UNIVERSIDAD NACIONAL DANIEL ALCIDES

CARRIÓN
ESCUELA DE POS TGRADO

MAESTRÍA EN: PLANIFICACIÓN Y PROYECTOS DE

DESARROLLO.

TEMA: ECONOMETRIA BASICA/MODELOS DE

SERIE DE TIEMPO

ASIGNATURA: Métodos Cualitativos y Herramientas

Informáticas
Docente: Dr.Crecencio A. Quiñones Narváez

INTEGRANTES:
ROJAS MAURATE, P
ANGELES MORI, J.
CUSI ROMAN, Israel

OXAPAMPA - PASCO
2016.
 ECONOMETRÍA BASICA

Introducción

La Econometría nació a principios del siglo XX con el objetivo de medir ciclos

y teorías económicas, en particular, con el propósito de dotar de contenido empírico
a las teorías económicas neoclásicas, calificadas como vacías. Esta es sin duda una
respuesta a objeciones concretas, en la que hay que separar lo esencial de lo
accesorio. Que las teorías económicas deban tener o no, contenido empírico, es una
crítica propia del empirismo que ha informado algunas corrientes de la econometría.
El económetra parte de una teoría, proposición racional y abstracta, que no discute
en cuanto tal, sino que se limita a medirla. Si se han formulado teorías, quiere
ello significar que se busca retener mediante abstracción, lo esencial, y
prescindir de lo accesorio, es decir, de los aspectos particulares, en buena medida
empíricos, propios de cada experiencia, digamos mercado concreto.
La descripción del objeto de la econometría, es sin duda una simplificación,
de la que tiempo habrá de ir marcando distancias. El economista habla hoy
más de comprobación y contrastación empírica de teorías, y no menos del modelo
econométrico, cuya relación con la teoría puede llegar a difuminarse hasta el
punto de que algunos no conserven relación con las teorías económicas.
Mencionemos que en la escala de objetivos, fácil de descubrir en la literatura, a
veces, el objetivo se establece en la predicción. La evaluación correspondiente debe
ser ahora la de desarrollar en no más de dos páginas la relación entre hipótesis, teoría
y modelo.

1.1. Qué es la econometría?

En términos literales econometría significa “medición económica”. Sin embargo, si

bien es cierto que la medición es una parte importante de la econometría, el alcance
de esta disciplina es mucho más amplio, como se deduce de las siguientes citas:
La econometría, resultado de cierta perspectiva sobre el papel que desempeña la
economía, 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.
La econometría 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.
La econometría se define como la ciencia social en la cual las herramientas de la teoría
económica, las matemáticas y la inferencia estadística se aplican al análisis de los
fenómenos económicos.
La econometría tiene que ver con la determinación empírica de las leyes
económicas.
Los econometristas son una ayuda decisiva en el esfuerzo por disipar la mala imagen
pública de la economía (cuantitativa o de otro tipo) considerada como una materia en
la cual se abren cajas vacías, suponiendo la existencia de abrelatas, para revelar un
contenido que diez economistas interpretarán de 11 maneras diferentes.
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.
1.2. ¿Para qué sirve la Econometría?
El objetivo de un estudio econométrico es comprender mejor un fenómeno
económico y, como resultado, poder realizar predicciones de la evolución futura del
fenómeno de interés.
Algunos ejemplos en los que la Econometría puede ser de utilidad son los siguientes:
• Un analista del mercado de activos puede estar interesado en analizar y cuantificar
la relación entre el precio de un activo y distintas características de la empresa que
ofrece ese activo así como del estado general de la economía.
• Los directivos de una empresa eléctrica pueden estar interesados en analizar los
factores que afectan a la demanda de electricidad.
• El grupo de grandes superficies comerciales puede estar interesado en cuantificar el
efecto de distintos niveles de publicidad sobre sus ventas y sus beneficios.
• El servicio de estudios del Ministerio de Economía y del Banco de España o del Banco
Central Europeo quiere analizar el impacto de las políticas monetarias y fiscales sobre
el desempleo, la inflación, las exportaciones e importaciones, los tipos de interés, etc.
• Si un organismo quiere implementar políticas para corregir, por ejemplo, la
discriminación salarial por sexo, en primer lugar debe conocer cuáles son los
principales factores determinantes del problema y, en segundo lugar, analizar las
posibles medidas a tomar, estudiando cuales pueden ser los efectos de dichas
medidas.

• Un gobierno regional puede necesitar previsiones sobre la evolución de la población

para planificar la necesidad de servicios sociales y las necesidades de financiación que
conllevan. También debe tener información precisa sobre su capacidad de
financiación, por lo que le interesa disponer de predicciones relativas a la recaudación
impositiva.

• Si una persona quiere contratar un préstamo, le interesa conocer cuál va a ser la

evolución de los tipos de interés.

1.3 ¿Por qué una disciplina aparte?

Como indican las definiciones anteriores, la econometría es una amalgama de teoría

económica, economía matemática, estadística económica y estadística matemática.
Aun así, la materia merece un estudio separado por las siguientes razones. La teoría
económica hace afirmaciones o formula hipótesis de naturaleza sobre todo cualitativa.

La econometría da contenido empírico a gran parte de la teoría económica. El interés

principal de la economía matemática es expresar la teoría económica en una forma
matemática (ecuaciones) sin preocuparse por la capacidad de medición o de
verificación empírica de la teoría. La econometría, se interesa sobre todo en la
verificación empírica de la teoría económica. Como veremos, el econometrista suele
emplear ecuaciones matemáticas, propuestas por el economista matemático, pero las
expresa de forma que se presten para la prueba empírica. Y esta conversión de
ecuaciones matemáticas en ecuaciones econométricas requiere una gran dosis de
ingenio y destreza. La estadística económica se relaciona en primer lugar con la
recopilación, procesamiento y presentación de cifras económicas en forma de gráficos
y tablas.

En econometría, el que construye el modelo a menudo se enfrenta a datos

provenientes de la observación más que de la experimentación. Esto tiene dos
implicaciones importantes para la creación empírica de modelos en econometría.
Primero, se requiere que quien elabore modelos domine muy distintas habilidades en
comparación con las que se necesitan para analizar los datos experimentales…
Segundo, la separación de quien recopila los datos y el analista exige que quien elabora
modelos se familiarice por completo con la naturaleza y la estructura de los datos en
cuestión.

1.4 Metodología de la econometría

¿Cómo proceden los econometristas en el análisis de un problema económico? Es

decir, ¿cuál es su metodología? Aunque existen diversas escuelas de pensamiento
sobre metodología econométrica, aquí presentaremos la metodología tradicional o
clásica, que aún predomina en la investigación empírica en economía y en las ciencias
sociales y del comportamiento.

