Guía Didáctica ECONOMETRIA

Econometría Básica
Guía didáctica
MAD-UTPL
Facultad de Ciencias Económicas y Empresariales
Departamento de Economía
Guía didáctica
Carrera PAO Nivel
Economía IV
Autor:
Oswaldo Francisco Ochoa Ordóñez
ECON_3039 Asesoría virtual

www.utpl.edu.ec
MAD-UTPL
Universidad Técnica Particular de Loja
Guía didáctica
Oswaldo Francisco Ochoa Ordóñez
Diagramación y diseño digital:
Ediloja Cía. Ltda.

Telefax: 593-7-2611418.
San Cayetano Alto s/n.
www.ediloja.com.ec
edilojacialtda@ediloja.com.ec
Loja-Ecuador
ISBN digital - 978-9942-39-903-8
Reconocimiento-NoComercial-CompartirIgual
4.0 Internacional (CC BY-NC-SA 4.0)
Usted acepta y acuerda estar obligado por los términos y condiciones de esta Licencia, por lo que, si existe el
incumplimiento de algunas de estas condiciones, no se autoriza el uso de ningún contenido.
Los contenidos de este trabajo están sujetos a una licencia internacional Creative Commons
Reconocimiento-NoComercial-CompartirIgual 4.0 (CC BY-NC-SA 4.0). Usted es libre de Compartir —
copiar y redistribuir el material en cualquier medio o formato. Adaptar — remezclar, transformar y construir
a partir del material citando la fuente, bajo los siguientes términos: Reconocimiento- debe dar crédito de
manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo
en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la
licenciante. No Comercial-no puede hacer uso del material con propósitos comerciales. Compartir igual-Si
remezcla, transforma o crea a partir del material, debe distribuir su contribución bajo la misma licencia del
original. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otras a
hacer cualquier uso permitido por la licencia. https://creativecommons.org/licenses/by-nc-sa/4.0/
03 de octubre, 2023
MAD-UTPL
Índice Índice
1. Datos de información................................................................................ 8
1.1. Presentación de la asignatura.......................................................... 8
1.2. Competencias genéricas de la UTPL............................................... 8
1.3. Competencias específicas de la carrera......................................... 9
1.4. Problemática que aborda la asignatura........................................... 9
2. Metodología de aprendizaje...................................................................... 9
3. Orientaciones didácticas por resultados de aprendizaje............................ 11
Primer bimestre............................................................................................. 11
Resultado de aprendizaje 1 y 2..................................................................... 11
Contenidos, recursos y actividades de aprendizaje............................................. 11
Semana 1 .................................................................................................... 12
Unidad 1. La naturaleza de la econometría y los datos económicos............. 12

1.1. ¿Qué es la econometría?...................................................................... 12
1.2. Pasos en un análisis económico empírico......................................... 12
1.3. Estructura de los datos........................................................................ 13
1.4. Causalidad y la noción ceteris paribus............................................... 14
Actividades de aprendizaje recomendadas............................................... 15
Autoevaluación 1.......................................................................................... 17
Semana 2 .................................................................................................... 19
Unidad 2. Regresión lineal con un regresor único......................................... 19

2.1. El modelo de regresión lineal.............................................................. 19
2.2. Estimación de los coeficientes del modelo de regresión lineal ....... 21
2.3. Medida de ajuste.................................................................................. 25
Semana 3 .................................................................................................... 27
2.4. Los supuestos de mínimos cuadrados............................................... 27

2.5. Distribución muestral de los estimadores de MCO........................... 28
2.6. Conclusión............................................................................................ 29
4 MAD-UTPL
Semana 4 .................................................................................................... 30
Índice
2.7. Unidades de medición y forma funcional........................................... 30

2.8. Valores esperados y varianzas de los estimadores de MCO............ 32
2.9. Regresión a través del origen.............................................................. 33
Semana 5 .................................................................................................... 35
2.10. Contraste de hipótesis acerca de uno de los coeficientes de

regresión............................................................................................... 35
2.11. Intervalos de confianza para coeficiente de regresión...................... 37
Semana 6 .................................................................................................... 38
2.12. Heterocedasticidad y homocedasticidad........................................... 38

2.13. Fundamentos teóricos de mínimos cuadrados ordinarios................ 40
2.14. La utilización del estadístico t en regresión para muestras
pequeñas.............................................................................................. 41
Autoevaluación 2.......................................................................................... 43
Resultado de aprendizaje 3........................................................................... 45
Semana 7 .................................................................................................... 45
Unidad 3. Análisis de regresión múltiple: estimación................................... 45

3.1. Motivación para la regresión múltiple................................................. 45
3.2. Mecánica e interpretación de los mínimos cuadrados ordinarios.... 46
3.3. Valor esperado de los estimadores de MCO...................................... 49
3.4. Varianza de los estimadores de MCO................................................. 51
3.5. Eficiencia de MCO: el teorema de GAUSS – MARKOV...................... 52
Autoevaluación 3.......................................................................................... 54
Semana 8 .................................................................................................... 56
Actividades finales del bimestre................................................................. 56

5 MAD-UTPL
Segundo bimestre......................................................................................... 57
Índice
Semana 9 .................................................................................................... 57
Unidad 4. Análisis de regresión múltiple: inferencia..................................... 57

4.1. Distribución de muestreo de los estimadores de MCO..................... 57
4.2. Prueba de hipótesis para un solo parámetro poblacional:
la prueba t............................................................................................. 59
4.3. Intervalos de confianza........................................................................ 59
Semana 10 .................................................................................................. 61
4.4. Prueba de hipótesis de una sola combinación lineal de los

parámetros........................................................................................... 61
4.5. Pruebas de restricciones lineales múltiples: la prueba F.................. 62
4.6. Informe de resultados.......................................................................... 63
Semana 11 .................................................................................................. 65
4.7. Consistencia......................................................................................... 65
4.8. Normalidad asintótica e inferencia con muestras grandes.............. 67
4.9. Eficiencia asintótica de MCO............................................................... 68
Semana 12 .................................................................................................. 70
4.10. Efectos del escalamiento de datos sobre los estadísticos de MCO. 70

4.11. Más acerca de la forma funcional....................................................... 70
4.12. Más sobre bondad de ajuste y selección de los regresores............. 73
Autoevaluación 4.......................................................................................... 77
Semana 13 .................................................................................................. 79
6 MAD-UTPL
Unidad 5. Análisis de regresión múltiple con información cualitativa:
variables binarias (o dummys)..................................................... 79 Índice
5.1. Descripción de la información cualitativa.......................................... 79

5.2. Una sola variable binaria independiente............................................. 80
5.3. Uso de las variables binarias en categorías múltiples....................... 81
Semana 14 .................................................................................................. 84
5.4. Interacción en las que intervienen variables binarias........................ 84

5.5. Más acerca del análisis de políticas y evaluación de programas..... 85
Autoevaluación 5.......................................................................................... 87
Semana 15 .................................................................................................. 88
Unidad 6. Multicolinealidad......................................................................... 88
6.1. Naturaleza de la multicolinealidad...................................................... 88
6.2. Consecuencias prácticas de la multicolinealidad.............................. 88
6.3. Detección de la multicolinealidad....................................................... 89
Autoevaluación 6.......................................................................................... 97
Semana 16 .................................................................................................. 99
Actividades finales del bimestre................................................................. 99

4. Solucionario............................................................................................. 101
5. Referencias bibliográficas........................................................................ 107
6. Anexos..................................................................................................... 108
7 MAD-UTPL
1. Datos de información
1.1. Presentación de la asignatura
1.2. Competencias genéricas de la UTPL
Capacidad de abstracción, análisis y síntesis.

Capacidad de aplicar los conocimientos en la práctica.
Conocimiento sobre el área de estudio y la profesión.
Habilidades en el uso de las tecnologías de la información y de la
comunicación.
Capacidad de investigación.
Habilidades para buscar, procesar y analizar información procedente
de fuentes diversas.
Capacidad para identificar, plantear y resolver problemas.
Capacidad para tomar decisiones.
Habilidades interpersonales.
8 MAD-UTPL
1.3. Competencias específicas de la carrera
Analiza e interpreta el entorno económico social.

Desarrolla el pensamiento matemático y estadístico para la aplicación
y análisis de aspectos económicos.
1.4. Problemática que aborda la asignatura
En la actualidad parte de las teorías económicas no aplican componentes

matemáticos o estadísticos a la hora de resolver problemas económicos.
Es por esto que muchos investigadores poseen débiles competencias
numéricas para demostrar empíricamente la evolución de los fenómenos
económicos, que ayudan en gran parte a entender y pronosticar la evolución
de estas economías; es por esto que la asignatura de Econometría Básica
es importante a la hora de poder resolver los problemas antes mencionados,
ya que permite al estudiante comprender los métodos y modelos
econométricos para la representación y solución de problemas económicos
y financieros.
2. Metodología de aprendizaje
A través del aprendizaje por descubrimiento y el aprendizaje basado en

problemas, usted va a comprender y analizar cada uno de los elementos que
se contemplan en la planificación semanal.
Para ello, lo invito a revisar los materiales y recursos educativos que se

han previsto en cada uno de los temas a desarrollarse en las semanas que
comprende el período académico.
Mediante la lectura de los documentos elaborados y también con las

orientaciones académicas que reciba por parte de su profesor, podrá
descubrir la utilidad de las medidas e indicadores que le permitan lograr los
resultados de aprendizaje y, por tanto, el desarrollo de las competencias
profesionales.
9 MAD-UTPL
La aplicabilidad se la descubre mediante el desarrollo de problemas, de
ahí que es importante que vaya revisando los ejercicios desarrollados en el
texto básico, así como también vaya desarrollando otros ejercicios que se
encuentran propuestos en el texto.
Metodología de aprendizaje por descubrimiento
La metodología de aprendizaje por descubrimiento es un enfoque educativo

que busca promover el aprendizaje activo y significativo a través de la
exploración y el descubrimiento por parte del estudiante. En lugar de
transmitir información de manera pasiva, el aprendizaje por descubrimiento
involucra a los estudiantes en el proceso de búsqueda, análisis y
comprensión de conceptos y principios por sí mismos.
A diferencia del aprendizaje tradicional, en el que el docente es el principal

transmisor del conocimiento, en el aprendizaje por descubrimiento, el rol
del educador es el de facilitador o guía. Los estudiantes son animados a
formular preguntas, plantear hipótesis, realizar experimentos y descubrir
soluciones o respuestas por sí mismos.
Metodología de aprendizaje basado en problemas
La metodología de Aprendizaje Basado en Problemas (ABP) es un enfoque

educativo que se centra en el estudiante y su participación activa en la
resolución de problemas reales o situaciones complejas. No se centra
únicamente en la transmisión de conocimientos teóricos, el ABP promueve
el aprendizaje a través de la investigación y la solución de problemas
prácticos que los estudiantes pueden encontrar en su vida profesional o en
el mundo real.
10 MAD-UTPL
3. Orientaciones didácticas por resultados de aprendizaje 1 Bimestre
Primer bimestre
Analiza la relación lineal entre dos variables y

predice la dependencia de una con respecto a la
Resultado de
otra.
aprendizaje 1
y 2 Comprende la utilidad de un análisis de regresión
lineal simple.
Para lograr los resultados de aprendizaje, es necesario partir de la

identificación de los elementos conceptuales de lo que comprende el ámbito
de un modelo de regresión, por ello, lo invito a que asuma con claridad los
diferentes conceptos, comprendiendo su significado, alcance y aplicabilidad
en cada uno de los momentos de aprendizaje.
Cuando haya logrado comprender cada uno de los elementos conceptuales,

podrá entender a qué se refieren los modelos de regresión, su utilidad y
estructura.
Contenidos, recursos y actividades de aprendizaje
11 MAD-UTPL
Semana 1
Unidad 1. La naturaleza de la econometría y los datos económicos 1 Bimestre
1.1. ¿Qué es la econometría?
Iniciamos el estudio de la econometría, destacando algunos conceptos

básicos, que nos permitan entender qué es la econometría:
Para Wooldridge, (2009), “la Econometría se basa en métodos estadísticos

para estimar relaciones económicas, probar teorías económicas y evaluar e
implementar políticas públicas y de negocios”.
En esa misma línea, Golberger, (1964) menciona que “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”.
Para Stock & Watson, (2012), “la econometría es la ciencia y el arte de

utilizar la teoría económica y las técnicas estadísticas para analizar los
datos económicos”.
En definitiva, la econometría se basa en la explicación cuantitativa de

los fenómenos económicos, financieros y sociales de un país, a través
del uso de las matemáticas, la estadística, la macro y microeconomía;
en fin, construir modelos económicos que pueden ser probados y
estimados utilizando datos observados. Estos modelos pueden incluir
variables económicas, sociales y demográficas, y permiten estudiar cómo
estas variables se relacionan entre sí y cómo influyen en los resultados
económicos. Además, los modelos econométricos también son utilizados
en las ciencias sociales, políticas y sociológicas.
1.2. Pasos en un análisis económico empírico
Los modelos econométricos son utilizados para probar alguna teoría

económica o para expresar alguna relación que tiene una importancia para
la toma de decisiones, ya sea de negocios o para el tema de políticas. Es
12 MAD-UTPL
por esto por lo que debemos seguir una serie de pasos generales que nos
permitan estructurar un análisis económico o de cualquier índole en forma
empírica.
En la siguiente infografía se indican los pasos generales que permiten 1 Bimestre
estructurar un modelo de regresión.
Análisis económico empírico
1.3. Estructura de los datos
Tabla 1
Tipos de información
Datos de corte transversal

Contiene una muestra de datos sea de: individuos, empresas, hogares, cantones,
provincias, países, etc, tomada en un punto específico del tiempo.
Datos muy utilizados en la economía (microeconomía aplicada). Por ejemplo: economía
laboral, economía urbana, finanzas públicas entre otras.
Algunas tablas del texto básico que representan esta información son: tabla 1.1.
A nivel país están los datos de la encuesta ENEMDU
Datos también utilizados en las ciencias sociales.
Datos de series de tiempo
Es información de una o varias variables a lo largo del tiempo.
Información de serie temporal puede ser: por horas, diarias, semanal, quincenal,
mensual, bimestral, trimestral, semestral, anual, etc.
Ejemplo de variables tenemos: PIB, inflación, tasas de interés, precios de las acciones,
tasa anual de homicidios, etc.
Son un poco más difíciles de analizar, ya que no se puede mantener la independencia de
las observaciones a lo largo del tiempo, por ende pueden estar altamente relacionadas
con sus valores pasados.
Alguna tabla con este tipo de información es la tabla 1.3.
El Banco Mundial posee datos de series temporales de muchas variables de carácter
macroeconómico.
13 MAD-UTPL
Datos de panel o longitudinales
Es una combinación de una serie de tiempo por cada unidad de una base de datos de
corte transversal.
Por ejemplo, la variación del salario promedio de los empleados públicos en cada 1 Bimestre
provincia desde el 2010 al 2020. Estos datos incluyen individuos o provincias como
información de corte transversal y también un periodo temporal de datos.
Las tablas 1.4 y 1.5 son ejemplos de este tipo de información de panel.
Como datos de panel tenemos los datos de la CEPALSTAT, que posee información de
los países de America Latina.
Nota. Adaptado de Introducción a la Econometría, Jeffrey Wooldridge 2010, p. 5.

