¿Que es la econometria?
La econometría aplica la metodología de la estadística matemática y las herramientas de inferencia estadística a la implementación empírica de modelos de actividad económica postulados por la teoría económica. La econometría es un campo importante dentro de la disciplina de la economía (otros campos importantes son la teoría económica, la macroeconomía, la organización industrial, la economía laboral, la economía pública , la economía del desarrollo y la economía internacional).
Aunque los estudios empíricos dentro de la economía se remontan al siglo XVII, el campo de la econometría es relativamente joven. La Econometric Society se estableció en 1930 y la revista Econometric Society, Econometrica, se fundó en 1933. En el primer número de Econometrica , el editor de la revista, Ragnar Frisch (1895-1973), señaló que la econometría es la unificación de las estadísticas, la teoría económica y matemáticas.
La econometría tiene varios objetivos generales. El primer objetivo es operacionalizar empíricamente la teoría económica. La teoría económica se ocupa de las relaciones entre las variables de interés económico y los factores que se cree que determinan esas variables. Un ejemplo simple de tal relación es el de una función de demanda. La teoría económica postularía, por ejemplo, que la cantidad demandada de un determinado tipo de automóvil depende, entre otras cosas, del precio del vehículo. En particular, la teoría estipularía que se demandarán menos unidades del automóvil, cuanto mayor sea el precio del vehículo, en igualdad de condiciones. La econometría permite al economista recopilar datos sobre la demanda y el precio de los automóviles y establecer una relación entre estas dos variables.
Un segundo objetivo de la econometría es probar la teoría económica. Volviendo al ejemplo del automóvil, una vez que se ha establecido una relación entre la demanda del automóvil y su precio, el economista puede utilizar los métodos de inferencia estadística para determinar si el precio y la demanda están relacionados entre sí en la dirección inversa hipotética. Además, el economista puede utilizar herramientas de inferencia estadística para estimar la capacidad de respuesta de la variable de interés a un cambio en la variable determinante.
Un tercer objetivo de la econometría es predecir los movimientos futuros de la variable económica de interés sobre la base del modelo econométrico. En el ejemplo del automóvil, la relación ajustada puede sugerir que un aumento de precio de $ 1,000 conducirá a una disminución significativa de la demanda y, por lo tanto, de los ingresos. Entonces, basándose en esta predicción, el fabricante presumiblemente decidiría mantener la línea en futuros aumentos de precios.
El modelo fundamental de la econometría es el modelo de regresión lineal clásico. Para dar un ejemplo genérico, considere:
En este ejemplo, Y es la variable de interés (la variable dependiente) y las X son variables que explican o determinan el nivel de Y (las variables independientes). Los β son coeficientes de impacto, cada uno de los cuales indica respectivamente el grado en que Y cambia dado un cambio de una unidad en la variable X correspondiente , α se conoce como el término de intersección y da el valor predicho de Y si las X son todos iguales a 0. Finalmente, ϵ se conoce como el término de perturbación. Se adjunta al modelo para permitir la incapacidad del analista de capturar literalmente todos los factores que posiblemente podrían determinar Y en el mundo real. En otras palabras, ϵ incorpora factores como eventos imprevistos que afectan a Y y factores que determinan Y que fueron omitidos inadvertidamente de la parte determinista de la especificación o que simplemente no fueron medidos o no fueron medibles.
Es el término de perturbación el que le da al modelo su sabor estadístico. En el caso clásico, se supone que ϵ tiene una distribución de probabilidad normal con un valor esperado de 0 y una varianza constante de σ 2 . Si esta suposición es correcta, entonces Y se distribuye normalmente. El modelo de regresión lineal clásico también asume que el término de perturbación no está relacionado de manera sistemática entre las observaciones de Y y asume además que el término de perturbación no está relacionado con los valores de Xs.
La ecuación anterior es un modelo de cómo se comporta la variable Y. Al implementar realmente el modelo, el econométrico posee observaciones individuales de Y y de las X s. El objetivo de la implementación empírica es la estimación de los parámetros del modelo: α y β. Esta estimación se logra mediante el método de mínimos cuadrados, que elige el conjunto de α y βs que minimiza la suma de las desviaciones cuadradas de la Y real s de las Ys predichas por el propio modelo. En otras palabras, el método de mínimos cuadrados genera un modelo de Y que se ajusta mejor a los datos observados, siempre que se cumplan los supuestos mencionados anteriormente (conocidos como las “condiciones ideales”).