En términos generales, 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. Para ilustrar estos
pasos, consideremos la conocida teoría keynesiana de consumo.
1. Planteamiento de la teoría o hipótesis Keynes plantea:
La ley psicológica fundamental… consiste en que los hombres y las mujeres, como
regla general y en promedio, están dispuestos a incrementar su consumo a medida
que aumenta su ingreso, pero no en la misma cuantía del aumento en su ingreso.
En pocas palabras, Keynes postula que la propensión marginal a consumir (PMC), es
decir, la tasa de cambio del consumo generado por una unidad (digamos, un dólar)
de cambio en el ingreso, es mayor que cero pero menor que uno.
2. Especificación del modelo matemático de consumo
A pesar de haber postulado una relación positiva entre el consumo y el ingreso,
Keynes no especifica la forma precisa de la relación funcional entre ambas cosas. Por
simplicidad, un economista matemático puede proponer la siguiente forma de la
función keynesiana de consumo:
Y = β1 +β 2 X 0 <β 2 < 1 (I)
Donde Y = gasto de consumo y X = ingreso, y donde β1 y β2, conocidos como los
parámetros del modelo, son, respectivamente, los coeficientes del intercepto y de la
pendiente.
El coeficiente de la pendiente β2 mide la PMC. En la figura I.1 se presenta
geométricamente la ecuación (I). Esta ecuación plantea que 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. La variable que aparece al lado izquierdo del signo de la igualdad se
llama variable dependiente, y la(s) variable(s) del lado derecho se llama(n) variable(s)
independiente(s), o explicativa(s). Así, en la función keynesiana de consumo, la
ecuación (I), el consumo (gasto) es la variable dependiente, y el ingreso, la explicativa.

3. Especificación del modelo econométrico de consumo

El modelo puramente matemático de la función de consumo dado en la ecuación (I)
es de interés limitado para el econometrista, pues supone una relación exacta o
determinista entre el consumo y el ingreso. Pero las relaciones entre las variables
económicas suelen ser inexactas. Para dar cabida a relaciones inexactas entre las
variables económicas, el econometrista modificaría la función determinista de
consumo en la ecuación (I.) de la siguiente manera:
Y= β1 +β2X +u (I.1)
Donde u, conocida como término de perturbación o de error, es una variable aleatoria
(estocástica) con propiedades probabilísticas bien definidas. El término de
perturbación u representa todos los factores que afectan el consumo pero que no se
consideran en el modelo en forma explícita.
La ecuación (I.1) es un ejemplo de un modelo econométrico. Más técnicamente, dicha
ecuación es un ejemplo de un modelo de regresión lineal. La función econométrica
de consumo plantea como hipótesis que la variable dependiente Y (consumo) está
relacionada linealmente con la variable explicativa X (ingreso), pero que la relación
entre las dos no es exacta: está sujeta a variaciones individuales. El modelo
econométrico de la función de consumo se representa gráficamente como aparece en
la figura I.2.

4. Obtención de información

Para estimar el modelo econométrico dado en la ecuación (I.1), esto es, para obtener
los valores numéricos de β1 y β2, son necesarios los datos. Por el momento observemos
unas cifras relacionadas con la economía de Estados Unidos de 1960 a
2005, que se presentan en la tabla I.1. La variable Y en esta tabla es el gasto de consumo
personal (GCP) agregado (para la economía en su conjunto), y la variable X, el
producto interno bruto (PIB), una medida del ingreso agregado, ambos medidos en
miles de millones de dólares de 2000. Por consiguiente, los datos están en términos
“reales”, es decir, se midieron en precios constantes (2000).
5. Estimación 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 para obtener las estimaciones. Con
esta técnica y los datos de la tabla I.1 obtuvimos los siguientes valores estimados de
β1 y β2, a saber, −299.5913 y 0.7218. Así, la función consumo estimada es.
Yt=−299.5913+0.7218Xt (I.2)
El acento circunflejo (sombrero) sobre Y indica que es un valor estimado.11 En la fi
gura I.3 se muestra la función consumo estimada (es decir, la línea de regresión).
Como se aprecia en la fi gura I.3, la línea de regresión se ajusta bien a los datos, pues
los puntos que corresponden a los datos están muy cercanos a ella. En esta gráfica
vemos que de 1960 a 2005 el coeficiente de la pendiente (es decir, la PMC) fue de
alrededor de 0.72, lo que indica que para el periodo muestral un incremento de un
dólar en el ingreso real produjo, en promedio, un incremento cercano a 72 centavos
en el gasto de consumo real. Decimos “en promedio” porque la relación entre
consumo e ingreso es inexacta; como se deduce de la fi gura I.3, no todos los puntos
correspondientes a los datos están exactamente en la recta de regresión. Con palabras
sencillas, podemos decir que, de acuerdo con los datos, el promedio o media del gasto
de consumo aumentó alrededor de 72 centavos por cada dólar de incremento en el
ingreso real.
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 como la (I.2), por ejemplo,
concuerdan con las expectativas de la teoría que estamos probando. De acuerdo con
los economistas “positivos”, como Milton Friedman, una teoría o hipótesis no
verificable mediante la evidencia empírica no puede ser admisible como parte de la
investigación científica.
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.
Para ilustrarlo, suponga que queremos predecir la media del gasto de consumo para
2006. El valor del PIB para 2006 fue de 11 319.4 millones de dólares. Colocamos esta
cifra del PIB en el lado derecho de la ecuación (I.3.3) y obtenemos:

ˆ Y2006 =−299.5913+0.7218 (11 319.4)

=7 870.7516 (I.3.4) o casi 7 870 millones de dólares.

o casi 7 870 millones de dólares. Por tanto, con ese valor del PIB, la media o el
promedio del gasto de consumo previsto es de alrededor de 7 870 millones de dólares.
El valor real del gasto de consumo registrado en 2006 fue de 8 044 millones de dólares.