Cengage Learning. México.
La tabla 1, muestra los distintos tipos de información para estructurar

un modelo de regresión, además se citan algunos ejemplos de tipo de
información que se adapta a estos tipos de información.
1.4. Causalidad y la noción ceteris paribus
La causalidad en econometría se refiere a la relación de causa y efecto

entre variables económicas, mientras que la noción de “ceteris paribus”
se utiliza para analizar el efecto de una variable específica manteniendo
constantes todas las demás variables relevantes. Estos conceptos son
fundamentales en la investigación económica y en la estimación de
modelos econométricos.
Para aplicar el concepto de “ceteris paribus” en econometría, se utilizan

técnicas estadísticas y modelos econométricos. Estos modelos intentan
controlar otras variables que podrían afectar el resultado y evaluar cómo una
variable en particular influye en otra. Para entender mejor estos conceptos,
revise los ejemplos 1.3, 1.4 y 1.5, del texto básico de Wooldridge pág. 13.
Para entender mejor los temas de esta semana, se recomienda, revise el

capítulo 1 del texto básico de Wooldridge, de la página 1 a la 19.
14 MAD-UTPL
Actividades de aprendizaje recomendadas
Es momento de aplicar sus conocimientos a través de las actividades que se 1 Bimestre
han planteado a continuación:
1. Revise las orientaciones desarrolladas por el docente en el aula virtual

y participe en la tutoría permanente.
Procedimiento: para cada una de las semanas, su docente tutor

realizará orientaciones sobre el tema para acercar con mayor claridad
los temas expuestos tanto en la guía virtualizada como en el texto
básico. Allí su docente tutor ubicará ejemplos demostrativos para
cada uno de los temas que se desarrollan en la semana.
2. Revise los conceptos básicos y metodología econométrica propuesta

en el texto básico de Wooldridge.
Procedimiento: para que comprenda los temas desarrollados le

aconsejo que realice cuadros sinópticos o resúmenes en los que tome
las ideas principales con la finalidad de que tenga un documento de
trabajo que posteriormente le permita revisar y comprender cada
tema.
Nota. Por favor complete la actividad en un cuaderno o documento Word.
3. Revise los ejercicios del 2.3 al 2.5 de la página 32.
Procedimiento: en esta actividad usted entenderá cómo es la

interpretación básica de los resultados de un modelo de regresión
simple.
4. Desarrolle la autoevaluación 1 y las actividades recomendadas en la

guía virtualizada.
Procedimiento: en esta actividad debe contestar las preguntas al final

de la unidad 1, esta tarea tiene la finalidad de comprobar que usted
está teniendo sintonía con los temas tratados.
15 MAD-UTPL
La autoevaluación no es obligatoria, sin embargo, le ayudará
a reforzar sus conocimientos y lo prepara para la evaluación
bimestral. ¡Vamos a trabajar!
1 Bimestre
16 MAD-UTPL
Autoevaluación 1
1 Bimestre
De acuerdo a la información analizada, lea comprensivamente cada uno de
los ítems, cuando la pregunta sea dicotómica escriba la respuesta (v/f) y en
las preguntas de opción múltiple elija la respuesta correcta.
1. ¿Qué es la econometría?
a. Es la obtención de datos cualitativos y cuantitativos.

b. Es la obtención del valor medio de las variables independientes.
c. Es el uso de métodos estadísticos para estimar relaciones
económicas.
2. ¿Qué son los datos no experimentales?
a. Datos secundarios cuantitativos.

b. Datos obtenidos de forma controlada.
c. Datos cualitativos secundarios.
3. El primer paso de un análisis económico empírico es:
a. Formular la pregunta de interés.

b. Calcular las variables.
c. Analizar los resultados del modelo.
4. ( ) ¿Una de las variables del modelo de comportamiento

delictivo es la probabilidad de ser atrapado?
5. ( ) ¿Cuándo se precisa el modelo teórico hay que

transformarlo a un modelo matemático?
6. Los datos de corte transversal son:
a. Datos que se generan en un mismo periodo de tiempo, pero en

diversos individuos.
b. Datos en distintos periodos de tiempo.
c. Datos que combinan series de tiempo y corte transversal.
17 MAD-UTPL
7. Un ejemplo de información de corte transversal es:
a. PIB per cápita desde 1970 a 2022.

b. El VAB de las 24 provincias en el año 2022.
c. La inflación mensual desde 2020 a 2022. 1 Bimestre
8. La información de datos de panel es:
a. Información temporal.
b. Información de una serie de tiempo por cada unidad de una base
de corte transversal.
c. Información de corte transversal.
9. Se tiene datos de la oferta monetaria desde 1980 hasta el 2010, qué

tipo de información es:
a. Serie temporal.
b. Panel.
c. Corte transversal.
10. El concepto “ceteris paribus”, significa:
a. Dejar hacer dejar pasar.

b. Si todos los demás factores relevantes permanecen constantes.
c. Relación simple.
18 MAD-UTPL
Semana 2
Unidad 2. Regresión lineal con un regresor único 1 Bimestre
2.1. El modelo de regresión lineal
Es interesante que podamos conocer ¿cómo el endurecimiento de

infracciones de tránsito sobre conductores ebrios puede disminuir la tasa
de mortalidad de los accidentes de tránsito? Con esta interrogante lo que
se quiere conocer son los efectos desconocidos del cambio de una variable
(X), siendo esta el endurecimiento de multas, sobre una variable (Y), siendo
esta la mortalidad por accidentes de tránsito. Lo que se busca es establecer
una relación lineal entre dos variables, como es el caso de Y y X. Entonces,
el problema econométrico consiste en estimar esta pendiente, es decir, el
efecto unitario de la variable X sobre la variable Y, utilizando un conjunto de
datos para cada una de las variables involucradas. Revisemos un ejemplo
que nos permita entender mejor esta relación:
Queremos conocer cuál sería el efecto de la inflación sobre el Producto

Interno Bruto (PIB) en Ecuador, es decir, qué sucede con el PIB, ante una
variación de la inflación, supongamos de un 1 %. Podemos expresar esto en
forma de relación matemática de la siguiente forma:
La letra griega distingue el efecto de la variación en la inflación de

otros posibles efectos. Por tanto.
Donde la letra griega (delta) significa “variación de”. Es decir,

es la variación en el PIB que provoca la variación en la inflación dividida
por la variación en la inflación. Si conociéramos el valor de , sería
posible conocer como una variación en la inflación, afectaría al PIB. Si
reorganizamos la ecuación (1), tendríamos ahora:
19 MAD-UTPL
Supongamos que = -0.6. Entonces un aumento de 1 % en la
inflación, daría lugar a una variación en el PIB esperado de (-0.6) * (1) = - 0.6,
es decir, se podría esperar que el PIB disminuya en 0.6 miles de millones,
como consecuencia del aumento de la inflación en 1 %. 1 Bimestre
La ecuación (1) es la definición de la pendiente de una línea recta que

relaciona al PIB con la inflación, esta recta se puede escribir como:
Donde es el intercepto o constante de esta recta y es la

pendiente. De acuerdo con la ecuación (3). Conociendo B0 y B1, también
podríamos predecir el promedio del PIB de cualquier año, dado el valor de la
inflación de cualquier año.
Pero entendemos que el PIB no solo puede verse influenciado por la

inflación, sino que pueden existir otras variables o factores que lo afecten,
que una vez determinados podrían incluirse en la ecuación (3), por ahora
tendríamos:
Con base a la teoría económica, podríamos decir que factores o variables

como: inversión extranjera directa, oferta monetaria, deuda externa, entre
otras, podrían ser incluidas como variables que expliquen cambios en el PIB.
Entonces la ecuación (4), se puede expresar de forma general de la siguiente

forma, dependiendo de las variables que escojamos para establecer una
relación funcional.
20 MAD-UTPL
Figura 1
Estructura de un modelo de regresión simple
Coeficientes
de regresión 1 Bimestre
= 0 + 1 +
Perturbación
estocástica
Variable Intercepto Variable

dependiente independiente
Pendiente
Nota. Adaptado de Guía didáctica de Econometría Básica (p. 2), por Ochoa, O., 2021,
Ediloja UTPL.
La ecuación de la figura 1, es el modelo de regresión lineal con regresor

único, la cual indica los componentes de esta ecuación. A esta ecuación
también se la conoce como la Función de Regresión Poblacional (FRP).
El término , se conoce como término de error, recoge el efecto de otros

factores o variables sobre la variable dependiente, pero que no fueron
incluidas en el modelo de regresión.
Con base a lo anterior, la regresión lineal es un método estadístico

utilizado para modelar la relación entre una variable dependiente y una
o más variables independientes. Se basa en la suposición de que existe
una relación lineal entre las variables involucradas y lo que se busca es
encontrar la mejor línea recta que se ajuste a un conjunto de datos, la cual
se conoce como línea de regresión o línea de mejor ajuste. El objetivo
de la regresión lineal es minimizar la diferencia entre los valores reales
observados y los valores predichos por el modelo lineal de regresión.
2.2. Estimación de los coeficientes del modelo de regresión lineal
Al estructurar un modelo de regresión a través de las dos variables

seleccionadas, lo que sigue a continuación es calcular los parámetros
de la ecuación, es decir, calcular los valores del intercepto y la pendiente
poblacional desconocidas de la recta de regresión, pero como no
21 MAD-UTPL
conocemos a la población, debemos tomar una muestra de esa población
y obtener los datos de las variables seleccionadas. Para ejemplificar esto
tomemos datos del PIB y la inflación del Ecuador desde el año 1970 al 2019,
ver anexo 1.
1 Bimestre
Antes es importante conocer los estadísticos descriptivos de las variables

antes mencionadas. Para todos los procesos estadísticos y econométricos
vamos a utilizar el programa STATA en cualquiera de sus versiones a partir
de la décima versión.
A continuación, lo invito a examinar la infografía Programa STATA, la cual

proporciona una visión detallada sobre cómo utilizar el programa STATA en
nuestras investigaciones.
El estimador de Mínimos Cuadrados Ordinarios (MCO)
El estimador MCO elige los coeficientes de regresión de tal forma que la

recta de regresión estimada se encuentre lo más cercana posible a los
datos observados, y la cercanía está medida por la suma de los errores al
cuadrado que se cometen con la predicción de Y dado X.
El estimador MCO extiende esta idea al modelo de regresión lineal. Sean

b0 y b1 algunos de los estimadores de b0 y b1. La recta de regresión basada
en esos estimadores es: , por lo que el valor de Yi previsto mediante
esta recta es:
Entonces el error cometido en la predicción de la observación de Yi es:
La suma de estos errores al cuadrado para este error es:
(7)
(8)
22 MAD-UTPL
El valor de predicción MCO y los residuos son:
1 Bimestre
Aplicando los MCO a la regresión con las variables del PIB y la inflación, por
medio de STATA, tenemos lo siguiente:
Figura 2
Regresión simple por MCO en STATA
Nota. (Ochoa, O., 2023)
Los comandos utilizados para hacer esta regresión son los que están
resaltados en celeste en la figura anterior. Por ende, los resultados de la
estimación son:
El “sombrero”, encima de la palabra PIB, indica, que lo que se estima es el

valor esperado del PIB, ante variaciones en la inflación. En la figura 3 se
representa la recta de regresión MCO, ajustada a los datos del diagrama de
dispersión de las variables utilizadas.
23 MAD-UTPL
Figura 3
Recta de regresión para los datos del PIB e inflación
1 Bimestre
Como se puede observar en la ecuación (4), el valor negativo de la pendiente

indica una relación indirecta, ya que una variación en la inflación provoca
un cambio negativo promedio en el PIB de $ -8.44e+8, es decir, a mayor
inflación, menor PIB. Lo que se está estimando aquí es un cambio promedio
del PIB a lo largo del periodo temporal, pero con estos datos también se
puede estimar un valor puntual, por ejemplo:
Queremos saber cuál es el valor promedio del PIB en el año 2015, ante un
cambio de un 1 % en la inflación. Lo que debemos hacer es reemplazar en la
ecuación estimada el valor de X, es decir, de la variable inflación por el valor
de X en el año 2015 = 3.96 %.
24 MAD-UTPL
Se supone que al utilizar la MCO, los estimadores (0 y 1) tienen propiedades
teóricas deseables, es decir, son insesgados e inconsistentes.
2.3. Medida de ajuste

1 Bimestre
Ahora debemos preguntarnos que tan bien describe esta regresión a las
variables utilizadas. ¿Qué tanto explica la variable X a la variable Y?, ¿están
las observaciones cerca de la recta o de regresión o muy dispersas?, esto
lo sabremos a través del coeficiente de determinación R2 y de los errores
estándar respectivamente, las cuales en conjunto miden la bondad de ajuste
de la recta de regresión MCO a los datos.
El R2 es un valor que oscila entre 0 y 1, y mide la proporción de la varianza

de Yi explicada por Xi, mientras que el error estándar mide la distancia que
habitualmente separa a Yi de su valor esperado.
Matemáticamente, el R2 puede escribirse como el cociente entre la suma

explicada (de cuadrados) y la suma total (de cuadrados). La Suma Explicada
(SE) es la suma de las desviaciones al cuadrado de los valores de predicción
de , respecto de su media, y la Suma Total (ST) es la suma de los
cuadrados de las desviaciones de Yi respecto de su media:
Cálculo de R2
Cualquiera de las dos fórmulas nos permite calcular el coeficiente de

determinación.
Cálculo del Error Estándar de la Regresión (ESR)
Este error es un estimador de la desviación típica del error de regresión ui.