Si se satisfacen las condiciones ideales, entonces las estimaciones de los parámetros (es decir, los valores estimados de α y βs) se distribuirán normalmente. Además, los valores esperados de las estimaciones de los parámetros serán iguales a los parámetros en sí mismos (esta propiedad se conoce como insesgado) y tendrán una varianza finita. En términos prácticos, estas propiedades estadísticas permiten al econométrico hacer un par de tipos importantes de inferencia. Por un lado, el analista puede realizar una prueba de hipótesis para determinar, sobre la base del valor estimado de un parámetro en particular, si la variable en cuestión tiene un efecto sobre Y. La confiabilidad de tal inferencia será alta, ya que es una convención en econometría realizar pruebas de hipótesis de manera que la probabilidad de obtener una inferencia incorrecta sea muy baja (generalmente menos del 5 por ciento). Además, un segundo tipo de inferencia que puede extraerse utilizando estimaciones de parámetros con las propiedades antes mencionadas es la construcción de un intervalo de confianza para el parámetro en cuestión. Un intervalo de confianza es un rango dentro del cual existe un alto grado de certeza de que se encuentra el verdadero valor del parámetro. Siempre que este rango sea relativamente estrecho, la inferencia será significativa.
Como sugiere el nombre, las “condiciones ideales” del modelo de regresión lineal clásico se aplican en circunstancias ideales. En muchos contextos empíricos, estos supuestos se cumplen, al menos aproximadamente. Mientras este sea el caso, entonces el modelo de regresión lineal clásico es una representación sensible de la realidad. En muchas situaciones empíricas, sin embargo, al menos una de las condiciones ideales no se cumple. Para dar algunos ejemplos: la relación entre las variables dependientes e independientes puede no ser lineal; los términos de perturbación pueden no tener una variación constante; los términos de perturbación pueden estar correlacionados entre sí hasta cierto punto; los términos de perturbación pueden estar correlacionados con algunas de las variables independientes; algunas variables determinantes importantes pueden haberse omitido de la ecuación de regresión; los términos de perturbación pueden no estar distribuidos normalmente con media cero.
Gran parte del trabajo de los econometristas durante los últimos 50 años se ha dedicado a desarrollar métodos y técnicas para hacer frente a los problemas antes mencionados. Se han desarrollado estimadores de “mínimos cuadrados generalizados” para tratar los problemas que surgen cuando los términos de perturbación están correlacionados entre sí (autocorrelación) o cuando los términos de perturbación no tienen varianza constante (heterocedasticidad).
Si los términos de perturbación están correlacionados con algunas de las variables independientes, entonces la ecuación de regresión adolece del problema del sesgo de simultaneidad. En otras palabras, las variables independientes determinan la variable dependiente, pero también se da el caso de que la variable dependiente determina al menos algunas de las variables independientes. Para hacer frente a este problema, los econometristas han desarrollado estimadores de “ecuaciones simultáneas”. Estas técnicas incluyen mínimos cuadrados de dos y tres etapas.
Aunque hay muchas formas dentro del contexto del modelo de regresión lineal para tratar el problema de una relación no lineal entre la variable dependiente y las variables independientes, surgen algunos casos en los que al menos uno de los parámetros es inherentemente no lineal. Para hacer frente a este problema, los econometristas han desarrollado “mínimos cuadrados no lineales”.
Se han desarrollado “técnicas de datos de panel” para aprovechar la rica información contenida en conjuntos de datos que siguen unidades transversales de observación a lo largo del tiempo.
En algunos casos, la variable dependiente no es continua y cuantitativa. Más bien refleja algún aspecto cualitativo de una variable. Por ejemplo, puede tomar el valor de I en presencia de alguna condición (digamos, si un individuo es un participante de la fuerza laboral) o 0 en ausencia de la condición (si el individuo no trabaja). En tal caso, decimos que la variable dependiente es cualitativa. Se ha desarrollado una amplia gama de técnicas para tratar las diferentes manifestaciones de variables cualitativas que pueden surgir en el trabajo empírico.
Por último, la econometría de series de tiempo se ha desarrollado como un subcampo muy importante dentro de la econometría para abordar el papel que juega el tiempo en muchas relaciones económicas. En este ámbito, se encuentran modelos de rezagos distribuidos, modelos ARIMA y modelos de corrección de errores. Esta área ha sido un campo de estudio particularmente activo desde mediados de la década de 1970 y muchos de los avances recientes más importantes en econometría han tenido lugar aquí.