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

Suponga que tenemos la función keynesiana de consumo estimada dada en (I.2).
Suponga además que el gobierno considera que un nivel de gasto de
aproximadamente 8 750 (miles de millones de dólares de 2000) mantendrá la tasa de
desempleo en su nivel actual de cerca de 4.2 por ciento (estimación para principios
del 2006). ¿Qué nivel de ingreso garantizará la cantidad de gasto de consumo fijado
como meta? Si los resultados de la regresión dados en la ecuación (I.2) parecen
razonables, la aritmética simple mostrará que
8 750 = −299.5913 + 0.7218 (PIB2006)
Que da X = 12 537, aproximadamente. Es decir, un nivel de ingresos de alrededor de
12 537 (miles de millones) de dólares, con una PMC de cerca de 0.72, producirá un
gasto aproximado de 8 750 millones de dólares.
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.
 I.4 Tipos de econometría
Como deja entrever el esquema de clasificación en la fi gura I.5, la econometría se
divide en dos amplias categorías: econometría teórica y econometría aplicada. En
cada categoría se puede tratar la materia según la tradición clásica o la bayesiana.

La econometría teórica se relaciona con la elaboración de métodos apropiados para

medir las relaciones económicas especificadas por los modelos econométricos. En este
aspecto, la econometría se apoya en gran medida en la estadística matemática. Por
ejemplo, un método muy popular es el de mínimos cuadrados. La econometría teórica
debe expresar los supuestos de este método, sus propiedades y lo que les sucede
cuando no se cumplen uno o más de los supuestos del método.
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, la teoría de
portafolio, etcétera.

2.1 Métodos de proyección

El preparador de proyecto dispone de varia alternativas metodológicas para proyectar
el mercado y la selección, también el uso de una o más de esta dependerán de una
serie de variables. Una forma de clasificar estas técnicas consiste en hacerlo en
función de:
 Métodos de carácter subjetivo
 Modelos causales
 Modelo de serie de tiempo
Los métodos de carácter subjetivo

Se basan principalmente en opiniones de expertos. Su uso es frecuente cuando

el tiempo para elaborar el pronóstico es escaso, cuando no se dispones de todos los
 antecedentes mínimo necesarios o cuando los datos disponibles no son confiables
para predecir algún comportamiento futuro.

Los modelos de pronósticos causales

Estos parten del supuesto de que el grado de influencia de las variaciones que afectan
al comportamiento del mercado permanece estable, también que al construir
un modelo que se relacione, ese comportamiento con las variables que se estima son
las causantes de los cambios que se observan en el mercado.

La Dervitsiotis señala tres etapas para el modelo de proyección causal:

 La identificación de una o más variables respecto a las que se pueda presumir que
influyen sobre la demanda, ejemplo, el producto nacional bruto, la renta disponible,
tasa de natalidad.
 La selección de la forma de la relación que vincule a las variables causales con el
comportamiento del mercado, normalmente en la forma de una
ecuación matemática de primer grado.
 La validación del método de pronósticos, de manera que satisfaga tanto el sentido
común como las pruebas estadísticas a través de la representación adecuada
del proceso que describa.
Los modelos de serie de tiempo
Se utilizan cuando el comportamiento que asuma el mercado a futuro pueda
determinarse en gran medida por lo sucedido en el pasado, siempre que esté
disponible la información histórica en forma confiable y completa.
Cualquier cambio en las variables que caractericen un determinado contexto en el
pasado, como una recesión económica, una nueva tecnología, un producto sustituto
de la materia prima etc.

Métodos subjetivos
La importancia de este método se manifiesta cuando los métodos cuantitativos
basado en información histórica no pueden explicar por si solo el comportamiento
futuro esperado de alguna de sus variables, o cuando no existen suficiente datos
históricos.
Los métodos más conocidos son: Delphi, la investigación de mercado, el consenso de
panel, los pronósticos visionarios y el de analogía histórica.
Métodos Delphi. Consiste en reunir a un grupo de experto en calidad de panel, a
quienes se les somete a una serie de cuestionarios, con un proceso
de retroalimentación controlada. De aquí se obtiene como producto una serie de
información que se trata estadísticamente. Este método se fundamenta en que el
grupo es capaz de lograr un razonamiento mejor que el de una persona sola, aunque
sea experta en el tema.

El procedimiento del método evita las distorsiones, las existencias

de comunicaciones irrelevante y la presión de parte del grupo para llegar a un
consenso forzado, entre otros factores.

Método de la investigación de mercado

Se utiliza en la recolección de información relevante para ayudar a la toma de
decisiones o para probar o refutar hipótesis sobre un mercado especifico, a través
de encuestas, experimentos, mercados prueba u otra forma.
Este se caracteriza por su flexibilidad para seleccionar e incluso diseñar
la metodología que más se adecue al problema en estudio, requiriendo
una investigación ya sea exploratoria, descriptiva o explicativa.
Método por consenso de panel.
Este método es similar al Delphi, se diferencian en que en este no existen secretos
sobre la identidad del emisor de las opiniones y en que no hay retroalimentación
dirigida desde el interior.
Este método se basa en la suposición de que varios expertos fueren capaces de
producir pronóstico mejor que una sola persona. Pero existe el peligro de que en la
posibilidad de que emerja un grupo dominante que anule la interacción adecuada y
se logre un consenso por la capacidad de la argumentación y no por la validez de la
misma
Método de pronósticos visionarios.
Se utilizan como alternativa de los ya señalado, cuando se dispone
de personal interno de la empresa a la que se le evalúa el proyecto, la experiencia
y conocimiento de sus clientes adquirido en años de experiencias, estos pueden
 emitir opiniones respecto a las reacciones y comportamientos posibles de espera en
el futuro, por ejemplo el comportamiento de la economía o de la competencia.
Método de la analogía histórica.
En este se toma un mercado como referencia, puede ser para el mismo producto, pero
de otra marca o en otra región geográfica o para un producto diferente pero con un
mercado consumidor similar.
La ventaja que manifiesta es la de suponer que las variables determinantes en el
comportamiento pasado del mercado, tomando esta como referencia se mantendrán
en el futuro y además tendrán el mismo efecto sobre el mercado del proyecto en
estudio.