Las unidades de ui e Yi son las mismas, por lo que el ESR es una medida de
la dispersión de las observaciones en torno a la recta de regresión, medida
en las unidades de la variable dependiente.
25 MAD-UTPL
1 Bimestre
Para discernir si los resultados de mi regresión son confiables, los errores
estándar deben ser menores a la tercera parte del valor de los parámetros
B0 y B1.
En el programa STATA estos valores en el cuadro de resultados se presentan

así:
Figura 4
Valores del R2 y los errores estándar
Para entender los temas revisados lo invito a revisar el capítulo 1 del texto
básico de Wooldridge y el capítulo 4 del texto de Stock & Watson.
Es hora de reforzar los conocimientos adquiridos resolviendo las siguientes

actividades:
1. Revise los ejercicios del 2.8 al 2.11 propuestos en el texto básico de

Wooldridge, en la página 39.
Procedimiento: estos ejercicios le permitirán conocer cómo se

interpretan los coeficientes de regresión y la interpretación del
coeficiente de determinación R2.
26 MAD-UTPL

realizará orientaciones sobre el tema para acercar con mayor claridad 1 Bimestre

3. Reflexione sobre los temas de la unidad 2 trabajados en la guía

didáctica y en los temas introductorios del capítulo 1 texto básico de
Wooldridge y capítulo 4 del libro de Stock & Watson.

tema.
Nota. Por favor complete las actividades en un cuaderno o documento Word.
Semana 3
2.4. Los supuestos de mínimos cuadrados
Los supuestos que se describen en la siguiente infografía son los más

aplicados a la metodología de Mínimos Cuadrados Ordinarios (MCO).
Los supuestos de mínimos cuadrados
Estos supuestos son esenciales para asegurar que los estimadores de

mínimos cuadrados sean insesgados y eficientes, y para realizar inferencias
válidas en el marco de la econometría. Sin embargo, es importante tener
en cuenta que estos supuestos pueden no ser necesarios o cumplirse
estrictamente en todos los casos de aplicación empírica.
27 MAD-UTPL
2.5. Distribución muestral de los estimadores de MCO
Debido a que los estimadores MCO se calculan a partir de una

muestra seleccionada aleatoriamente, los estimadores en sí mismos son 1 Bimestre
variables aleatorias con una distribución de probabilidad “la distribución

muestral” que describe los valores que podrían tomar en las diferentes
muestras aleatorias posibles.
Esta sección presenta estas distribuciones muestrales. En muestras

pequeñas, estas distribuciones son complicadas, pero en muestras grandes,
son aproximadamente normales por el teorema central del límite.
La distribución muestral de los estimadores MCO
La distribución muestral de , la cual es calculada a través de una muestra

de valores aleatorios, la probabilidad de estos valores es recogida por su
distribución muestral, cuya propiedad más importante es: ,
siendo un estimador insesgado de , por lo que si la muestra (n) es más
grande, esta distribución tiende a aproximarse a su distribución normal
según el teorema del límite central.
La distribución de , esto se transfiere a los estimadores de MCO,

donde B0 es la constante o intercepto y B1 la pendiente, estos también al
provenir de una muestra, la probabilidad de los diferentes valores se resume
en sus distribuciones muestrales.
Los valores de B0 y B1 bajo los supuestos de MCO son:
Es decir, son estimadores insesgados de B0 y B1.
2.6. Conclusión
En este capítulo se ha abordado el uso de los Mínimos Cuadrados Ordinarios

(MCO) para estimar el término independiente y la pendiente de una línea
de regresión poblacional mediante una muestra de observaciones de una
variable dependiente, Y, y un único regresor, X. La utilización de MCO para
28 MAD-UTPL
trazar una línea recta en un diagrama de dispersión tiene varias ventajas si
se cumplen los supuestos de mínimos cuadrados.
Los estimadores MCO de la pendiente y el término independiente son

insesgados, consistentes y su distribución muestral tiene una varianza 1 Bimestre
inversamente proporcional al tamaño de la muestra, n. Además, si n es

grande, la distribución muestral del estimador MCO se aproxima a una
distribución normal.
Estas propiedades se cumplen bajo tres supuestos de mínimos cuadrados.

El primer supuesto establece que el término de error del modelo de
regresión lineal tiene una media condicional igual a cero dado el regresor
X, lo que implica que el estimador MCO es insesgado. El segundo supuesto
establece que las observaciones (Xi, Yi) son independientes e idénticamente
distribuidas, como en el caso del muestreo aleatorio simple, lo que permite
obtener una fórmula para la varianza de la distribución muestral del
estimador MCO. El tercer supuesto señala que los valores atípicos grandes
son poco probables y que las variables X e Y tienen momentos de cuarto
orden finitos (curtosis finita). Esto es importante porque los valores atípicos
extremos pueden afectar la fiabilidad de los estimadores MCO.
Para entender los temas revisados lo invito a que revise adicional a lo visto
en el texto básico de Wooldridge, el capítulo 4 del texto complementario de
Stock & Watson.
Reforcemos el aprendizaje resolviendo las siguientes actividades.
1. Reflexione sobre los temas de la unidad 2 y trabajados en la guía

virtualizada y en los temas introductorios del capítulo 1 texto básico
de Wooldridge y capítulo 4 del texto complementario de Stock &
Watson.

tema.
29 MAD-UTPL
2. Realice los ejercicios del 4 al 6 de la página 61 del libro de Wooldridge.
Procedimiento: estos ejercicios le permitirán comprender la

interpretación de resultados de un modelo de regresión simple y
entender los supuestos de la metodología econométrica. 1 Bimestre


tema.
Semana 4
2.7. Unidades de medición y forma funcional
Aquí revisaremos dos temas importantes:
1. Efectos de los cambios de unidades de medición sobre los

estadísticos de MCO
En el ejemplo que hemos venido trabajando sobre las variables PIB e

inflación, la primera está medida en millones de dólares y la segunda en
porcentaje. Hay que entender que, si transformamos los millones a miles
de millones, los resultados de las estimaciones cambian de una forma
esperada, por ejemplo, si el PIB del año 2017 es de: 104.300.000.000
millones y lo expresamos en miles de millones, entonces quedaría como:
104.300.000 miles de millones, por lo que ante estas transformaciones hay
que tener cuidado a la hora de interpretar resultados. Es importante entender
que el cambio de unidades de medición no afecta a las propiedades de los
estimadores, ni tampoco afecta al coeficiente de determinación (R2), ya que
el valor que expresa este coeficiente está expresado en porcentaje o en
decimales.
30 MAD-UTPL
2. Incorporación de no linealidades en la regresión simple
La teoría econométrica manifiesta que la linealidad debe mantenerse en los

parámetros, es decir, en las betas, pero esta linealidad puede estar o no en
las variables del modelo. Para que un modelo sea considerado como lineal 1 Bimestre
en sus variables, estas no pueden estar elevadas a un exponente mayor a

uno, ni multiplicada o dividida para otra variable. Para que el modelo sea
lineal esta debe darse en todas las variables.
Es frecuente encontrar en las ciencias sociales ecuaciones de regresión,

cuya variable dependiente es logarítmica.
Supongamos que tenemos el modelo de que el salario está en función de

los años de educación:
Donde el salario se mide en dólares por mes y la educación en años. Al

interpretar esta ecuación diríamos que, ante un incremento de un año de
educación, el salario por mes en promedio aumentaría en X dólares. Pero si
alguna variable deja de ser lineal, como se muestra en la siguiente ecuación:
La interpretación ahora cambia, ya que al estar la variable Y en logaritmos,

su unidad de medición pasó de dólares a porcentaje, por lo que la
interpretación cambia y ahora nos diría que, ante un incremento de un año
en educación, el salario se incrementa en promedio en X porcentaje. Ahora
B1 se multiplica por 100, para obtener el cambio porcentual de wage por un
año más de educación.
El momento que una de las variables del modelo deja de ser lineal, ya
podemos decir, que el modelo cambia de forma funcional de lineal a no
lineal en las variables. Aquí un resumen de algunas formas funcionales.
31 MAD-UTPL
Tabla 2
Resumen de formas funcionales
Modelo Variable dependiente Variable independiente Interpretación de β1

Nivel-nivel Y X 1 Bimestre
Nivel-log Y Log (x) /100 β1/100)%

/100 Log-nivel Log (y) X % 100β1)
Log-log Log (y) Log(x) % =β1)%

2.8. Valores esperados y varianzas de los estimadores de MCO
Revisaremos las propiedades estadísticas de MCO, a través de las

distribuciones de los que resultan de diversas muestras aleatorias.
Estas propiedades o supuestos complementan lo visto en el punto 2.4.
Insesgamiento de los estimadores de MCO
Este insesgamiento se da cuando:
Hay linealidad en los parámetros.

Muestreo aleatorio.
Variación muestral de la variable explicativa.
Media condicional cero.
Varianza de los estimadores de MCO
En cambio, los supuestos o propiedades ligados a la varianza o desviación

estándar de los estimadores de MCO es la homocedasticidad.
32 MAD-UTPL
Figura 5
Modelo de regresión bajo Homocedasticidad
f(y|x)
1 Bimestre
x1 E(y|x)= βO + β1x
x2
x3
x
Esto significa que el valor esperado de Y dado X, es lineal en X, pero la

varianza de Y dada X es constante.
Estimación de la varianza del error
Conociendo la desviación se puede estimar la

Es importante diferenciar entre los errores y los residuales, los errores
provienen de la ecuación poblacional: , mientras
que los residuos provienen de los parámetros estimados y por ende se
puede calcular estos residuos, pero no se pueden obtener los errores
poblacionales.
2.9. Regresión a través del origen
Este tipo de regresión carece del intercepto o constante, es decir, que la

recta de regresión pasa a través del punto X=0. Para estimar este modelo
también se emplea la metodología de MCO. Adopta la siguiente forma
funcional:
33 MAD-UTPL
En STATA se realiza de la siguiente forma, observe la parte resaltada de
los resultados, donde se indica los comandos para realizar este tipo de 1 Bimestre
regresión:
Figura 6
Modelo de regresión a través del origen
Como se puede observar en la figura 6, aquí no aparece el término de la

constante.
Para entender los temas revisados lo invito a que revise el capítulo 2 del
texto básico de Wooldridge.
Es momento de aplicar sus conocimientos a través de las actividades que se

1. Reflexione sobre los temas trabajados en la guía didáctica y en el

capítulo 1 y 2 del texto de Wooldridge y capítulo 5 del libro de Stock &
Watson.

aconsejo revise con conceptos principales y revise los ejercicios
resueltos.
2. Realice los ejercicios del 5.1 al 5.3 del texto de Stock & Watson, página
120.
34 MAD-UTPL
aconsejo realice los ejercicios que se platean en cada tema revisado.

y participe en la tutoría permanente. 1 Bimestre

tema.
Semana 5
2.10. Contraste de hipótesis acerca de uno de los coeficientes de

regresión
Una vez que estimamos los resultados de cualquier modelo de regresión

simple, tenemos que determinar si esos resultados son confiables o no.
En nuestro ejemplo del PIB e inflación, cómo podemos confiar en que un
cambio de 1 % en la inflación, genera que el PIB caiga en promedio en
-8.44e+08 millones de dólares; cómo saber si este resultado es significativo
estadísticamente y además que la variable inflación es adecuada para
explicar los cambios sobre el PIB.
Lo que buscamos aquí es contrastar la pendiente y el intercepto, por eso

comenzamos con un contraste bilateral (B1) y un contraste unilateral (B0) de
los parámetros antes mencionados. Para esto establecemos las siguientes
hipótesis:
H0: B1= 0 hipótesis nula.

H1: B1 0 hipótesis alterna.
Con la ayuda del STATA, obtenemos los Errores Estándar (ES), y estos nos
sirven para calcular los valores del estadístico t, para cada beta. La fórmula
es:
35 MAD-UTPL
(24)
En resumen, es dividir el valor del parámetro obtenido para su error estándar.

El STATA, adicional, nos ayuda a obtener el estadístico t y la probabilidad 1 Bimestre
del t (p-valor). Estos dos criterios pueden ser utilizados para contrastar la
hipótesis nula, y cada uno de ellos tiene una regla general, que se describe
en el siguiente cuadro:
Tabla 3
Criterios de decisión para aceptar o rechazar la H0
Estadísticos Criterios de decisión para contrastar la H0

utilizados Estadístico calculado P-valor del estadístico
t - student tc > tt = rechazar la H0, si la si el p-valor (t), es menor al nivel
F – Fisher regla no se cumple NO podemos de significancia (1%, 5% y 10%),
Chi-cuadrado (X2) rechazar la H0 y nos toca se puede rechazar la H0 y aceptar
Z – normal aceptarla. la alterna (H1), caso contrario
debemos aceptar la H0

Para nuestro ejemplo tenemos los siguientes resultados:
Figura 7
Uso de los valores t y p-valor para contrastar la H0
Si utilizamos el criterio del p-valor (p>| t |), vemos que, para ambas betas,
el valor de su probabilidad es menor al nivel de significancia del 5%. Al
rechazar H0, estamos concluyendo al menos en el parámetro B1, que la
variable Inflación es una variable adecuada para explicar cambios sobre el
36 MAD-UTPL
PIB, y que su resultado es estadísticamente significativo. Dejo al lector emitir
la conclusión del parámetro B0.
2.11. Intervalos de confianza para coeficiente de regresión

1 Bimestre
Se puede construir un intervalo que tenga la probabilidad de incluir dentro de

sus límites el verdadero valor del parámetro.
Se trata de encontrar que tan cerca está, para esto buscamos dos
números, este último situado entre 0 y 1.
Para esto utilizamos la siguiente ecuación tanto para :
Figura 8
Ecuación para Intervalos de confianza para coeficiente de regresión
Nivel de
Límite inferior Límite significancia
Pr( ̂2 − ≤ 2 ≤ ̂2 + ) = 1 −
Coeficiente
de confianza
(26)
Nota. Adaptado de Econometría (p. 132), por Gujarati, D., 2010, McGrawHill
Interamericana editores S.A.
La ecuación anterior muestra un estimador de intervalo, construido de

manera que contenga dentro de sus límites el valor verdadero del parámetro.
El estimador de intervalos proporciona entonces un recorrido de valores
dentro de los cuales puede encontrarse el verdadero . Adicional a esto
el cálculo de intervalos nos permiten poder aceptar o rechazar cualquier
hipótesis que se haya planteado con respecto a los resultados del modelo.
37 MAD-UTPL
Es hora de reforzar los conocimientos adquiridos resolviendo las siguientes 1 Bimestre
actividades:
1. Desarrolle una autoevaluación de conocimientos de la unidad 2 y las

actividades recomendadas en la guía didáctica.

