, es importante tener en mente las diferencias entre los cuatro
tipos de escalas de medición recién analizadas.

2. Ingrese los datos de la tabla I.1, Pág. 6 en una hoja de Excel o algún
software que usted utilice (STATA), y realice el gráfico de dispersión (Debe
de darle una imagen similar a la figura I. 3). Anexe la tabla y gráfico a su
reporte.

Año GCP(Y) PIB(X)

1960 1597.4 2501.8
1961 1630.3 2560
1962 1711.1 2715.2
1963 1781.6 2834
1964 1888.4 2998.6
1965 2007.7 3191.1
1966 2121.8 3399.1
1967 2185 3484.6
1968 2310.5 3652.7
1969 2396.4 3765.4
1970 2451.9 3771.9
1971 2545.5 3898.6
1972 2701.3 4105
1973 2833.8 4341.5
1974 2812.3 4319.6
1975 2876.9 4311.2
1976 3035.5 4540.9
1977 3164.1 4750.5
1978 3303.1 5015
1979 3383.4 5173.4
1980 3374.1 5161.7
1981 3422.2 5291.7
1982 3470.3 5189.3
1983 3668.6 5423.8
 1984 3863.3 5813.6
1985 4064 6053.7
1986 4228.9 6263.6
1987 4369.8 6475.1
1988 4546.9 6742.7
1989 4675 6981.4
1990 4770.3 7112.5
1991 4778.4 7100.5
1992 4934.8 7336.6
1993 5099.8 7532.7
1994 5290.7 7835.5
1995 5433.5 8031.7
1996 5619.4 8328.9
1997 5831.8 8703.5
1998 6125.8 9066.9
1999 6438.6 9470.3
2000 6739.4 9817
2001 6910.4 9890.7
2002 7099.3 10048.8
2003 7295.3 10301
2004 7577.1 10703.5
2005 7841.2 11048.6

12000

10000

8000

6000

4000

2000

0
1950 1960 1970 1980 1990 2000 2010

GCP(Y) PIB(X)
3. Preguntas a anexar:

1. Contexto histórico de la Econometría

Con respecto a los orígenes de la Econometría como disciplina científica, cabe

diferenciar básicamente dos tendencias: por un lado, la tendencia que sitúa sus
inicios en el siglo XIX, con los trabajos de Economía Matemática de Thünen,
Cournot, Edgeworth, Jevons, Walras, Pareto, Wicksell, etc. y, por otro, la corriente
que considera a estos autores precursores de la Econometría, argumentando que
su estilo de hacer Economía no es en esencia cuantitativo (ver Akerman, 1933).
Así pues, el nacimiento de la Econometría como disciplina científica no se habría
producido hasta principios del siglo XX, si bien sus antecedentes se remontan al
siglo XVII. Siguiendo esta última tendencia, actualmente predominante en la
cronología de la Econometría (ver Morgan, 1990), cabe diferenciar las siguientes
etapas en la evolución de esta disciplina: (1) etapa preeconométrica, que se
extiende hasta finales del siglo XIX, (2) etapa de nacimiento de la Econometría,
que abarca el primer tercio del siglo XX, (3) etapa de aportaciones básicas, que se
desarrolla entre 1930 y 1945, (4) etapa de desarrollo de la Econometría moderna,
que concluye con la crisis de los setenta y, por último, (5) etapa crítica y de
aportaciones recientes a la Econometría

1. Tres conceptos de econometría con su respectiva cita bibliográfica.

La Econometría puede ser definida como el análisis cuantitativo de los fenómenos

económicos reales, basado en el desarrollo simultáneo de la teoría y la
observación, relacionados mediante métodos apropiados de inferencia (p. 141).
Samuelson, Koopmans y Stone (1954)

La Econometría puede ser definida como la Ciencia social en la cual las

herramientas de la Teoría Económica, las Matemáticas y la Inferencia Estadística
son aplicadas al análisis de los fenómenos económicos (p. 13). Goldberger (1964)
El arte del económetra consiste en encontrar el conjunto de supuestos que sean
suficientemente específicos y realistas, de tal forma que le permitan aprovechar de
la mejor manera los datos que tiene a su disposición (p. 514). Malinvaud (1966)

2. Conceptos y características de los modelos económicos y

econométricos.

El modelo económico es una representación compendiada de una relación que

existe entre diferentes variables que pueden llegar a explicar la forma de operar la
economía o un determinado fenómeno que esté relacionado con ella. Se trata de
un programa de política económica para un estado, por lo tanto, se refiere
directamente con variables claves como las metas de inflación, el tipo de cambio y
la política fiscal entre otros.