Modelos causales
Estos modelos se basan en un supuesto de permanencia de las condiciones que
influyeron en el comportamiento pasado de una o más de las variables que se han de
proyectar.
Estos intentan proyectar el mercado sobre la base de antecedente cuantitativo
histórico, suponen que los factores condicionantes del comportamiento histórico de
alguna o todo las variables del mercado permanecerán estables; las más usadas son:
 El modelo de regresión
 El modelo econométrico
 El método de insumo producto o método de los coeficiente técnicos.
El modelo de regresión

Se basa en tres supuestos básicos, los cuales si son transgredidos, invalidan

automáticamente cualquier proyección.
 Dice que los errores de la regresión tienen una distribución normal, con medida, cero
y varianza (O) constante.
 Los errores no están correlacionados entre ellos.
 Este fenómeno se denomina auto correlación
Por último lo supuesto es que todas las variables analizadas se comportan en forma
lineal o son susceptibles de linealizar.
Existen otros dos modelos en regresión que son:
 El modelo de regresión simple o de dos variables, indica que la variable dependiente
se predicen sobre la base de una variable independiente.
 El modelo de regresión múltiple, indica que la medición se basa en dos o más
variables independiente.
Modelos econométricos. Según la Dervitsiotis es un sistema de ecuación
estadísticas que interrelacionan las actividades de diferentes sectores de la economía,
que ayudan a evaluar la repercusión sobre la demanda de un producto o servicio. Este
no admite externalidades de ningún tipo, ni por eventuales cambios derivados de la
expansión de los niveles productivos.
Otro método bastante utilizado es el de encuestas de intenciones de compras, su
aplicación comienza con la selección de la unidad de análisis adecuada para
cuantificar la intención de compras, sigue con la toma correcta de
la encuesta por muestreo y finaliza con el análisis de los antecedentes recopilados.
Modelo insumo-producto o método de los coeficiente técnicos, este permite
identificar las relaciones ínter industriales que se producen entre sectores de la
economía, a través de una matriz que implica suponer el uso de coeficiente técnicos
fijos por parte de las distintas industrias.
Para estimar la demanda de un sector específico, el modelo descompone la demanda
entre bienes finales e intermedios y establece sus relaciones a través de los
denominado coeficiente técnicos. Lo que busca este modelo es determinar el grado
de repercusión que la actividad de un sector tiene sobre los restantes.
Modelos de series de tiempo.
Se emplean cuando el comportamiento futuro del mercado puede estimarse por lo
sucedido en el pasado. Por esto cualquier cambio en las variables que caracterizaron
al ambiente en el pasado, también los avances tecnológico, una secesión en la
aparición de los productos sustitutos, hacen que estos modelos pierdan su validez.
En un análisis de serie de tiempo se distinguen cuatro componentes básicos:
 La tendencia
 Un factor cíclico
 Las fluctuaciones estaciónales
 Las variaciones no sistemáticas
La tendencia, se refiere al crecimiento o declinación en el largo plazo
del valor promedio de las variables estudiadas, su importancia se deriva de considerar
fluctuaciones en el nivel de las variables en el tiempo, con el cual el estudio del nivel
 promedio de las variables a largo plazo del tiempo es mejor que el estudio de la
variable en un momento especifico de tiempo.
Factor cíclico, es cuando la tendencia a largo plazo para las variables, pueden darse
por divergencia significativa entre la línea de tendencia proyectada y el valor real que
exhiban las variables.
Este admite entre sus causas el comportamiento del efecto combinado de fuerzas
económicas, sociales, políticas tecnológicas culturales, y otras existentes en el
mercado. La mayoría de estos cíclicos no tienen patrones constantes que permitan
prever su ocurrencia, magnitud y duración.
Componentes estaciónales, estos exhiben fluctuaciones que se repiten en forma
periódica y que normalmente dependen de factores como clima (ropa de verano) y la
tradición ( tarjetas de navidad), entre otros.
Componente sistemático, es cuando una variables puede tener un componente real
distinto del previsible por su línea de tendencia y por los factores cíclicos y
estaciónales.
A largo plazo los componentes estaciónales y aleatorios son menos relevante que el
componente cíclico, pero a medida que los pronósticos se van acortando, el
componente no sistemático pasa a ser primordial y la línea de tendencia, la menos
importante.
En los modelos de serie de tiempo la Dervitsiotis plantea dos modelos que explican la
forma de interacción de los componentes:
a-) El aditivo que permite calcular el comportamiento de una variable (demanda)
como la suma de los cuatro componentes.
b-) El multiplicativo, que dice que las variables pueden expresarse como el producto
de los componentes de la serie de tiempo.
Existen diversos métodos que permiten estimar el comportamiento de una variable y
que aíslan, en general el efecto tendencia. Estos son:
 El método de los promedios móviles
 El afinamiento exponencial
 El de ajuste lineal.
Multicolinealidad

Concepto y causas
El problema de multicolinealidad consiste en la existencia de relaciones lineales entre
dos o más variables independientes del modelo lineal uniecuacional múltiple.

Dependiendo de cómo sea dicha relación lineal hablaremos de multicolinealidad

perfecto o aproximada.

Las principales causas que producen multicolinealidad en un modelo son:

1.- Relación causal entre variables explicativas del modelo.
2.- Escasa variabilidad en las observaciones de las variables independientes.
3.-Reducido tamaño de la muestra.
En definitiva, la multicolinealidad suele ser un problema muestral que se presenta
normalmente en datos con el perfil de series temporales.

Así, por ejemplo, la edad y la experiencia suelen presentar una alta relación ya que
ambas evolucionan conjuntamente: a mayor edad se presupone mayor experiencia.
Por tal motivo será difícil separar el efecto de cada una sobre la variable dependiente
y que se produzca multicolinealidad debido a la relación causal existente entre dichas
variables.

Supongamos ahora que nos pasan una encuesta donde hay que valorar las siguientes
afirmaciones en una encuesta donde hay que valorar las siguientes afirmaciones en
una escala de 1 a 5 1 significa que estamos totalmente en desacuerdos y 5 totalmente
de acuerdo.

. Seguro que saco un 10 en Econometría.

. No me gusta la econometría.
Para la primera afirmación, variable que llamaremos X, tendremos valores
concentrados alrededor de 1, mientras que para la segunda que llamaremos Y,
obtendremos valores al rededor del 5. Por lo tanto, tendríamos dependencia lineal
ya que Y ∼ =5·X.

Estas variables se podrían usar en un modelo donde la variable dependiente es la

calificación obtenida en la asignatura de Econometría: X podría ser indicio de la
calificación esperada e Y del grado de afinidad a la materia.
Como se puede observar, la multicolinealidad de este ejemplo se debe a problemas
con las observaciones disponibles (escasa variabilidad o reducido tamaño de la
muestra). Por tanto, si es capaz de mejorar estos problemas muéstrales se evitaría de
multicolinealidad entre dichas variables.

Multicolinealidad exacta: efectos.