tema.
2. Revise el ejercicio planteado en la página 114 denominado: el valor

económico de un año de educación, del libro de Stock & Watson.
Procedimiento: revise el ejercicio que le ayudará a comprender la

aplicación práctica de un modelo de regresión simple, y el contraste de
los resultados del modelo.
Semana 6
2.12. Heterocedasticidad y homocedasticidad
En este apartado revisaremos de forma general los conceptos de

heterocedasticidad y homocedasticidad, ya que estos temas serán
ampliados en la materia de Modelos Econométricos. Cabe resaltar que la
heterocedasticidad se produce cuando no se cumple uno de los supuestos
de la metodología de MCO.
La heterocedasticidad y la homocedasticidad son términos que

se utilizan para describir las características de la varianza de los
errores en un modelo de regresión.
38 MAD-UTPL
La homocedasticidad, también conocida como homogeneidad de varianza,
se refiere a la situación en la que la varianza de los errores es constante
en todos los niveles de las variables independientes. En otras palabras, la
dispersión de los errores es la misma en todo el rango de los valores de las
1 Bimestre
variables predictoras. Esto implica que la variabilidad alrededor de la línea
de regresión es constante.
Por otro lado, la heterocedasticidad se presenta cuando la varianza de los

errores no es constante en todos los niveles de las variables independientes.
En este caso, la dispersión de los errores cambia a medida que varían los
valores de las variables predictoras, cuyas implicaciones son importantes
en el análisis de regresión. Puede conducir a estimaciones ineficientes de
los coeficientes de regresión, lo que afecta la precisión de las inferencias y
las pruebas de hipótesis. Además, los intervalos de confianza y los p-valores
pueden estar sesgados si se ignoran los efectos de la heterocedasticidad.
Este tema será revisado con mayor detalle en la asignatura de Modelos
Econométricos, donde se conocerá su naturaleza, cómo se puede detectar
este problema y las posibles soluciones.
Figura 9
Homocedasticidad y Heterocedasticidad
f(u)
Densidad de
probabilidad de ui
X1
X2
Xi FRP : Yi = β1+ β2Xi
X
Densidad de
probabilidad de ui
f(u)
X1
X2 β1+ β2 Xi
Xi
X
Nota. Adaptado de Econometría (p. 65), por Gujarati y Porter, 2010, McGraw Hill.
39 MAD-UTPL
2.13. Fundamentos teóricos de mínimos cuadrados ordinarios
El estimador de MCO en la regresión lineal tiene varias propiedades

favorables. Es insesgado, lo que significa que en promedio no está 1 Bimestre
sesgado y tiende a estimar correctamente el valor poblacional. También
es consistente, lo que implica que a medida que el tamaño de la muestra
aumenta, el estimador se acerca al valor verdadero. La varianza del
estimador MCO es inversamente proporcional al tamaño muestral, lo que
significa que a medida que aumenta el tamaño de la muestra, la precisión de
la estimación mejora. Cuando el tamaño muestral es grande, el estimador
MCO sigue una distribución muestral normal. Además, si se cumplen ciertos
supuestos y los errores son homocedásticos, el estimador MCO es más
eficiente que otros estimadores lineales incondicionalmente insesgados en
términos de tener la menor varianza.
Estimadores lineales condicionalmente insesgados y teorema de Gauss-

Markov
Si se cumple todo lo antes mencionado, el estimador de MCO sería el

estimador lineal condicionalmente insesgado óptimo, es decir, es ELIO, es lo
que manifiesta el teorema de Gauss-Markov. Lo que busca el teorema que,
bajo un conjunto de condiciones conocidas, el estimador de MCO tiene
la menor varianza condicional, dados X1, ………Xn, de todos los estimadores
lineales condicionalmente insesgados de B1.
Este teorema tiene dos limitaciones importantes:
Las condiciones o supuestos podrían no cumplirse en la práctica, por

ende, los estimadores dejan de ser ELIO.
Que, a pesar de cumplir con los supuestos del teorema, existen otros
posibles estimadores que pueden ser no lineales, pero sí insesgados,
lo que los vuelve más eficientes que MCO.
Pero existe una metodología diferente a los MCO, cuando los errores son
heterocedásticos que permita obtener un estimador con menor varianza,
este método se denomina Mínimos Cuadrados Ponderados (MCP), y lo que
hace es ponderar la i-ésima observación por la inversa de la raíz cuadrada
de la varianza condicional de ui dado Xi. Debido a esto los errores de esta
regresión son homocedásticos.
40 MAD-UTPL
2.14. La utilización del estadístico t en regresión para muestras
pequeñas
Si se cumplen los supuestos de los MCO, y el estadístico t válido con 1 Bimestre
homocedasticidad presenta una distribución t de student. El estadístico
t para contrastar que B1=0 es , fórmula similar a lo visto

en temas anteriores con respecto a determinar la significatividad de un
estimador. Aunque en la práctica es difícil cumplir todos estos supuestos
y sobre todo que los errores sean homocedásticos y estén normalmente
distribuidos.

1. Reflexione sobre los temas trabajados en la guía didáctica y el capítulo

5 del texto de Stock & Watson y capítulo 3 de Wooldridge.

tema.
2. Desarrolle los ejercicios 5.1 y 5.2 de la página 120 del texto de Stock &
Watson.

3. Desarrolle la autoevaluación de esta segunda unidad y las actividades

recomendadas en la guía virtualizada.
41 MAD-UTPL
1 Bimestre
La autoevaluación no es obligatoria, sin embargo, le ayuda a
reforzar sus conocimientos y lo prepara para la evaluación
42 MAD-UTPL
Autoevaluación 2
1 Bimestre
1. Una regresión simple es aquella:
a. Regresión con un único regresor.

b. Es el promedio de una variable independiente.
c. Es el planteo de hipótesis sobre una variable.
2. La variable dependiente es aquella:
a. Variable que no depende de otra variable.

b. Es la variable regresora.
c. Es la variable regresada.
3. El modelo de regresión en su función Y=B0+ B1+u, el B1 viene a ser:
a. Es el residuo de la regresión.
b. Es la pendiente.
c. Es el intercepto o constante.
4. Una medida de bondad de ajuste del modelo es:
a. Los residuos.
b. Coeficiente de correlación.
c. Coeficiente de determinación.
5. ( ) ¿Los errores estándar son una medida de ajuste del

modelo?
6. Uno de los supuestos de mínimos cuadrados es:
a. Dispersión de los errores.

b. Los datos atípicos elevados son improbables.
c. Netamente, para la reconstrucción de la infraestructura afectada.
43 MAD-UTPL
7. Contrastar la hipótesis nula se lo puede hacer a través de:
a. El valor del t estadístico.

b. Con los errores.
c. Con el coeficiente de determinación. 1 Bimestre
8. ( ) El cambio en las unidades de medición altera las

propiedades de los estimadores de MCO.
9. ( ) ¿Una forma funcional de un modelo de regresión distinta a

la lineal puede ser la logarítmica?
10. ( ) Puede existir o no linealidad en los parámetros.
44 MAD-UTPL
Analiza la relación lineal entre una variable
Resultado de dependiente en función de otras denominadas
aprendizaje 3 independientes.
1 Bimestre
Este resultado de aprendizaje nos permite conocer sobre los modelos de

regresión múltiple, en los cuales existe más de una variable independiente
en la construcción de un modelo econométrico.
Semana 7
Unidad 3. Análisis de regresión múltiple: estimación
Esta unidad es tomada del capítulo 3, del texto básico de Wooldridge.
3.1. Motivación para la regresión múltiple
No es muy común que dentro del análisis econométrico se dé modelos de

regresión simple, por lo tanto, es necesario ampliar este modelo a modelos
de regresión con varias variables explicativas. En la construcción de estos
modelos podemos encontrarnos ahora que las variables independientes
puedan estar relacionadas o que ahora se pueda incorporar otras formas
funcionales distintas a las que vimos en semanas anteriores. Al igual
que los modelos de regresión simple, estos modelos se calculan con la
metodología de MCO.
El modelo de regresión con tres variables se puede expresar así:
Al incluirse más de dos variables explicativas se debe trabajar con la

suposición de que no exista relación lineal exacta entre X 2 , X 3 .
45 MAD-UTPL
Para nuestro ejemplo del PIB, podemos añadir una variable independiente
que puede ser las exportaciones, con esto pasamos de un modelo de
regresión simple a uno múltiple, cuya función es la siguiente:
1 Bimestre
Donde ahora el B1 mide el cambio en el PIB respecto a la inflación,

manteniendo constante a las exportaciones; mientras que B2 mide el cambio
en el PIB respecto de las exportaciones, manteniendo constante la inflación.
En la siguiente tabla podemos ver algunas terminologías para expresar a la

variable dependiente e independientes.
Tabla 4
Terminología de la regresión múltiple
Y x1, x2, ….....................xk

Variable dependiente Variables independientes
Variable explicada Variables explicativas
Variable de respuesta Variables de control
Variable predicha Variables predictoras
Regresando Regresores

3.2. Mecánica e interpretación de los mínimos cuadrados ordinarios
Partimos de la estimación de un modelo con dos variables independientes.

La ecuación se muestra a continuación:
Donde para obtener los estimadores de las betas, usamos los MCO, que
minimizan la suma de los residuales al cuadrado.
(33)
Este problema de minimización se resuelve empleando el cálculo

multivariante:
46 MAD-UTPL
1 Bimestre
A estas ecuaciones se las conoce como condiciones de primer orden de

MCO. Con la ayuda del STATA, procederemos a calcular nuestro modelo de
regresión múltiple del PIB en función de la inflación y las exportaciones.
Figura 10
Modelo de regresión múltiple
La interpretación de esta regresión sería que ante un incremento en la

inflación de 1 %, el PIB en promedio disminuiría en 759.000.000 millones de
dólares, manteniendo constante las demás variables. En cambio, cuando
las exportaciones de bienes y servicios aumentan en 1 %, el PIB aumenta en
promedio en 3050.000.000 millones de dólares, manteniendo constante las
47 MAD-UTPL
otras variables. Recuerde que las pendientes miden los cambios promedios
de la variable dependiente ante cambios en las variables independientes.
A veces es necesario conocer el cambio en las variables independientes y

no solo el cambio individual de una variable, por lo que tenemos: 1 Bimestre
Por lo que para nuestro ejercicio tendríamos que el PIB disminuye en

promedio ante las variaciones de las dos variables en 729.000.000 millones
de dólares.
Una vez realizada la regresión podemos obtener los valores predichos o

estimados de la variable dependiente, en este caso del PIB estimado por
cada año.
En la ecuación estimada se debe reemplazar en cada variable independiente

por el valor correspondiente a cada una de ellas, con respecto al año
que deseamos estimar, por ejemplo, quiero saber cuál es el valor del PIB
estimado en el año 2013.
(37)
En cambio, que los residuos (u) de la regresión de forma matemática se

obtienen de la siguiente forma:
En el programa STATA, tanto los valores estimados de Y (PIB) y de los

residuos (u), se obtienen de la siguiente forma:
.predict Yestimado, xb
(2 missing values generated)
48 MAD-UTPL
. predict RESIDUOS, res
(2 missing values generated)
Figura 11
Valores estimados del PIB y residuos de la regresión 1 Bimestre
Una vez interpretada las estimaciones, también debemos interpretar el

coeficiente de determinación (R2), que en nuestra regresión es de: R-squared
= 0.5287 o 53 %, lo que nos dice que el 53 % de los cambios promedios
que se dan en el PIB, están siendo explicados por la inflación y las
exportaciones.
3.3. Valor esperado de los estimadores de MCO
Aquí revisaremos cuatro supuestos adicionales a los ya revisados para los

MCO, pero que se aplican a modelos de regresión múltiple.
49 MAD-UTPL
Figura 12
Supuestos de MCO para modelos de regresión lineal múltiple (RLM)
Supuesto 1 Supuesto 2
1 Bimestre
Lineal en los Muestreo
parámetros aleatorio
Supuesto 3 Supuesto 4
No hay Media
colinealidad condicional
perfecta cero
Nota. Adaptado de Econometría, Jeffrey Wooldridge, 2015, p. 83-86.
Los supuestos anteriores nos permiten entender más el término

insesgamiento, el cual manifiesta que los estimadores de Mínimos
Cuadrados Ordinarios (MCO) son insesgados, eso significa que, en
promedio, estos estimadores no están sistemáticamente sesgados hacia
arriba o hacia abajo al estimar los parámetros de un modelo estadístico.
En la regresión lineal, los estimadores MCO se utilizan para estimar los

coeficientes de regresión que describen la relación entre una variable
dependiente y una o más variables independientes. Estos estimadores
buscan minimizar la suma de los cuadrados de las diferencias entre los
valores observados y los valores predichos por el modelo. La insesgadez
de los estimadores MCO implica que, en promedio, el valor esperado de
los estimadores es igual al valor verdadero de los parámetros que se están
estimando.
Inclusión de variables irrelevantes en un modelo de regresión
En los modelos podemos tener la inclusión de una variable irrelevante o de

sobreestimar el modelo en el análisis de regresión múltiple. Esto significa
que una (o más) de las variables independientes está incluida en el modelo,
aun cuando en la población no tiene ningún efecto parcial sobre Y, es decir,
su coeficiente poblacional es cero. Esto no afecta el insesgamiento de MCO,
pero sí puede afectar la varianza de los estimadores de MCO.
50 MAD-UTPL
Sesgo de la variable omitida
Podemos encontrarnos con un caso contrario, en el que se excluye una

variable importante del modelo, esto generalmente sucede cuando se tiene
más de una variable no significativa para el modelo, y decide eliminarse 1 Bimestre
todas ellas de una sola. Cuando se realiza esto puede que entre las variables
eliminadas esté una que es importante para explicar a Y, que pudo volverse
significativa al eliminar de forma progresiva cada una de las variables
independientes no significativas.
Tanto la inclusión de variables no relevantes y la eliminación de una variable

importante pueden generar un error que se lo conoce como error o sesgo de
especificación del modelo.
Para entender mejor los temas revisados aquí, revise el capítulo

3 del texto básico de Wooldridge hasta el tema 3.4.
3.4. Varianza de los estimadores de MCO
Con la varianza de los estimadores, se conocerá la tendencia central de

las betas, además de tener una medida de dispersión en su distribución de
muestreo. Aquí hacemos referencia al supuesto de la homocedasticidad,
que si lo cumple tendremos una propiedad importante de eficiencia.
Haciendo referencia a nuestro ejemplo del PIB:
Lo que se busca es que la varianza del error no observado (u), no dependa

de las variables independientes. Es decir.
Var (u | inflación, exportaciones) = (40)
Ahora, si esta varianza deja de ser constante y cambia de acuerdo con

alguna de las dos variables explicativas, entonces tendremos el problema
de la heterocedasticidad. Entonces el cálculo de la varianza de las betas
estimados sería con base a la siguiente fórmula:
51 MAD-UTPL
Una varianza grande significa estimadores menos precisos y esto se traduce 1 Bimestre
en intervalos de confianza grandes y pruebas de hipótesis menos exactas.
La varianza, al tener dentro de su cálculo a la suma total de cuadrados,

debemos revisar la varianza del error, la variación muestral total en las
variables independientes, y las relaciones independientes entre las variables
independientes, tal vez por el problema de la multicolinealidad, tema que lo
revisaremos en profundidad en las últimas semanas del segundo bimestre.
3.5. Eficiencia de MCO: el teorema de GAUSS – MARKOV
Este teorema hace referencia al uso del método de MCO, en lugar de otros
métodos de estimación. Uno de ellos es el supuesto relacionado con el
insesgamiento, que a más de cumplir con los otros supuestos que vimos
en la unidad anterior, los estimadores a través de MCO, serían los Mejores
Estimadores Lineales Insesgados (MELI) o también los Estimadores
Lineales Insesgados Óptimos (ELIO), que es otra forma de referirlos.
Al hablar de linealidad nos referimos a la linealidad en los parámetros, y

el término mejor, hace referencia a la menor varianza que presenten los
estimadores. Claro está que si no se cumple alguno de los supuestos, este
teorema ya no será válido.