Estos modelos facilitan el estudio de ciertos fenómenos complejos y hacer

predicciones relacionadas con el futuro comportamiento de las variables. Si la
realidad es muy compleja, este modelo se enfocará en capturar únicamente las
variables que sean mucho más relevantes que el fenómeno que se encuentre en
estudio y así permitir una mejor simplicidad y compresión.

Se clasifican en: microeconómicos y macroeconómicos.

 Para que exista un eficiente modelo, es necesario tener en cuenta las siguientes

características:

 Selección de los aspectos relevantes.

 Simplificación.

Un modelo econométrico es una representación simplificada de la relación entre

dos o más variables que permite estimaciones empíricas.

Un modelo econométrico es un modelo estadístico o matemático que representa la

relación entre dos o más variables. Su utilización permite hacer estimaciones
acerca del efecto de una variable sobre otra y/o hacer predicciones acerca del
valor futuro de las variables.
 Estructura de un modelo econométrico.

 Variable endógena: Una variable o factor que es causada o explicada por

otro conjunto de variables independientes (que son determinadas por otros
factores fuera del modelo).
 Variables exógenas: Variables que determinan o explican a la variable
endógena y que son independientes entre sí.
 Error: Captura el efecto de otros parámetros desconocidos

Tipos de modelos econométricos

Los modelos pueden ser simples con una variable endógena y varias explicativas
(una ecuación) o más complejos con la utilización simultánea de varias
ecuaciones.

Dependiendo del tipo de información utilizada los modelos pueden ser:

 Datos de corte trasversal: Datos de un individuo o agente que se recogen

en un momento en el tiempo, por ejemplo, un censo.
 Series de tiempo: Datos de una misma variable que se recogen a lo largo
del tiempo, por ejemplo, el PIB de un país durante 10 años.
 Paneles: Se recoge la información al largo del tiempo para cada unidad de
información. Así, por ejemplo, se recoge la información de una familia a lo largo
del tiempo. Son datos de corte transversal que se siguen en el tiempo.

3. Tipos de econometría

La econometría se puede dividir en dos grandes categorías: la econometría teórica

y la econometría aplicada. Estas, a su vez, se pueden desglosar en dos tipos: la
econometría clásica y la econometría bayesiana.

La econometría bayesiana se aplica, por ejemplo, en el campo de la macro a

través de la utilización de modelos vectores autorregresivos, modelos de
 componentes no observables; en el campo de las finanzas en la estimación de
riesgos en las carteras de valores, en la estimación de la probabilidad de que el
precio de los activos cambie, etc

4. Conceptos de diagramas de dispersión y cuál es su importancia

El diagrama de dispersión permite analizar si existe algún tipo de relación entre

dos variables. Por ejemplo, puede ocurrir que dos variables estén relacionadas de
manera que, al aumentar el valor de una, se incremente el de la otra. En este caso
hablaríamos de la existencia de una correlación positiva.
También puede ocurrir que al producirse una en un sentido, la otra derive en el
sentido contrario; por ejemplo, al aumentar el valor de la variable x, se reduzca el
de la variable y. Entonces, se estaría ante una correlación negativa. Si los valores
de ambas variables se revelan independientes entre sí, se afirmaría que no existe
correlación.
Importancia.
 Representa la relación entre dos variables de forma gráfica, lo que hace
más fácil visualizar e interpretar los datos.
 Calculando la correlación de dos variables, permite cuantificar el grado de
relación entre ambas, así como su signo.

5. ¿Qué son datos económicos y como se dividen?

Son datos estadísticos sobre la economía que nos permiten realizar un análisis de
la situación económica tanto para el pasado como para el presente y además nos
permite realizar previsiones de cómo evolucionara la economía en el futuro con los
datos que tenemos a día de hoy.
Los indicadores económicos se agrupan generalmente en 3 grupos diferentes y
son:
 Adelantados
 Coincidentes
 Retrasados
 6. ¿Cuál es el uso de los modelos econométricos estimados?

Los modelos econométricos tienen múltiples usos en la práctica. Son herramientas

importantes en la formulación de políticas económicas, estrategias de ventas,
definición de la política monetaria, entre muchos otros.

Algunos ejemplos conocidos de uso de modelos econométricos son: predecir la

tasa de crecimiento del PIB, determinar el efecto del gasto público, evaluar el
impacto de un subsidio, proyectar la demanda de un producto, etc.

7. ¿Qué tipos de variables existen?

 Variables endógenas: Son aquellas cuyos valores, en teoría son explicadas

por el funcionamiento del modelo. Es decir, la Variable Dependiente
 Variables exógenas: el modelo no dice nada sobre su determinación, Es
decir, las variables independientes o explicativas.
 Retardadas o Rezagadas: Son aquellas variables que corresponden al
período anterior al que se analiza.