La multicolinealidad exacta o perfecta hace referencia a la existencia de una relación
lineal exacta entre dos o más variables independientes.
Dichos tipos de multicolinealidad se traduce en el incumplimiento de una de las
hipótesis básicas del modelo uniecuacional múltiple: la matriz X no es de rango
completo por columnas, esto es, rg (X) <k
El incumplimiento de dicha hipótesis no permite invertir la matriz X tX, por lo que el
sistema normal
XtX · β = Xty,
Es compatible indeterminado, es decir, es
Imposible obtener una solución única para 𝛽 (hay infinitas).
¿Qué hacer ante esta situación? Evidentemente no se podrán estimarlos coeficientes
de las variables independientes, sin embargo, si se podrá estimar una combinación
lineal de los mismos. Y en tal caso no tenemos garantizado que se puedan recuperar
a partir de estas las estimaciones de los parámetros originales.
Consideremos el modelo
Yt = β1 + β2 Xt2 + β3 Xt3 + ut,
Donde Xt2 − Xt3 = 1.
Entonces, sin más que sustituir Xt2 = 1 + Xt3 en el modelo original:
Yt = β1 + β2 • (1 + Xt3 ) + β3 Xt3 + ut
= (β1 + β2) + (β2 + β3) • Xt3 + ut,
Obtenemos que las combinaciones lineales estimables de los parámetros origina- les
son:
β1 + β2, β2 + β3.
Multicolinealidad aproximada: efectos
La multicolinealidad aproximada hace referencia a la existencia de una relación lineal
aproximada entre dos o más variables independientes.
En este caso, no se incumplirá la hipótesis básica de que la matriz X sea completa
por columnas (rg(X ) = k), por lo que se podrá invertir X t X y obtener los estimadores
por mínimos cuadrados ordinarios. Sin embargo, el determinante de X t X será muy
próximo acero, por lo que (XtX)−1tendera a tener valores altos.
En consecuencia, cuando existe un problema de multicolinealidad no perfecta se
presentan los siguientes problemas:
Las varianzas de los estimadores son muy grandes.
al efectuar contrastes de significación individual no se rechazara´ la hipo´ tesis
nula, mientras que al realizar contrastes conjuntos sí. Los coeficientes estimados serán
muy sensibles ante pequeños cambios en los datos. Un coeficiente de determinación
elevado.

Detección de la Multicolinealidad
Basarse en los síntomas enumerados anteriormente para la detección de la
multicolinealidad no es un procedimiento fiable ya que es subjetivo.
Por tal motivo, para la detección de la multicolinealidad usaremos los métodos:
Número de condición.
Factor de agrandamiento de la varianza.
El número de condición, k(X), se define como la raíz cuadrada del cociente entre el
autovalor más grande de X t X, λ máx., y el más pequeño, λ min, Esto es:

Si dicho número de condición toma un valor entre 20 y 30 estamos ante un problema

de multicolinealidad probable y se considera seguro si supera 30.
El factor de agrandamiento de la varianza, F A V, se define para cada uno de los
coeficientes como:

Donde R2i es el coeficiente de determinación obtenido al efectuar la regresión de Xi

sobre el resto de las variables independientes del modelo. El FAV se interpreta como
la razón entre la varianza observada y la que habría sido en caso de que Xi estuviera
incorrelacionada con el resto de variable sin dependientes del modelo, es decir,
muestra en qué medida se agranda la varianza del estimador como consecuencia de
la relación de los regresores. Valores del FAV superiores a 10 hacen pensar en la posible
existencia de multicolinealidad en el modelo.
Soluciones al problema de multicolinealidad
Algunas de las posibles soluciones al problema de multicolinealidad son las siguientes:
 Mejora del diseño muestral extrayendo la información máxima de la variables
observadas.
 Eliminación de las variables que se sospechan son causantes de la
multicolinealidad.
 En caso de disponer de pocas observaciones, aumentar el tamaño de la
muestra.
 Utilizar la relación extramuestral que permita realizar relaciones entre los
parámetros (información a priori) que permita estimar el modelo por mínimos
cuadrados restringidos.
Por otro lado, algunos autores sugieren tratar el problema de la multicolinealidad de
forma mecánica y puramente numérica proponiendo una técnica conocida como
regresión alomada. Sin embargo, esta técnica tiene dos problemas importantes: es
arbitraria y los estimadores obtenidos no son interpretables.

I.-Definición: ¿Qué es la Heterocedasticidad?

El modelo básico de regresión lineal exige, como hipótesis básica, que la

varianza de las perturbaciones aleatorias, condicional a los valores de los regresores
X, sea constante:
Var(ui /Xi ) = σ2
Aunque generalmente la hipótesis se formula sin mencionar el carácter condicional
de la varianza, simplemente como:

Var(ui ) = σ2

Para comprender de forma intuitiva esta restricción podemos razonar del siguiente
modo. Iguales varianzas de “u” para los distintos valores de “x” implica

necesariamente igual dispersión (varianza) de “y” para distintos valores de “x”2 lo

que implica necesariamente que la recta de regresión de “Y” sobre “X” va a
representar con igual precisión la relación entre “x” e “y” independientemente de
los valores de “x”.
Esto es muy importante porque debe recordarse que el análisis de regresión es un
análisis de regresión condicional de “y” sobre “x” lo cual implica, por lógica, que si
se desea obtener un parámetro de relación estable y útil entre ambas variables,
los valores muéstrales de “y” deben mostrarse igualmente dispersos ante
variaciones de “x”. Dicho de otro modo, y en términos del error, aunque el error
puede ser mayor para mayores valores de “x” (no se fuerza que el error tenga un
tamaño igual para el recorrido de “x”) la dispersión del error alrededor de la recta
de regresión será la misma. Esto permite considerar como igualmente válidos todos
los datos muéstrales de los regresores “x” para determinar la relación condicional de
“y” a los valores de “x” sin tener que ponderar más o menos unos valores u otros de
“x” en función de la menor o mayor dispersión de “y” en los distintos casos.