1. Realice los ejercicios del 3.2 al 3.4 del texto básico de Wooldridge,
página 106.

realizará orientaciones sobre el tema para acercar con mayor
claridad los temas expuestos tanto en la guía didáctica como en el
texto básico. Allí su docente tutor ubicará ejemplos demostrativos
52 MAD-UTPL
para cada uno de los temas que se desarrollan en la semana. Aquí
aprenderá a interpretar los resultados de un modelo de regresión
múltiple.
2. Revise las orientaciones desarrolladas por el docente en el aula virtual 1 Bimestre

tema.
3. Desarrolle la autoevaluación de esta tercera unidad y las actividades



53 MAD-UTPL
Autoevaluación 3
1 Bimestre
1. Un modelo de regresión múltiple es aquel:
a. Que tiene más de dos variables dependientes.

b. Que tiene más de una variable independiente.
c. Que tiene múltiples ecuaciones o funciones.
2. El método de mínimos cuadrados ordinarios se basa en:
a. La minimización de los residuales al cuadrado.

b. Calcular el coeficiente de correlación.
c. Calcular los valores del estadístico t.
3. ( ) ¿Las estimaciones B0 y B1 se interpretan como efectos

parciales?
4. ( ) ¿El efecto “ceteris paribus” hace referencia a la forma

funcional de un modelo?
5. La regresión a través del origen es aquella que:
a. No tiene el intercepto.
b. No tiene la pendiente.
c. Carece de los residuos.
6. Incluir una variable irrelevante produce:
a. Sobre especificación del modelo.

b. Otra forma funcional.
c. Modelo de regresión a través del origen.
7. ( ) Cuando habla de homocedasticidad nos dice que los

errores tienen la misma varianza.
54 MAD-UTPL
8. ( ) ¿La varianza de Bj depende de tres factores?
9. Un análisis de error de especificación hace referencia a:
a. Sesgo por omisión de variable. 1 Bimestre
b. Problemas de heterocedasticidad.
c. Un modelo lineal.
10. Colinealidad hace referencia a:
a. Error de especificación.
b. Variable omitida.
c. Relación entre variables independientes.
55 MAD-UTPL
Semana 8
1 Bimestre
Actividades finales del bimestre
Estimado estudiante, en esta semana se va a realizar un repaso de las

unidades revisadas en el primer bimestre:
Unidad 1. La naturaleza de la econometría y los datos económicos.

Unidad 2. Regresión lineal con un regreso único.
Unidad 3. Análisis de regresión múltiple: estimación.

actividades:


tema.
2. Desarrolle la evaluación presencial.
Procedimiento: debe revisar los contenidos de las tres unidades

estudiadas a lo largo de este primer bimestre.
56 MAD-UTPL
Segundo bimestre

2 Bimestre
Este resultado de aprendizaje nos permite conocer sobre los modelos de

regresión múltiple, en los cuales existe más de una variable independiente
en la construcción de un modelo econométrico.
Semana 9
Unidad 4. Análisis de regresión múltiple: inferencia
4.1. Distribución de muestreo de los estimadores de MCO
Continuamos con el texto básico de Wooldridge a partir de la página 118.
En este tema hacemos referencia al supuesto de la normalidad, de los

residuos, ya que, al condicionar los valores de las variables independientes
en la muestra, es claro que la distribución muestral de los estimadores
de MCO, depende de la distribución de los errores. Aquí partimos del
supuesto de que los errores no observables de las betas poblacionales
están normalmente distribuidos. Para comprobar este supuesto dentro de
nuestro modelo lo podemos hacer con base a algunas pruebas. Existen
algunas pruebas para probar normalidad de los residuos de una regresión,
tal es el caso de la prueba de simetría y curtosis y la prueba de Jarque-Bera.
Apliquemos estas dos pruebas a nuestro ejercicio del PIB, y veamos si los
residuos de la regresión cumplen con el supuesto de normalidad.
57 MAD-UTPL
Figura 13
Pruebas de normalidad (Simetría y Curtósis y Jarque-Bera)
2 Bimestre
Como se ve en la figura anterior la prueba de simetría y curtósis a través

del estadístico Chi-cuadrado (chi2) y de su p-valor podemos comprobar si
los residuos cumplen el supuesto de normalidad, para esto las hipótesis
planteadas son:
H0: Normalidad de los residuos.

H1: No normalidad de los residuos.
Si utilizamos el criterio de decisión basado en el p-valor del Chi2, entonces

tendremos lo siguiente:
Pr (Chi2) < nivel de significancia (5%), entonces podemos rechazar H0.
La probabilidad del Chi2 es de 1.5% y al ser menor al 5%, podemos rechazar

H0 y aceptar H1, por lo que nuestro modelo NO presenta normalidad en los
errores. Lo mismo sucede con la prueba de Jarque-Bera, ya que su valor
de Chi2 es de 0.92%, menor al 5% por lo tanto también se rechaza H0 y se
acepta H1. Si no hay normalidad NO pasa nada, no significa que el modelo
no sirva, solo que no cumple con este supuesto.
58 MAD-UTPL
4.2. Prueba de hipótesis para un solo parámetro poblacional: la
prueba t
Al igual que en las regresiones simples, la evaluación de la significatividad

o de la relación lineal de cada una de las variables independientes con la
dependiente se comprueba a través del valor del estadístico t.
2 Bimestre
Para probar esto a través de hipótesis, estas se plantean de la siguiente
forma:
H0: B1=0: no hay relación lineal de X1 con respecto a la variable Y, o la

variable X no es estadísticamente significativa.
H1: B1 0: si hay relación lineal de X1 con respecto a la variable Y, o la
variable X si es estadísticamente significativa.
Lo que se debe contrastar es la H0, y saber si se acepta o se rechaza esta

hipótesis. Para esto utilizamos los criterios de decisión basada en los
valores de t o del p-valor de t. En nuestra regresión los valores de B0, B1 y
B2, son estadísticamente significativos o tienen una relación lineal con el
PIB, porque los valores del p-valor de t de cada una es menor al 5 %, y por
ende se rechaza H0, y se acepta la H1, que manifiesta lo antes mencionado.
Ver figura 16.
Para mayor entendimiento revisa los ejercicios del 4.2 al 4.4. Recuerda que
el valor de t y de la construcción de sus intervalos está ligado a pruebas de
hipótesis de una cola y de dos colas.
4.3. Intervalos de confianza
Al igual que lo hicimos en las unidades iniciales, la construcción de los

intervalos de confianza para determinar la significatividad de una variable
depende de los valores t, de los errores estándar y del nivel de significancia
que se esté utilizando.
A los intervalos de confianza se les llama también estimaciones por

intervalo, porque proporcionan un rango de valores posibles para el
parámetro poblacional y no solo una estimación puntual. Las fórmulas para
calcular estos intervalos son las siguientes:
59 MAD-UTPL
A través de STATA estos intervalos de confianza se construyen con facilidad,
tal como lo demuestra la siguiente figura: 2 Bimestre
Figura 14
Intervalos de confianza
1. Reflexione sobre los temas trabajados en la guía virtualizada y en el

capítulo 4 del texto básico de Wooldridge.

tema.
2. Revise los ejercicios del 4.4 al 4.8 del texto de Wooldridge.
60 MAD-UTPL
Procedimiento: analice los ejercicios que muestran, a través de los
errores estándar y valores t, la significatividad de los resultados de la
regresión.

Procedimiento: para que comprenda los temas desarrollados le 2 Bimestre

tema.
Semana 10
4.4. Prueba de hipótesis de una sola combinación lineal de los

parámetros
En la práctica a veces se requiere probar hipótesis en las que interviene

más de un parámetro poblacional, por ende, se busca probar en una sola
hipótesis más de una Beta (Bi).
Generalmente, dentro de los modelos de regresión múltiple se puede probar

si las estimaciones de dos variables son iguales, ya que suelen existir
variables consideradas como similares, por ejemplo:
Donde al parecer las variables ingreso y riqueza puede ser consideradas

similares, por ende, se debe comprobar esto a través del planteo de
hipótesis, haciendo uso del estadístico F y de su p-valor. Para entender
mejor este tema realicemos un ejercicio con nuestro modelo del PIB. Lo que
haremos es que al modelo del PIB, que está en función de la inflación y las
exportaciones, le vamos a incorporar la variable balanza comercial, la cual
es se estructura con base a las exportaciones e importaciones.
61 MAD-UTPL
Balanza comercial = exportaciones – importaciones.
Ahora vamos a estimar el siguiente modelo:
Y determinar si hay un posible igual de los estimadores de las variables

exportaciones y balanza comercial, para esto vamos a probar la hipótesis de 2 Bimestre
que dos coeficientes de la regresión son iguales, y las hipótesis planteadas
son las siguientes:
H0: B2 = B3 = 0 Los coeficientes de regresión son iguales o no hay

diferencia.
H1: B2 B3 0 Los coeficientes de regresión no son iguales o existe
diferencia.
Procedemos a realizarlo es STATA, para ello, le invito a revisar la

presentación interactiva Prueba de hipótesis, en la cual se describe todo
el proceso a seguir en STATA. Para realizar esta prueba, y como se puede
observar, nos fijamos en los valores del estadístico F y su p-valor, por lo
que con base al p-valor podemos rechazar la H0, y aceptar que no hay una
igualdad en los coeficientes de regresión de B2 y B3.
Para un mejor entendimiento de la parte matemática y demostrativa de la

construcción de las hipótesis para probar esto, revise el ejemplo de la página
141 del texto básico de Wooldridge.
4.5. Pruebas de restricciones lineales múltiples: la prueba F
Esta prueba busca determinar si un grupo de variables no tiene efecto

sobre la variable dependiente, es decir, vamos a probar si las variables
independientes en conjunto tienen o no una relación lineal con la variable
dependiente o si estas en conjunto son estadísticamente significativas
para explicar cambios sobre la variable dependiente. Para ejemplificar
esto, volvamos a nuestro modelo del PIB, el cual está siendo explicado por
la inflación y las exportaciones, y a través del planteo de hipótesis y del
estadístico F o su p-valor, poder contrastar la hipótesis nula. Las hipótesis
establecidas son:
62 MAD-UTPL
H0: B1=B2=0 Las variables en conjunto no tienen una relación
lineal con la variable dependiente o estas en conjunto no son
estadísticamente significativas para explicar a la variable dependiente.
H1: B1 B2 0: Las variables en conjunto si tienen una relación

lineal con la variable dependiente o estas en conjunto si son
estadísticamente significativas para explicar a la variable dependiente.
2 Bimestre
Figura 15
Hipótesis conjunta de la regresión
Como se puede observar el valor del p-valor de F, es del 0%, lo que es menor
al 5%, lo que nos permite rechazar la H0, y aceptar que las variables en
conjunto explican a al PIB, o que tanto la inflación como las exportaciones
tienen una relación lineal conjunta con respecto al PIB.
Revise del punto 4.5 todos los procesos matemáticos y demostrativos con
respecto a este tema.
4.6. Informe de resultados
Es importante que al realizar un modelo de regresión múltiple se plasmen

los resultados obtenidos y se analicen los mismos para determinar la
viabilidad y confiabilidad del modelo estimado. Generalmente en modelos
de regresión simple o múltiple deberíamos analizar los siguientes resultados
obtenidos en una regresión:
Determinar la relación de las variables independientes con respecto

a la variable dependiente, es decir, si estas relaciones son directas o
positivas o inversas o negativas; esto lo podemos determinar a través
63 MAD-UTPL
de los signos de los coeficientes beta en la ecuación de regresión
obtenida.
Luego se debe interpretar las estimaciones de las betas, para conocer

cómo las variaciones en las variables independientes afectan en
promedio a la variable dependiente. Estas variaciones son los valores
de los coeficientes beta.
2 Bimestre
Analizar la relación lineal o la significatividad de las variables
independientes con respecto a la variable dependiente, de forma
individual con base al estadístico t o de forma conjunta con base al
estadístico F.
También se debe interpretar el coeficiente de determinación R2,

para conocer el ajuste del modelo o que tanto explican las variables
independientes a la variable dependiente. R2 alto generalmente mayor
al 80 %, indica un buen ajuste de la variable independiente y un R2
bajo menor al 50 %, un ajuste bajo de la variable independiente con
respecto a la dependiente.
Por último, es importante probar si los residuos de nuestra regresión

cumplen con el supuesto de la normalidad de los residuos a través de
las distintas pruebas revisadas.


capítulo 4 del texto básico de Wooldridge o capítulo 7 del texto de
Stock & Watson.

tema.
64 MAD-UTPL
2. Revise los ejercicios 4.9 y 4.10 del texto de Wooldridge.
Procedimiento: para entender el tema de inferencia tanto a nivel

individual y global, revise los ejercicios propuestos en los cuales se
detalla las hipótesis planteadas y los estadísticos utilizados para el
contraste de la hipótesis nula.
3. Tome la tabla denominada TWOYEAR. RAW de la página 141, y realice

2 Bimestre
en STATA el modelo planteado y valide sus resultados con los del libro.
Procedimiento: cargue la base de datos en STATA, estime el modelo

planteado en la página 141 y compare sus resultados con los
plasmados en el texto básico.
4. Desarrolle la autoevaluación de conocimientos al culminar la unidad 4

y las actividades recomendadas en la guía didáctica.

tema.
Semana 11
4.7. Consistencia
Con base a lo que hemos revisado en los temas anteriores, es difícil que
los modelos de regresión puedan presentar estimadores insesgados
todo el tiempo, algo que no debe quitarnos, el sueño. Pero existe
muchos economistas que manifiestan que algo más importante que el
insesgamiento, es la consistencia, la cual es un requisito mínimo para un
estimador.
En estadística, la consistencia se refiere a una propiedad deseable de

los estimadores, que implica que a medida que el tamaño de la muestra
aumenta indefinidamente, el estimador converge al valor real del parámetro
65 MAD-UTPL
que se está estimando. En el contexto de modelos de regresión, la
consistencia implica que a medida que se tienen más datos disponibles,
el estimador utilizado para calcular los coeficientes de regresión se
acerca cada vez más a los verdaderos valores de los coeficientes. Esto es
fundamental para tomar decisiones informadas basadas en los resultados
del modelo de regresión y para realizar inferencias válidas sobre la relación
entre las variables. Revise la siguiente figura que nos ayuda a entender
mejor este tema. 2 Bimestre
La pérdida de la consistencia o inconsistencia se da cuando existe

una correlación entre los residuos (u) y cualquiera de las variables
independientes (Xi), lo que ocasiones la inconsistencia de los estimadores.
Por temas prácticos puede considerarse que la inconsistencia es lo mismo
que el sesgo. La diferencia radica en que la inconsistencia se basa en
términos de la varianza poblacional de X1 y de la covarianza poblacional de
X1 y X2, en cambio, el sesgo se basa en la muestra, porque se condiciona a
los valores de X1 y X2 de esta muestra.
Figura 16
Distribuciones de muestreo de Bi, para distintos tamaños de muestra
Distribuciones de muestreo de ̂ 1 para muestras de tamaños n1 < n2 < n3
n3
fβ 1
n2
n1
β1 β1
Nota. Adaptado de Introducción a la Econometría, Jeffrey Wooldridge, 2015, p. 170.
La figura muestra las distintas distribuciones de muestreo de una variable,

ante distintos tamaños de la muestra. Para esto revise el teorema 5.1 de la
página 169.
66 MAD-UTPL
4.8. Normalidad asintótica e inferencia con muestras grandes
Se parte del supuesto de que, en los modelos clásicos, sus distribuciones de

muestreo son normales, lo que es importante para obtener las distribuciones
t y F, que generalmente son aplicadas para determinar la confiabilidad de un
modelo.
2 Bimestre
Si los errores no presentan una distribución normal, tampoco lo presentarán
las betas estimadas en la regresión, lo que afectaría a los estadísticos t y F.
Esta normalidad no afecta la insesgadez de MCO, ni tampoco afecta a las
conclusiones de que MCO, es el mejor estimador lineal insesgado, claro esto
bajo los supuestos de Gauss-Markov.
Para entender el tema de la normalidad en modelos de regresión múltiple,

apliquemos las pruebas ya conocidas, que aprendimos en los modelos de
regresión con un único regresor. Estimemos nuevamente nuestro modelo
del PIB, comprobemos si los residuos cumplen la condición de estar
normalmente distribuidos.
67 MAD-UTPL
Figura 17
Pruebas de normalidad para modelos de regresión múltiple
2 Bimestre
Como se puede observar en la figura 17, los p-valores del estadístico