Como ya se vio anteriormente, en el caso concreto de la presencia de una matriz

de varianzas-covarianzas no escalar de las perturbaciones aleatorias, la
estimación máximo verosímil de los parámetros del modelo resulta ahora.
ΒMCG = [X´Σ-1 X]-1 X´Σ-1 Y
Un estimador que goza de buenas propiedades estadísticas (lineal,
insesgado, eficiente y consistente ).
II.-Causas frecuentes de Heterocedasticidad
Como siempre solemos apuntar en el análisis de las causas de los incumplimientos
de hipótesis del MBRL, debe decirse, en primer lugar, que muchos fenómenos
de interés son, por naturaleza, de carácter heterocedástico. La distribución
del gasto, la renta, el ahorro, los beneficios empresariales, …. Cientos de
ejemplos se corresponden más con una distribución heterocedástica que
homocedástica. La variabilidad de los fenómenos económicos, medida con
muestras temporales o transversales, que justifica el análisis de regresión, no sólo
nos muestra variación en las medias sino también, y a veces de forma
fundamental, evidentes comportamientos heterocedástico.
En todo caso, y más allá de la heterocedasticidad “natural”, conviene identificar
algunas situaciones específicas, habituales en la econometría empírica, asociadas
al riesgo de heterocedasticidad. Aunque las que se citan a continuación no son las
únicas posibilidades que dan lugar a un modelo heterocedástico sí se encuentran,
probablemente, entre las más frecuentes.
A.- Causas relacionadas con la incorrecta especificación:
A.1.- Omisióndevariablesrelevantesenelmodeloespecificado.
En este caso no hablamos de las variables seleccionadas, sino, precisamente, de
las no seleccionadas. Cuando se ha omitido una variable en la especificación, dicha
variable quedará parcialmente recogida en el comportamiento de las
perturbaciones aleatorias, pudiendo “contagiar” a éstas su propia variación, no
necesariamente homocedástica.
Recuérdese que la hipótesis de homocedasticidad hace referencia a la varianza
constante de las perturbaciones aleatorias, pero no obliga a que las variables
explicativas tengan también varianza constante. Así pues, y en términos generales,
la utilización de variables exógenas de naturaleza heterocedástica puede
contagiar/provocar un comportamiento heterocedástico de la perturbación
aleatoria.
A.2.- Cambio de estructura.
Un cambio de estructura provoca un mal ajuste de los parámetros al conjunto de los
datos maestrales. Este problema no tiene por qué producirse del mismo modo en
todo el recorrido de la muestra, pudiendo generar cuantías de desajuste del
modelo diferentes y, por tanto, varianza no constante por subperíodos.
A.3. Forma funcional incorrecta.
La utilización de una forma funcional incorrecta, por ejemplo la utilización de
una función lineal en lugar de una logarítmica potencial, puede provocar que la
calidad del ajuste de la regresión varíe según los valores de las exógenas, por
ejemplo, ajustando bien para los valores pequeños y mal para los grandes; en ese
caso, es posible que en las zonas de peor ajuste existan, no sólo errores mayores,
sino también errores más dispersos.
 III.-Efectos de la heterocedasticidad sobre elMBRL

En términos generales los efectos de la presencia de heterocedasticidad sobre

el MBRL estimado con Mínimos Cuadrados Ordinarios son:
- El estimador de Mínimos Cuadrados Ordinarios sigue siendo lineal,
insesgado y consistente pero deja de ser eficiente (varianza mínima). Es
interesante recordar que la homocedasticidad de la perturbación no juega
ningún papel relevante en la insesgadez o la consistencia, propiedades muy
importantes que sÍ se alteran, sin embargo, ante la presencia de regresores
estocásticos o, en muchas ocasiones, ante la omisión de variables relevantes.
- Las varianzas del estimador de Mínimos Cuadrados Ordinarios, además de
no ser mínimas, no pueden calcularse con la expresión utilizada en presencia de
homocedasticidad
- V (β) = σ2 (X´X)-1
- Dicho de otro modo, esta expresión es un estimador sesgado de la verdadera
varianza de los parámetros; alternativamente, debe utilizarse la nueva
expresión.
-cov – var (β) = σ2 (X´X)-1 X1ΣX[X´X]-1
- Así pues, si se sigue utilizando la versión “homocedástica” de MCO, se cometerá
un error de cálculo en la varianza lo que implica, básicamente, que nuestros
cálculos “t” ya no podrán comprarse con los valores de referencia correctos de
distribuciones “t”, y lo mismo ocurrirá con el resto de cálculos “derivados” de la
varianza estimada: el contraste “F” ya no se distribuirá como una “F” o los
contrastes LM ya no seguirán una Chi-Cuadrado.
IV.-CómosedetectalapresenciadeHeterocedasticidad
Antes de entrar a enumerar y revisar brevemente los principales procedimientos
deben quedar claras dos cuestiones preliminares:
1.- Resultará imposible observar directamente la presencia de heterocedasticidad ya
que, en la mayoría de los análisis econométricos, sólo dispondremos de un valor
de “Y” para cada valor de “X” (y por tanto de un único valor de “U”) por lo que
resulta conceptualmente imposible observar si la varianza de las “U” para cada valor
de “X” es la misma. Por tanto, la mayor parte de los métodos se apoyarán en los
residuos obtenidos en un modelo previo (estimado generalmente con MCO); estos
residuos, se utilizarán como una muestra válida de las perturbaciones aleatorias
desconocidas.
2.- Antes de la aplicación de métodos técnicos (más o menos informales) debemos
preguntarnos por la existencia de heterocedasticidad desde un punto de vista
teórico considerando la naturaleza del problema analizado, las exógenas incluidas
y, en definitiva, la propensión teórica del modelo hacia la heterocedasticidad.
A.- Contrastes Gráficos.
A.1) Gráfica del error a través de las distintas observaciones del modelo
Dado que las series económicas presentan casi siempre una tendencia definida
(positiva o negativa), la simple gráfica de error puede servir para conocer
intuitivamente si el mero transcurso del tiempo da lugar a un
incremento/decremento continuado del error, lo que sería significativo de una
relación entre la evolución de las variables del modelo y los valores cada vez
mayores o cada vez menores de éste.

En ambos La mera evolución del tiempo está correlacionada con valores cada vez
mayores (izquierda) del error o cada vez menores (derecha), con lo que el cálculo
de la varianza por subperíodos arrojaría valores significativamente diferentes; es
decir la serie del error sería heterocedástica.

B. Contrastes
numéricos

Todos los procedimientos presentados aquí tratan de cuantificar la presencia de

heterocedasticidad. Algunos de ellos, no sólo se limitan a cuantificarla sino que,
además, permiten valorar la existencia de heterocedasticidad en términos de
probabilidad recurriendo a distribuciones estadísticas conocidas; este último grupo

de contrates se denominan, por ello, contrastes "paramétricos". 8

En la siguiente tabla se hace un pequeño ejemplo numérico de cálculo del

coeficiente de Spearman para clarificar lo dicho hasta ahora.

Series originales Series ordenadas

Puesto Puesto d d2
Puesto xji |ei| xji |ei|
original original
1 1.838 1,6 424 2 1,2 3 2-3=-1 1
2 424 1,4 501 3 1,3 4 3-4=-1 1
3 501 1,2 688 5 1,4 2 5-2=3 9
4 2.332 1,3 1.838 1 1,5 5 1-5=-4 16
5 688 1,5 2.332 4 1,6 1 4-1=3 9
 En este caso, el grado de correlación negativa de ambas series sería bastante
elevado, dado que los extremos de correlación serían +/-1.