Chi2, son menores al 5%, lo que nos permite rechazar la H0 de normalidad
y aceptar la H1 de que los residuos de la regresión no cumplen con el
supuesto de NORMALIDAD, gráficamente también es observable esta
situación.
4.9. Eficiencia asintótica de MCO
Sabemos que bajo los supuestos de Gauss-Markov, los estimadores de

MCO, son los mejores estimadores lineales (MELI) o ELIO. Aquí a lo que hace
referencia es que los estimadores de MCO, tienen las menores varianzas
asintóticas.
68 MAD-UTPL
Debe revisar las partes demostrativas de los supuestos para que entienda
cómo funciona cada uno de ellos.
Es hora de reforzar los conocimientos adquiridos resolviendo las siguientes 2 Bimestre

actividades:



tema.
Nota. Por favor complete la actividad en un cuaderno o documento Word.
3. Desarrolle en STATA el ejercicio C1 de la página 183 del texto básico

de Wooldridge.
Procedimiento: para esto, tome los datos de la tabla: WAGE1. RAW,

súbalos a STATA y desarrolle la regresión sugerida.
69 MAD-UTPL
Semana 12
4.10. Efectos del escalamiento de datos sobre los estadísticos de

MCO
2 Bimestre
Aquí se vuelve a revisar un tema que vimos en modelos de regresión simple,
en los cuales la transformación de las unidades de medida de las variables
podría representar un problema al momento de la interpretación de los
resultados de los estimadores. Esto también se lo conoce como reescalar
las variables, técnica utilizada muchas veces para maquillar los datos, es
decir, suponga que tiene datos como el siguiente: 2300.000.000 millones de
dólares, esta cantidad puede ser maquillada para que ahora se vea así: 2.3
miles de millones de dólares.
Cuando se reescalan las variables, tanto los coeficientes como los errores
estándar, los intervalos de confianza, los estadísticos t y F se modifican de
una manera tal que se preservan todos los efectos medidos y los resultados
de las pruebas. El tema es que esta “transformación de datos”, debe ser
analizada con cuidado al momento de las interpretaciones de los resultados.
Como puede observar en la tabla 6.1 del texto de Wooldridge, una de las
variables independientes como es el peso del recién nacido está medido
inicialmente en onzas, pero luego estos datos de peso se transforman a
libras, por ende, los resultados de las estimaciones cambian, pero esto no
altera las propiedades de eficiencia del modelo. Revise el ejemplo planteado
en este parte del texto básico de Wooldridge el cual detalla qué sucede con
las variables reescaladas.
4.11. Más acerca de la forma funcional
En los modelos de regresión simple o con una única variable independiente,

vimos que los modelos de regresión se expresaban en forma lineal,
traduciendo esta linealidad en tanto en las variables, como en los
parámetros (Bs). Pero se conoce que muchas teorías económicas no
trabajan con modelos lineales en las variables, sino que adoptan otras
formas funcionales que se relacionan directamente a las variables que dejan
de ser lineales.
70 MAD-UTPL
Se dice que una variable es lineal cuando esta variable no está ni
multiplicada, ni dividida por otra variable o tampoco elevada a un exponente
distinto de uno. Cuando las variables dejan ser lineales, podemos decir que
los modelos cambian de forma funcional.
La forma funcional que puede adoptar un modelo de regresión simple es

fácil de identificar al graficar la relación entre las dos variables, pero en
un modelo de regresión múltiple esto ya no se puede realizar. Realicemos 2 Bimestre
algunos ejemplos de formas funcionales distintas a la lineal en el caso del

modelo del PIB.
Modelo lineal
Modelo logarítmico
Lo que estamos haciendo en el modelo logarítmico es que, a todas las

variables del modelo, le sacamos el logarítmico y una vez realizado esto,
estimamos el modelo y analizamos. En STATA se procede de la siguiente
forma:
71 MAD-UTPL
Figura 18
Modelo de regresión múltiple logarítmico
2 Bimestre
Para trabajar en este modelo tuvimos que generar nuevas variables que
son los logaritmos de las variables PIB, inflación y exportaciones. Una vez
realizado esto estimamos el modelo y obtuvimos los resultados de la figura
18.
Cuando las variables se transforman a logaritmos, las unidades de las

variables cambian porcentajes, con base a esto, le dejo de tarea que
interprete los resultados de los estimadores. Aquí algunos ejemplos de
distintos tipos de regresiones:
Lineal.
Logarítmica.
Inversa.
Cuadrático.
Cúbico.
72 MAD-UTPL
Potencia.
Compuesto.
Curva-S.
Crecimiento. 2 Bimestre
Exponencial.
4.12. Más sobre bondad de ajuste y selección de los regresores
Sabemos que el coeficiente de determinación R2, es una medida de

bondad de ajuste del modelo, que nos indica que tanto la o las variables
independientes explican a la variable dependiente. Sin embargo, a medida
que se agregan más variables predictoras al modelo, el R2 siempre aumenta,
incluso si las variables adicionales no son estadísticamente significativas o
no aportan información relevante al modelo.
En modelos de regresión múltiple aparece el coeficiente de determinación

ajustado ( ). Es aquí donde entra en juego el coeficiente de determinación
ajustado. Este coeficiente penaliza el número de variables predictoras en
el modelo y ajusta el R2 para tener en cuenta la cantidad de información
adicional que aportan estas variables. En otras palabras, el tiene
en cuenta tanto la calidad del ajuste como la complejidad del modelo.
Realicemos un ejemplo:
Vamos a tomar el modelo del PIB y añadirle algunas variables para ver cómo
se comporta el .
73 MAD-UTPL
Figura 19
Modelo original del PIB en función de la inflación y exportaciones
2 Bimestre
En esta Figura vemos el modelo múltiple inicial y sus valores de R2 y

a este modelo ahora le vamos a incorporar algunas variables sean o no
significativas y ver como se comporta el .
Figura 20
Modelo del PIB con más variables independientes
Como se puede observar en la figura 20, los coeficientes R2 y , ahora son

menores a los del modelo original, por tal motivo, el hecho de aumentar
variables al modelo no implica que estos coeficientes aumenten en gran
medida, a existido un aumento de valor, pero el es aquel que restringe
que este valor crezca demasiado.
74 MAD-UTPL
Para un mejor entendimiento de esta parte, revise los temas adicionales que
son complementarios a los que hemos revisado aquí.
Reforcemos el aprendizaje resolviendo las siguientes actividades. 2 Bimestre

capítulo 6 del texto de Wooldridge.

tema.

3. Realice el ejercicio 7 de la página 219 del texto básico de Wooldridge.
Procedimiento: para este ejercicio deberá explicar las razones de cuál

modelo con base a sus resultados es más apropiado.
4. Desarrolle la autoevaluación de esta cuarta unidad y las actividades


75 MAD-UTPL
2 Bimestre
76 MAD-UTPL
Autoevaluación 4

las preguntas de opción múltiple elija la respuesta correcta. 2 Bimestre
1. ( ) ¿Uno de supuestos de los MCO es la normalidad de los

residuos?
2. ( ) ¿Si al modelo clásico de regresión lineal le añadimos el

supuesto de heterocedasticidad, tendremos un modelo
clásico de regresión lineal normal?
3. ( ) En la regresión múltiple, los residuos no están

correlacionados con Ȳ.
4. Una de las metodologías para estimar un modelo de regresión

múltiple es:
a. Intervalo de confianza.
b. Nivel de significancia.
c. Máxima verosimilitud.
5. ( ) ¿El coeficiente de determinación en la regresión múltiple,

tiene los límites entre 0 y 0,5?
6. ( ) ¿El valor medio de Y estimado es igual al valor medio de Y

observado?
7. ( ) ¿El R2 es una función creciente por el número de

variables?
8. ( ) ¿Un modelo polinomial puede ser considerado con un

modelo de regresión múltiple?
77 MAD-UTPL
9. Los coeficientes de correlación entre regresoras y regresores se
denomina:
a. Parámetros.
b. Coeficientes de correlación simple.
c. Variables.
10. A medida que aumenta el número de regresoras, R2: 2 Bimestre
a. Aumenta mínimamente.
b. Aumenta considerablemente.
c. Disminuye considerablemente.
78 MAD-UTPL
Este resultado le permitirá entender que los modelos de regresión múltiple

también pueden incluir, dentro de sus variables independientes, variables
de tipo cualitativo, y que suelen expresar diferenciación entre las categorías 2 Bimestre
que lo componen.
Semana 13
Unidad 5. Análisis de regresión múltiple con información

cualitativa: variables binarias (o dummys)
5.1. Descripción de la información cualitativa
En el análisis de regresión no solo se trabaja con variables cuantitativas (por

ejemplo: ingreso, producción, precios, costos, inflación, etc.), sino también
con variables cualitativas, es decir, variables que expresan presencia o
ausencia de una cualidad o característica y que no se expresan de manera
numérica (por ejemplo: raza, religión, sexo, nacionalidad, región geográfica,
cambios políticos, etc.).
Para entender mejor este concepto revisemos el siguiente ejemplo: un

modelo en el cual el consumo está en función del ingreso, a más de esta
variable, el consumo podría verse también condicionado por variables como:
la zona geográfica, o por la religión, o por la raza, cualquiera de estas tendría
un efecto sobre las variaciones en la variable dependiente.
79 MAD-UTPL
Este modelo ha pasado de ser un modelo de regresión simple a unos
de regresión múltiple, por la inclusión de estas variables denominadas
dicótomas, es decir, variables expresadas en escala nominal.
Para poder cuantificar estas variables y sus atributos, debemos generar

variables artificiales que toman los valores de 0 y 1. Estas se representan de
la siguiente manera:
2 Bimestre
1 = presencia o posesión de ese atributo o cualidad.
0 = su ausencia.
Para comprender mejor esta parte revisemos los siguientes ejemplos:
Persona de sexo: 1 = femenino, 0 = masculino.

Persona de religión: 1 = católico, 0 = no católico o de cualquier otra
religión.
Persona con: 1 = casado, 0 = no casado.
Para la tabla de datos con la que hemos venido trabajando a lo largo de la

guía, le vamos a incorporar la variable dolarización, con valores de 1 a los
años a partir del año 2000 y con 0 a los valores antes del año 2000.
Figura 21
Variable dummy Dolarización
5.2. Una sola variable binaria independiente
Modelos en los cuales la variable dependiente está expresada en forma

cuantitativa, y todas las variables independientes en forma cualitativa o
80 MAD-UTPL
como variables dicótomas, la cual adopta la siguiente forma para el caso del
ejercicio del PIB:
2 Bimestre
Ahora procedemos a realizar la regresión del PIB en función de una variable
independiente dummy (dolarización).
Figura 22
Regresión simple con variable dummy
La interpretación de esta regresión con variable dummy es que después

de adoptar la dolarización, el PIB creció en promedio en 5.57e10 dólares
más que en los años en los cuales aún existía el sucre. Aparentemente
el proceso de dolarización incentivó el crecimiento del PIB. Además, esta
variable Dolarización, es estadísticamente significativa y el R2 es del 64%, lo
que indica que explica en gran medida los cambios sobre el PIB. Revise los
ejemplos del 7.1 al 7.3 del texto de Wooldridge para un mejor entendimiento
de este tipo de modelos.
5.3. Uso de las variables binarias en categorías múltiples
En la economía no es muy frecuente que se den modelos como los

que acabamos de revisar, ya que estos se presentan en áreas como la
psicología, sociología, educación e investigación de mercados. La mayor
81 MAD-UTPL
parte de la investigación económica incluye dentro de sus modelos
variables explicativas, cuantitativas y cualitativas, ya que permite controlar
estadísticamente los efectos de regresoras cuantitativas y cualitativas. Su
forma funcional general sería:
Para ejemplificar esto tomemos la base de datos del texto básico de 2 Bimestre
Wooldridge (wage.1), y realicemos un modelo de regresión cuyas variables

independientes pueden ser cualitativas y cuantitativas. El modelo que vamos
a estimar es el siguiente:
Los resultados en STATA son los siguientes:
Figura 23
Modelo de regresión con múltiples variables dummy
Como se puede observar todas las variables independientes tanto

cualitativas como cuantitativas son estadísticamente significativas, el R2
es del 32%, es decir, que los cambios en el salario (wage), están siendo
explicados en un 32% por las variables independientes.
Ahora la interpretación de los estimadores sería que, si la educación

aumenta en un año, el salario mensual aumentaría en promedio en $0.58
por hora, manteniendo las demás variables constantes. Respecto a la
82 MAD-UTPL
experiencia tenemos que, si esta variable aumenta en un año, el salario
mensual en promedio aumentaría en $0.055 por hora. Por el contrario, la
variable female nos dice que las mujeres ganan en promedio menos de
$2.06 por hora que los hombres. Finalmente, el coeficiente de la variable
married indica que las personas casadas ganan en promedio $0.66 más por
hora que las personas no casadas.
Para un mejor entendimiento de estos temas, revise los temas 2 Bimestre
complementarios estipulados en el punto 7.3.


capítulo 7 del texto de Wooldridge.

tema.
2. Revise los ejercicios del 7.1 al 7.4 del texto de Wooldridge, sobre
modelos con variables dummy.

3. Realice el ejercicio 1 de la página 258 del texto básico de Wooldridge.
Procedimiento: para esto analice los resultados que plantea el

ejercicio y conteste los literales propuestos.
83 MAD-UTPL
Semana 14
5.4. Interacción en las que intervienen variables binarias
Como lo hemos visto en los temas antes revisados, las variables dummy
2 Bimestre
expresan la diferencia que tiene cada una con respecto a sus categorías,
pero de forma individual, es decir, la diferencia entre casado o no, o la
diferencia entre hombre o mujer, pero estas se interpretan individualmente.
Ahora lo que queremos conocer es qué sucede si un individuo cumple dos
condiciones de forma simultánea, por ejemplo: hombre-casado o mujer-
soltera, sería apropiado conocer los resultados de estas interacciones, para
esto la función general se presenta de la siguiente forma:
Adaptando esto al ejercicio anterior tendríamos la siguiente función de

regresión:
Lo que queremos conocer a través de esta regresión es saber cómo se

comporta el salario de una mujer-casada, respecto a los hombres no
casados, que sería la categoría de comparación. En STATA tendríamos lo
siguiente:
84 MAD-UTPL
Figura 24
Interacción de variables dummy
2 Bimestre
Este tipo de modelo de interacción entre variables dummy, nos indica que
al menos en la variable (female_married), su interpretación manifiesta que
una mujer_casada, gana en promedio $2.70 menos por hora con respecto a
los hombres_no casados, que vendría a ser la categoría de comparación de
esta interacción entre variables. Por ende, si queremos conocer alguna otra
diferencia entre los salarios por hora debemos definir la variable interacción
con base a los que queremos conocer.
Para un mejor entendimiento de este puede apoyarse del texto de Gujarati

en el capítulo 9 que también habla del tema de los modelos de regresión con
variables dicótomas.
5.5. Más acerca del análisis de políticas y evaluación de programas
Este tema hace referencia a que los modelos con variables dummy,
generalmente son utilizados para análisis de programas enfocados a
políticas públicas, donde existen grupos de tratamiento y de control, los
cuales no pueden ser elegidos al azar, sino que deben cumplir con ciertas
cualidades o atributos que las convierten en variables cualitativas o dummy.
Hay que tener en cuenta que estos tipos de modelos están relacionados
con variables dependientes de carácter cualitativo, es decir, una variable
85 MAD-UTPL
dependiente dummy. Aquí entran los modelos de respuesta binaria, tema
que será revisado con mayor profundidad en la materia de econometría
avanzada.
2 Bimestre
actividades:
1. Revise los ejercicios del 7.8 al 7.11, del texto de Wooldridge, para
entender los temas revisados en esta semana.

2. Realice los ejercicios C2 y C3 de la página 262 del texto básico de

Wooldridge.
Procedimiento: para esto, utilice las bases de datos: WAGE2. RAW y

MLB1. RAW, corra los modelos y conteste los literales sugeridos.
3. Desarrolle la autoevaluación de esta quinta unidad y las actividades



86 MAD-UTPL
Autoevaluación 5

los ítems, y responda verdadero o falso.
2 Bimestre
1. ( ) ¿Un modelo con variables dicótomas puede generar
heterocedasticidad?
2. ( ) ¿Una variable dicótoma puede tomar valores de 0 o 1?.
3. ( ) ¿Una variable dicótoma o dummy es una variable

cuantitativa?
4. ( ) ¿La trampa de la variable dicótoma se da cuando se

incluye igual número de variables que de categorías?
5. ( ) ¿A las variables dicótomas también se les llama

categóricas?
6. ( ) ¿La variable años es una variable dicótoma?
7. ( ) ¿La variable estado civil puede representarse como una

variable dicótoma?
8. ( ) ¿Un ejemplo de variable dicótoma es la tasa de

crecimiento del PIB?
9. ( ) ¿La predicción de datos con variables dicótomas es

menos precisa?
10. ( ) ¿Si quiero aplicar una variable dicótoma para los

trimestres del año, debo aplicar 3 variables para no
cometer la trampa de la variable dicótoma?:
87 MAD-UTPL
Semana 15
Unidad 6. Multicolinealidad
6.1. Naturaleza de la multicolinealidad 2 Bimestre
La multicolinealidad es la relación lineal perfecta entre las variables

explicativas de un modelo de regresión. Aunque en la práctica, adicional
a los modelos lineales, se suele trabajar con modelos no lineales, en los
cuales el fenómeno de la multicolinealidad también puede darse entre sus
variables.
Si un modelo se calcula ante presencia de multicolinealidad, los estimadores

dejan de ser confiables, lo que generaría que los resultados obtenidos no
sean los más adecuados para explicar un fenómeno económico o financiero.
Los casos de multicolinealidad perfecta son casi inexistentes, por lo que

en la mayor parte de los modelos de regresión existe multicolinealidad,
pero imperfecta, la cual sí nos permite poder obtener los resultados de los
coeficientes de regresión.
6.2. Consecuencias prácticas de la multicolinealidad
Las consecuencias que se pueden dar son las siguientes:
Varianzas y covarianzas grandes que presentan problemas de

estimación precisa.
Intervalos de confianza amplios, lo que conlleva a una aceptación más
fácil de la Hipótesis Nula (Ho).
La razón t tiende a no ser significativa.
Los estimadores de Mínimos Cuadrados Ordinarios (MCO) y sus
errores pueden ser sensibles a pequeños cambios en la información.
88 MAD-UTPL
6.3. Detección de la multicolinealidad
Para poder detectar si los resultados de una regresión presentan

multicolinealidad se debe tomar en cuenta lo siguiente:
Cuando se tiene un coeficiente de determinación alto (R2) por encima

del 80 % y pocas t significativas de los coeficientes de regresión, o las
2 Bimestre
probabilidades de estos son mayores al 5 %, hay multicolinealidad.
El valor de F es significativo.
Alta correlación entre parejas de regresores (correlaciones de orden

cero), es decir, coeficientes de correlación simple mayores al 80 %. Por
ejemplo, relación entre X2 y X3 se denomina r23.
Coeficientes de correlación parcial mayores al 80 %. Por ejemplo, si

tenemos X2, X3, y X4, las relaciones que se dan son las siguientes
R12.34, R13.24, R14.23.
Realizar regresiones auxiliares, las mismas que consiste en regresar

una variable explicativa en función de otra, por ejemplo, X2= f(X3),
así de manera sucesiva dependiendo el número de variables
independientes existentes en el modelo.
A través del indicador de Tolerancia (TOL) y del Factor de Inflación de

la Varianza (FIV).
Una vez que ya entendemos por qué se da el problema de la

multicolinealidad, vamos a poner en práctica esto en el modelo múltiple del
PIB.
A este modelo vamos a determinar si tiene problemas de multicolinealidad a

través de STATA:
89 MAD-UTPL
Figura 25
Detección de la multicolinealidad
2 Bimestre
Una de las reglas para saber si hay un problema de multicolinealidad es

cuando tenemos un R2 superior al 80% y algunas variables no significativas,
en los resultados del modelo del PIB, vemos que esto no se cumple,
por ende, podríamos decir que aparentemente no hay problemas de
multicolinealidad.
Utilicemos una prueba más formal y metodológicamente más fuerte, como

lo es el Factor Inflador de la Varianza (FIV), el cual si presenta valores
superiores a 10 podríamos decir que hay problemas de multicolinealidad y si
también presenta una Tolerancia (TOL) cercana a cero. Veámoslo en STATA.
Figura 26
Prueba del factor inflador de la varianza (FIV)
Con base a esta prueba podemos ver que el VIF de las variables
independientes, es de 1, es decir, no supera el valor de 10 y el valor del TOL
(1/VIF), está bastante alejado de cero, por lo que se puede concluir que no
hay problemas de multicolinealidad.
90 MAD-UTPL
En el caso de que exista un problema de multicolinealidad en nuestro
modelo, existen algunas soluciones que son muy generales a la hora de
corregir este problema, entre estas tenemos:
Eliminar la variable o variables altamente colineales.

Aumentar el tamaño de la muestra.
Adoptar una forma funcional distinta.
2 Bimestre
Estimado estudiante, con esto hemos terminado de revisar los temas
correspondientes a la materia de Econometría Básica, por lo que lo invito
a revisar los temas planteados, los ejemplos sugeridos y a resolver los
ejercicios sugeridos en algunas unidades. Recuerde que todo lo aprendido
debe ser realizado en el programa STATA.
Ejercicio práctico en STATA
Para recapitular los contenidos abordados este segundo bimestre, vamos

a realizar un ejercicio práctico. La base de datos (wage1) es tomada del
texto básico de Wooldridge, y está en formato (dta), para que se cargue
directamente al STATA. El momento en que haga clic en el archivo de la base
de datos, automáticamente se abrirá el programa STATA, y las variables se
cargarán automáticamente en el programa.
Vamos a realizar un modelo en el cual el salario (wage), sea explicado por

las variables: educación (educ), experiencia (exper), antigüedad (tenure),
número de dependientes, estas como variables cuantitativas y además las
variables femeninas (female) y casado (married), como variables dummy. La
información de esta base de datos es de corte transversal, es decir, ha sido
generada en un punto específico del tiempo.
91 MAD-UTPL
Figura 27
Modelo de regresión múltiple del salario
2 Bimestre
Ahora realizaremos una interpretación de los resultados obtenidos a través

de esta regresión múltiple:
Existe una significatividad conjunta del modelo o las variables

independientes en conjunto tiene una relación lineal con la variable
dependiente salario (wage). Esto debido a que el p-valor de F, es menor
al 5%, lo que nos permite concluir que las variables en su conjunto son
adecuadas para explicar a la variable dependiente.
El coeficiente de determinación (R2= 0.37 0 37%), lo que manifiesta

que las variables independientes explican en un 37% los cambios
promedios que se puedan dar en la variable dependiente (wage). Este
coeficiente es una medida de bondad de ajuste del modelo.
Si ahora revisamos la significatividad individual de los coeficientes de

regresión a través de sus betas, tenemos lo siguiente:
Las variables (numdep y married), son no significativas a nivel

individual o no tienen ninguna relación lineal con la variable
dependiente (wage), ya que sus p-valores son superiores al 5 %, lo que
no nos permite rechazar la hipótesis nula de no significatividad o no
relación lineal.
92 MAD-UTPL
Mientras que las otras variables son estadísticamente significativas,
es decir, estas variables son adecuadas para explicar cambios
promedio en la variable dependiente (wage).
Si interpretamos los coeficientes de regresión individuales o betas,

tendríamos lo siguiente:
B0: es la constante o intercepto y que, ante valores de cero en las

2 Bimestre
variables independientes, el salario promedio por hora disminuiría en
$2.0 dólares.
B1: nos dice que, por cada año adicional de educación, nuestro salario
aumenta en promedio en $0.57 dólares por hora, manteniendo las
otras variables constantes.
B2: nos dice que, por cada año adicional de experiencia, nuestro
salario aumenta en promedio en $0.021 dólares por hora, manteniendo
las otras variables constantes.
B3: nos dice que, por cada año adicional de antigüedad, nuestro
salario aumenta en promedio en $0.14 dólares por hora, manteniendo
las otras variables constantes.
B4 y B6: no se interpretan porque son no significativas.
B5: nos dice que el salario por hora de una mujer es menor en
promedio en $1.75 dólares, con respecto al de los hombres.
Ante estos resultados, lo mejor sería eliminar del modelo las variables no
significativas (numdep y married), y volver a correr el modelo, obteniendo los
siguientes resultados:
93 MAD-UTPL
Figura 28
Modelo de regresión múltiple del salario corregido
2 Bimestre
Como repaso, se le pide que realice una interpretación de estos resultados,

como se hizo con el modelo anterior. Es importante que también probemos
si el modelo cumple con el supuesto de la normalidad, ya que es parte de los
supuestos que rigen a los MCO. Para esto debemos generar los residuos de
la última regresión, aquella que se estimó sin las variables no significativas.
Figura 29
Cálculo de los residuos y prueba de Normalidad
94 MAD-UTPL
Ante estos resultados podemos manifestar que los residuos de nuestra
regresión NO cumplen con el supuesto de normalidad, ya que se rechaza la
H0: normalidad y se acepta la H1: NO normalidad.
A pesar de que el modelo presente variables independientes significativas,

un R2=37%, y una relación lineal conjunta con la variable dependiente,
esto no deslinda que puedan existir problema de multicolinealidad. Para
esto vamos a aplicar la prueba del FIV, para saber si nuestro modelo tiene 2 Bimestre
problema de multicolinealidad, los resultados obtenidos son los siguientes:
Figura 30
Prueba para detectar el problema de la Multicolinealidad
Como se puede observar, los valores FIV de cada variable están por
debajo de 10, los valores del TOL (1/VIF), están alejados de cero, por ende,
podemos concluir que el modelo no tiene problemas de multicolinealidad.
Con este ejercicio damos por terminado la revisión de los contenidos

correspondientes al segundo bimestre.
¡Éxitos!
1. Revise el capítulo 10 del texto de Gujarati.
95 MAD-UTPL
Procedimiento: para que comprenda el tema de la multicolinealidad,
le aconsejo que realice un resumen donde detalle por qué se produce
el problema de la multicolinealidad, los métodos para detectar este
problema y cuáles serían las posibles soluciones.
2. Realice los ejercicios 10.3 y 10.27 del texto de Gujarati, el último

hágalo en STATA.
2 Bimestre

3. Desarrolle la autoevaluación de esta sexta unidad y las actividades



96 MAD-UTPL
Autoevaluación 6

las preguntas de opción múltiple elija la respuesta correcta. 2 Bimestre
1. ¿En qué consiste la multicolinealidad?
a. Consiste en la relación entre las variables independientes del

modelo uniecuacional múltiple y su rezago en el tiempo.
b. Consiste en la existencia de relaciones lineales entre dos o más
variables independientes del modelo uniecuacional múltiple.
c. Consiste en la diferencia de las varianzas entre dos o más
variables independientes del modelo uniecuacional simple.
2. ¿Cuáles son las principales causas que produce muticolinealidad en

un modelo?
a. Amplia diferencia entre las varianzas de las variables

independientes.
b. Escasa variabilidad en las observaciones de las variables
independientes.
c. No normalidad de las variables independientes.
3. ¿Cuándo la multicolinealidad es leve o moderada se pueden presentar

los siguientes problemas?
a. Existe coeficientes de determinación muy elevados.

b. Existen t muy significativas.
c. Existe Chi2 muy elevados.
4. ¿Qué métodos se puede utilizar para la detección de

multicolinealidad?
a. Prueba de White.
b. Correlograma.
c. Factor inflador de la varianza.
97 MAD-UTPL
5. ¿Cómo se puede solucionar la multicolinealidad?
a. Mejorar el diseño muestral extrayendo la información máxima.

b. Eliminar datos sin importar el número de observaciones.
c. Utilizar un modelo econométrico lineal simple.
6. Existe multicolinealidad si en la matriz de correlaciones parciales, el

coeficiente de correlación entre X2 y X3 es: 2 Bimestre
a. 0.95.
b. 0.09.
c. 0
7. El término MELI significa:
a. Modelo de estimación lineal.

b. Mejor estimador lineal insesgado.
c. Método de estimación insesgada.
8. En qué tipo de regresión se puede hacer el examen de correlaciones

parciales:
a. Regresión simple con una variable independiente.

b. Regresión múltiple.
c. Regresión simple con variable logarítmica.
9. Podría eliminarse la multicolinealidad con:
a. Incrementar las variables explicativas.

b. Combinar información de corte transversal y serie temporal.
c. Colocar una variable dicótoma.
10. Si la relación r23 es de 0.20, ¿existe multicolinealidad o no?
a. Existe multicolinealidad.
b. No existe multicolinealidad.
c. Ninguno de los 2 casos anteriores.
98 MAD-UTPL
Semana 16
Actividades finales del bimestre
2 Bimestre
Estimado estudiante, en esta semana se va a realizar un repaso de las
unidades estudiadas en el segundo bimestre:
Unidad 4. Análisis de regresión múltiple: inferencia.