Para valorar la significatividad o no de esta correlación, se conoce la función de

distribución del siguiente ratio bajo la hipótesis nula de no significatividad,
demostrado por el autor:

Con ello, si el resultado de la ratio es superior al valor de tablas podremos afirmar

que la correlación es significativa o, de cara a nuestro interés en este caso, que hay
indicios de heterocedasticidad en el modelo provocado por la variable xji.
V.- COMO SE CORRIGE
Antes de entrar en los métodos operativos que permiten la estimación en presencia
de heterocedasticidad, deben hacerse dos puntualizaciones:
1.- La corrección que se verá en este apartado se plantea como una estrategia
adaptativa, de convivencia con la heterocedasticidad pero, en todo caso, debe
entenderse que, en algunas ocasiones, el problema que genera un comportamiento
heterocedástico de la perturbación puede resolverse variando la especificación lo
que, sin duda alguna, sería una verdadera corrección del problema.
2.- La estimación alternativa al uso de MCO en situaciones de heterocedasticidad es
la utilización de MCG y, por tanto, esta es la única estrategia analíticamente correcta
para la solución del problema. No obstante, y como ya se ha dicho, esto implicaría
conocer el verdadero valor de la matriz sigma de varianzas y covarianzas, situación
que, en la práctica, no es habitual. Por tanto, los métodos que se presentan aquí
suponen una alternativa operativa a esta hipotética situación ideal.
MODELOS DE SERIE DE TIEMPOS
DEFINICION.

Una serie de tiempo es una colección o conjunto de mediciones de cierto fenómeno o

experimento registrados secuencialmente en el tiempo, en forma equiespaciada (a
intervalos de tiempo iguales).
Las observaciones de una serie de tiempo serán denotadas por

Y(t ), Y(t ) ,... , Y(t )

1 2 n

donde Y(t ) es el valor tomado por el proceso en el instante t.

i

Ejemplos de series de tiempo

1.-Economía: Precios de un artículo, tasas de desempleo, tasa de inf lación, índice de
precios, precio del dólar, precio del cobre, precios de acciones, ingreso nacional
bruto, etc.
2.-Meteorología: Cantidad de agua caída, temperatura máxima diaria, Velocidad del
viento (energía eólica), energía solar, etc.
3.-Geofísica: Series sismológicas.
4. Química: Viscosidad de un proceso, temperatura de un proceso.
5. Demografía: Tasas de natalidad, tasas de mortalidad.
6. Medicina: Electrocardiograma, electroencefalograma.
7. Marketing: Series de demanda, gastos, utilidades, ventas, ofertas.
8. Telecomunicaciones: Análisis de señales.
9. Transporte: Series de tráfico.
...y muchos otros.
ANALISIS GRAFICO DE UNA SERIE DE TIEMPO
Por muy simple que parezca, el paso más importante en el análisis de series de
tiempo consiste en graficar la serie.
Esto debe hacerse siempre, independiente de cuán simples o complejos sean los
procedimientos que se emplean posteriormente.
El gráfico de la serie permitirá detectar los siguientes elementos:
a) Outliers:
Se refiere a puntos de la serie que se escapan de lo normal.
Si se sospecha que una observación es un outliers, se debe reunir información
adicional sobre posibles factores que afectaron el proceso.
Por ejemplo, en un estudio de la producción diaria de cobre se presentó la siguiente
situación:

Outliers

b) Tendencias
La tendencia representa el comportamiento predominante de la serie.
Esta puede ser definida vagamente como el cambio de la media a lo largo de un
extenso período de tiempo
c) Variaciones cíclicas o estacionales
La variación estacional representa un movimiento periódico de la serie de tiempo.
La duración del período puede ser un año, un trimestre, un mes, un día, etc.

Se suele hacer una distinción entre componentes cíclicas y estacionarias.

Estas últimas ocurren con períodos identificables, como la estacionalidad del empleo,
o de la venta de ciertos productos, cuyo período es un año.
El término variación cíclica se suele referir a ciclos grandes, cuyo período no es
atribuible a alguna causa.
Por ejemplo, fenómenos climáticos, que tienen ciclos que duran varios años.
Las tendencias y estacionalidades pueden darse simultáneamente.
d) Variaciones aleatorias.
Los movimientos irregulares (al azar) representan todos los tipos de movimientos de
una serie de tiempo que no sea tendencia, variaciones estacionales y f luctuaciones
cíclicas.
Ejercicios:
1) Para cada una de las series graficadas a continuación realizar al análisis gráfico
completando la tabla de familiarización.

2) Construya la gráfica y la tabla de familiarización para la siguiente serie:

Planificación de un casino
Objetivos: Planificación de compra de alimentos y necesidades de servicio para
satisfacer la demanda de almuerzo en un gran casino.
Serie: Número de almuerzos servidos por mes en el casino II de la Universidad de
Campiñas-Brasil para el período de enero 1997 a marzo de 2000, de acuerdo a la
administración general del restaurante.
 t Y(t) t Y(t) t Y(t)
1 20636 14 28183 27 63167
2 18708 15 56632 28 42520
3 62944 16 56641 29 50572
4 50272 17 56555 30 53875
5 69375 18 57185 31 27233
6 50056 19 33906 32 57942
7 20604 20 67261 33 47610
8 54947 21 52232 34 61738
9 50576 22 58232 35 51168
10 50425 23 45726 36 26370
11 44202 24 24550 37 42964
12 27604 25 30954 38 42748
13 28791 26 34295 39 62390

Modelos Clásicos

Un modelo clásico de series de tiempo, supone que la serie Y(1), ..., Y(n) puede ser
expresada como suma o producto de tres componentes:
Tendencia,
Componente estacional,
Término de error aleatorio.
1. Y(t) = T(t)+E(t)+A(t) Modelo aditivo
2. Y(t) = T(t) E(t) A(t) Modelo multiplicativo

donde:
T: Tendencia de la serie.
E: Variación Estacional.
A: Variaciones aleatorias.
El gráfico siguiente muestra la serie y sus componentes, para el caso aditivo.
ESTIMACIÓN DE LA TENDENCIA
Hay varios métodos para estimar la tendencia T(t), uno de ellos es utilizar un modelo
de regresión lineal.
Se pueden utilizar otros tipos de regresiones, como regresión cuadrática, logística,
exponencial, entre otros.
ESTIMACIÓN DE LA TENDENCIA
Hay varios métodos para estimar la tendencia T(t), uno de ellos es utilizar un modelo
de regresión lineal.
Se pueden utilizar otros tipos de regresiones, como regresión cuadrática, logística,
exponencial, entre otros.
Consumo de Energía Eléctrica

t Y(t) t Y(t)
1 84,6 13 110,3
2 89,9 14 118,1
3 81,9 15 116,5
4 95,4 16 134,2
5 91,2 17 134,7
6 89,8 18 144,8
7 89,7 19 144,4
8 97,9 20 159,2
9 103,4 21 168,2
10 107,6 22 175,2
11 120,4 23 174,5
12 109,6 24 173,7

Gráfico de la serie:

Cons um o e le ctrico

200
consumo

150
100
50
0

m es
El modelo de tendencia propuesto es un modelo de regresión lineal:
Y(t) = 0 1 t + A(t)
Recurriendo al método de mínimos cuadrados se estiman los parámetros y se obtiene
T(t)  68.45  4.24 * t

La serie sin tendencia se de la siguiente manera:

Cons um o e le ctrico

20,00

10,00
consumo

0,00

-10,00
-20,00
mes

Se observa un ciclo que dura casi todo el período observado, de 24 meses

ESTIMACION DE LA COMPONENTE ESTACIONAL
Para estimarla, se debe conocer el período, y se deben tener datos de varios períodos
consecutivos.
Por ejemplo, datos mensuales, estacionalidad de un año.
El ejemplo siguiente ilustra la forma de obtener la componente estacional.
EJEMPLO 2.
Indicador Mensual de Actividad Económica (IMACEC). Base del índice : 1996=100
Corresponde al nuevo Indicador Mensual de Actividad Económica (Imacec),
estructurado a base de la matriz insumo-producto de 1996. La cobertura de este
indicador comprende casi la totalidad de las actividades económicas incluidas en el
PIB.
Las cifras de 2000 y 2001 son provisionales.
Las cifras de 2002 y 2003 son preliminares.
Se estima la tendencia por el método de mínimos cuadrados, de regresión lineal
Y (t )  a  bt  A(t )

dando el siguiente resultado:

Intercepto a = 100.3 . Corresponde al valor de partida.
Pendiente b = 0.253 . Corresponde al aumento medio mensual.
Coeficiente de determinación R2 = 0.74, que indica un ajuste moderadamente bueno.
El error estándar de los errores se estimó en 3.98.
La recta de regresión correspondiente a la tendencia se muestra en el siguiente
gráfico:
EJEMPLO 2.
Precio del dólar observado, días miércoles, enero a junio año 2003.
Fuente: Banco Central de Chile.
En las columnas 3 a 6, se entregan los promedios móviles de orden 3, 5, 7 y 9,
respectivamente.

La serie original aparece graficada a continuación

En el siguiente ejemplo se aplica el objeto de la econometría, eliminación de la
estacionalidad, consistencia del estimador MCO de β en el modelo Y1 = α + βX1 + u1.
Y la estimación de los modelos con perturbaciones heterocedásticas.

Aplicació n.

Con los siguientes datos correspondientes al mercado de maíz en USA

 a) medir la ley de la demanda indicando el valor de la elasticidad (debe
usarse el cálculo matricial, y
b) Construir un intervalo de confianza del 5% (valor crítico = 2) para la
predicción en 1891, siendo los valores en dicho año, Y = 2060.15, X = 40.6.
SOLUCIÓN A LA APLICACIÓN
a) La teoría de la demanda establece en términos estáticos, una relación
inversa entre cantidades demandadas y precios. Dicha relación está sujeta a la
cláusula ceteris paribus. La medición con series históricas ha de tener en cuenta
esta circunstancia.

Una forma de hacerlo consiste en considerar que junto con la tendencia

se eliminan el resto de los factores diferentes del precio, que pudieran influir
sobre la demanda. Por ello una especificación adecuada sería:

Yt = a + bXt cT
Donde Y representa la producción, X el precio y T la tendencia. Para medir
directamente la elasticidad, consideramos las dos primeras series en
logaritmos. Por tanto:

La elasticidad es negativa y la relación inelástica. Ambos resultados son acordes con la hipótesis
teórica: el signo de la pendiente ha de ser negativo y, por otra parte, la Elasticidad de los
productos agrarios suele ser menor que la unidad.
El término independiente es:
La solución presentada no es la única posible. Pueden utilizarse también los valores
originales (no los transformados en logaritmos), o las tasas de variación. En cualquier
caso el modelo empleado debe instrumentar el ceteris paribus. Una forma de hacerlo
es incluir la tendencia como un regresor más, interpretando que la inf luencia del resto
de los factores (los incluidos en la cláusula ceteris paribus), se elimina junto con la
tendencia. En el caso de emplear tasas de variación, puesto que éstas ya eliminan
directamente la tendencia, la medición puede reducirse a una regresión simple.
Conclus io
nes :
1) Prueba teorías económicas o hipótesis. Por ejemplo, ¿está el consumo directamente
relacionado con el ingreso?, ¿está la cantidad demandada de un artículo inversamente
relacionada con su precio?
2) Da estimaciones numéricas de los coeficientes de las relaciones económicas. Estos
son esenciales en la toma de decisiones. Por ejemplo, un asesor gubernamental
necesita tener una estimación exacta del coeficiente de la relación entre consumo e
ingreso con el fin de determinar el efecto estimulante de una reducción de impuestos
propuesta.
3) Predice los sucesos económicos
4) Pronóstico de variables macroeconómicas (inf lación, el producto interno bruto…)
5) Estudios aplicados a diversos campos de la economía (Ej.: estudio de los efectos de
los gastos de las campañas políticas en los resultados de las votaciones, en el efecto de
los gastos en educación en el rendimiento de los estudiantes, etc.)
6) Literalmente, econometría significa “medición económica”.}
7) El análisis de regresión se relaciona en gran medida con la estimación y/o predicción
de la media (de la población) o valor promedio de la variable dependiente, con base
en los valores conocidos o fijos de las variables explicativas

REFERENCIA BIBLIOGRAFIA.
SUÁREZ, Mario, (2011), Análisis de tendencia para series de tiempo,
www.monografias.com/trabajos87/
MURILLO FORT, Carlos (2000) Manual de Econometria, Capitulo 9, pagina 23
CASTILLO PONCE, Ramón Econometria Practica: Fundamentos de Series de
Tiempo.
ESTEBAN GONZÁLES, Victoria, Econometria Basica Aplicada con Gretl.
GUJARATI, Damodar. N Econometria (Quinta edición).
D.FRANCISCO PARRA RODRIGUEZ. Econometria básica, jefe de servicio de
estadistica Economicas y sociodemograficas. Instituto Cantabro de Estadistica.
ICANE.