Unidad 5. Análisis de regresión múltiple con información cualitativa:
variables binarias (o dummy).
Unidad 6. Multicolinealidad.
Debe revisar nuevamente los contenidos de las unidades del 4 al

6, para un reforzamiento de los temas y como preparación previa
al examen presencial.

1. Tome la tabla de datos 10.14, del libro de Gujarati, y replique todos los
procesos que se realizaron en el ejercicio final propuesto en la semana
15.
Procedimiento: para este cargue la base de datos 10.14, en STATA, y,

replique los procesos realizados en el ejercicio final propuesto.


99 MAD-UTPL
tema.
2 Bimestre
100 MAD-UTPL
4. Solucionario
Autoevaluación 1
Pregunta Respuesta Retroalimentación
1 c La econometría es usar la matemática y estadística para
explicar teorías o relaciones económicas.
Solucionario
2 b Son datos de individuos, empresas o segmentos de la
economía.
3 a La pregunta de interés nos ayuda a probar una teoría
económica, la cual será expresada de forma cuantitativa a
través de un modelo econométrico.
4 v Esta variable constituye una variable independiente que
explicará a la variable dependiente.
5 f Se transforma a un modelo econométrico.
6 a Es la información que se da en un punto específico del
tiempo.
7 b El VAB provincial corresponde a información de la
producción recopilada en el año 2022.
8 b Es una combinación de información de corte transversal y
serie temporal.
9 a Información que se genera en distintos periodos de tiempo
es información de serie de tiempo.
10 b Un modelo econométrico busca que la variable
independiente explique a la variable dependiente mientras
las otras variables permanecen constantes.
101 MAD-UTPL
Autoevaluación 2
1 a Una regresión lineal simple es aquella regresión que solo
tiene una variable independiente.
2 c La variable dependiente se la denomina también variable
regresada, variable endógena, variable predictora.
3 b Es la pendiente que mide los cambios que se dan en la
variable dependiente.
4 c Este estadístico nos dice que tanto la variable independiente
explica a la variable dependiente.
5 v Los errores son una medida de dispersión de las
observaciones en torno a la recta de regresión. Solucionario
6 b Los datos muy altos o bajos pueden generar estimaciones

incorrectas.
7 c La hipótesis puede ser contrastada con el valor de
estadístico o con su p-valor.
8 f Las propiedades no se ven alteradas, solo los valores de los
coeficientes para su interpretación.
9 v El logarítmico o semilogarítmico son otras formas
funcionales de los modelos de regresión distinta a la lineal.
10 f Siempre se debe mantener la linealidad en los parámetros.
102 MAD-UTPL
Autoevaluación 3
1 b Un modelo múltiple es aquel que tiene más de una variable
independiente.
2 a Lo que busca es minimizar los errores para que las
estimaciones sean más confiables.
3 v Sí, porque miden los efectos individuales de cada variable
independiente sobre la variable dependiente.
4 f Este efecto se refiere a la interpretación de los estimadores
de B0 y B1.
5 a Este modelo en su ecuación carece del intercepto o
constante. Solucionario
6 a Un modelo mal especificado puede ser por estar

sobreestimado.
7 v Cuando este supuesto no se cumple, hablamos de un
problema de heterocedasticidad.
8 v
Depende de la R2
9 a El error de especificación se da por omitir una variable
importante.
10 c Al existir una alta colinealidad entre variables
independientes no deja explicar el aporte de cada una de
forma individual sobre la variable dependiente.
103 MAD-UTPL
Autoevaluación 4
1 v Este supuesto es importante y es parte de la metodología de
MCO.
2 f Se tiene un modelo de regresión lineal normal.
3 f Sí, están correlacionados con los residuos.
4 c Es una metodología usada para modelos de regresión al
igual que la de MCO.
5 f Este indicador los límites están entre o y 1.
6 f De esa forma, la estimación de los parámetros es eficiente.
7 f El cambio en R2 depende más de la relación que pueda
Solucionario
ejercer las variables independientes sobre la dependiente.
8 v Porque a más de sus variables lineales, también está la
variable cuadrática.
9 c Esto nos indica la asociación entre pares de variables.
10 a El hecho de tener varias variables independientes hará variar
mínimamente el coeficiente de determinación.
104 MAD-UTPL
Autoevaluación 5
1 v Es uno de los problemas de trabajar con variable dicótoma.
2 v Con estos valores se vuelve cuantificable a la variable.
3 f Es una variable cualitativa.
4 v Sí, porque se produce una perfecta colinealidad.
5 v Sí, porque asignan categorías a la variable cualitativa.
6 f Es una variable de carácter cuantitativo.
7 v Es una variable que puede tomar valores de 1 o 0
dependiendo de la categoría.
8 f Porque es una variable numérica cuantificable.
Solucionario
9 f Está casi al mismo nivel de las variables cuantitativas.
10 f Se debe incluir (m-1) variables dicótomas por categorías.
105 MAD-UTPL
Autoevaluación 6
1 b Alta relación entre variables independientes.
2 b La variabilidad extrema entre datos puede producir este
problema.
3 a Un R2 elevado es un síntoma de un problema de
multicolinealidad.
4 c El FIV conjuntamente con la tolerancia determinan el
problema de multicolinealidad.
5 a Aumentar la muestra o mejor la recolección de información
pueden corregir el problema.
6 a Valores superiores a 0.8 son considerados problema. Solucionario
7 b A través de la metodología de MCO se pueden obtener los

MELI.
8 b Las correlaciones se dan entre pares de variables
independientes.
9 b Combinar la información disminuye la posible asociación
entre variables.
10 b Es un valor bajo de relación entre variables que no es
preocupante.
106 MAD-UTPL
5. Referencias bibliográficas
Ochoa, O. (2023). Guía didáctica de Econometría Básica. Ediloja. UTPL
Gujarati, D. & Porter, D. (2010). Econometría. México: McGraw Hill. 5.ª

edición.
Stock, J. & Watson, M. (2020). Introducción a la econometría. 4.ª edición.

Pearson Education. Madrid.
Referencias
Wooldridge, J. (2015). Introducción a la econometría. 5.ª edición. Cengage
Learning. México.
107 MAD-UTPL
6. Anexos
Anexo 1. Base de datos del PIB
IPC (% IED_ENC (% del XBS (% del AIB (% del BCBS (% del DEA (% del
PIB (US$) Year
anual) PIB) PIB) PIB) PIB) INB)
5.1 3.1 2862504170 9.4 16.0 -3.6 14.2 1970
8.4 5.9 2754220263 10.6 16.3 -6.1 15.9 1971
7.9 2.5 3185987235 12.4 20.1 -3.1 17.1 1972
13.0 1.3 3891755552 17.9 21.7 1.2 15.2 1973
23.3 1.2 6599259421 22.7 28.5 3.9 11.0 1974
15.4 1.2 7731677257 16.1 17.3 -3.3 12.9 1975
10.7 -0.2 9091924305 16.0 19.1 -1.9 13.6 1976
13.0 0.3 11026346590 16.3 22.7 -1.8 23.0 1977 Anexos
11.7 0.4 11922502171 14.7 22.8 -3.8 35.1 1978

10.3 0.4 14175166008 17.9 22.5 -0.3 33.7 1979
13.0 0.4 17881514683 17.1 24.6 -0.7 35.4 1980
16.4 0.3 21810767209 14.6 25.1 -0.7 36.9 1981
16.3 0.2 19929853575 14.7 18.7 -3.1 41.2 1982
48.4 0.3 17152483214 15.6 20.9 0.2 47.3 1983
31.2 0.3 16912515183 17.4 20.5 1.7 53.1 1984
28.0 0.4 17149094590 19.7 22.6 3.6 54.6 1985
23.0 0.5 15314143988 15.6 21.7 -1.9 66.0 1986
29.5 0.9 13945431882 15.4 18.4 -7.0 81.9 1987
58.2 1.2 13051886552 19.0 21.5 -4.7 91.5 1988
75.6 1.2 13890828708 20.3 22.5 -4.5 90.8 1989
48.5 0.8 15239278100 22.8 25.0 0.9 86.7 1990
48.8 0.9 16988535268 23.7 24.2 2.2 78.9 1991
54.3 1.0 18094238119 24.1 26.1 3.5 71.5 1992
45.0 2.5 18938717359 20.0 18.0 -3.1 78.1 1993
27.4 2.5 22708673337 20.3 18.1 -3.2 83.2 1994
22.9 1.9 24432884442 21.3 16.5 -3.3 72.3 1995
24.4 2.0 25226393197 22.3 18.9 0.3 72.1 1996
30.6 2.6 28162053027 21.5 18.4 -1.9 67.6 1997
36.1 3.1 27981896948 17.9 16.4 -7.6 69.1 1998
52.2 3.3 19645272636 26.4 23.2 3.6 104.2 1999
96.1 -0.1 18327764882 32.1 26.1 4.8 100.4 2000
37.7 2.2 24468324000 23.2 18.0 -4.3 76.6 2001
12.5 2.7 28548945000 21.5 17.3 -6.4 71.7 2002
7.9 2.7 32432858000 22.6 17.5 -2.0 64.5 2003
2.7 2.3 36591661000 24.6 18.6 -1.6 59.3 2004
2.4 1.2 41507085000 27.6 20.8 -0.9 51.5 2005
3.3 0.6 46802044000 30.3 23.4 1.0 45.3 2006
108 MAD-UTPL
IPC (% IED_ENC (% del XBS (% del AIB (% del BCBS (% del DEA (% del
PIB (US$) Year
anual) PIB) PIB) PIB) PIB) INB)
2.3 0.4 51007777000 31.9 24.0 1.3 43.0 2007
8.4 1.7 61762635000 34.2 26.7 0.3 31.5 2008
5.2 0.5 62519686000 25.2 24.0 -1.6 21.8 2009
3.6 0.2 69555367000 27.9 23.5 -4.5 22.4 2010
4.5 0.8 79276664000 31.1 25.9 -2.2 20.7 2011
5.1 0.6 87924544000 30.2 26.4 -1.4 18.8 2012
2.7 0.8 95129659000 28.6 26.1 -2.3 20.3 2013
3.6 0.8 1.01726E+11 28.1 26.7 -1.6 24.9 2014
4.0 1.3 99290381000 21.3 24.1 -2.7 29.1 2015
1.7 0.8 99937696000 19.5 25.5 0.5 36.1 2016
0.4 0.6 1.04296E+11 20.8 25.5 -0.8 40.4 2017
-0.2 1.3 1.07562E+11 22.6 25.6 -1.2 42.9 2018
0.3 0.9 1.07436E+11 23.4 25.0 0.0 49.5 2019
Anexos
109 MAD-UTPL

Guía Didáctica ECONOMETRIA

Cargado por

Copyright:

Formatos disponibles

Guía Didáctica ECONOMETRIA

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Guía Didáctica ECONOMETRIA

Cargado por

Copyright:

Formatos disponibles

Econometría Básica

Carrera PAO Nivel

Oswaldo Francisco Ochoa Ordóñez

ECON_3039 Asesoría virtual

Diagramación y diseño digital:

Ediloja Cía. Ltda.

ISBN digital - 978-9942-39-903-8

Resultado de aprendizaje 1 y 2..................................................................... 11

Contenidos, recursos y actividades de aprendizaje............................................. 11

Unidad 1. La naturaleza de la econometría y los datos económicos............. 12

Unidad 2. Regresión lineal con un regresor único......................................... 19

2.4. Los supuestos de mínimos cuadrados............................................... 27

2.7. Unidades de medición y forma funcional........................................... 30

2.10. Contraste de hipótesis acerca de uno de los coeficientes de

2.12. Heterocedasticidad y homocedasticidad........................................... 38

Resultado de aprendizaje 3........................................................................... 45

Contenidos, recursos y actividades de aprendizaje............................................. 45

Unidad 3. Análisis de regresión múltiple: estimación................................... 45

Actividades finales del bimestre................................................................. 56

Resultado de aprendizaje 3........................................................................... 57

Contenidos, recursos y actividades de aprendizaje............................................. 57

Unidad 4. Análisis de regresión múltiple: inferencia..................................... 57

4.4. Prueba de hipótesis de una sola combinación lineal de los

4.10. Efectos del escalamiento de datos sobre los estadísticos de MCO. 70

Resultado de aprendizaje 3........................................................................... 79

Contenidos, recursos y actividades de aprendizaje............................................. 79

5.1. Descripción de la información cualitativa.......................................... 79

5.4. Interacción en las que intervienen variables binarias........................ 84

Actividades finales del bimestre................................................................. 99

1.1. Presentación de la asignatura

1.2. Competencias genéricas de la UTPL

 Capacidad de abstracción, análisis y síntesis.

 Analiza e interpreta el entorno económico social.

1.4. Problemática que aborda la asignatura

En la actualidad parte de las teorías económicas no aplican componentes

A través del aprendizaje por descubrimiento y el aprendizaje basado en

Para ello, lo invito a revisar los materiales y recursos educativos que se

Mediante la lectura de los documentos elaborados y también con las

Metodología de aprendizaje por descubrimiento

La metodología de aprendizaje por descubrimiento es un enfoque educativo

A diferencia del aprendizaje tradicional, en el que el docente es el principal

Metodología de aprendizaje basado en problemas

La metodología de Aprendizaje Basado en Problemas (ABP) es un enfoque

 Analiza la relación lineal entre dos variables y

Para lograr los resultados de aprendizaje, es necesario partir de la

Cuando haya logrado comprender cada uno de los elementos conceptuales,

Contenidos, recursos y actividades de aprendizaje

Unidad 1. La naturaleza de la econometría y los datos económicos 1 Bimestre

1.1. ¿Qué es la econometría?

Iniciamos el estudio de la econometría, destacando algunos conceptos

Para Wooldridge, (2009), “la Econometría se basa en métodos estadísticos

Para Stock & Watson, (2012), “la econometría es la ciencia y el arte de

En definitiva, la econometría se basa en la explicación cuantitativa de

1.2. Pasos en un análisis económico empírico

Los modelos econométricos son utilizados para probar alguna teoría

En la siguiente infografía se indican los pasos generales que permiten 1 Bimestre

estructurar un modelo de regresión.

Análisis económico empírico

1.3. Estructura de los datos

Capacidad de abstracción, análisis y síntesis.

Analiza e interpreta el entorno económico social.

Analiza la relación lineal entre dos variables y