Descarga la aplicación para disfrutar aún más
Esta es una vista previa del archivo. Inicie sesión para ver el archivo original
00_Maq. Preliminares_Gujarati.inii ii00_Maq. Preliminares_Gujarati.inii ii 12/21/09 5:28:56 PM12/21/09 5:28:56 PM Econometría 00_Maq. Preliminares_Gujarati.ini i00_Maq. Preliminares_Gujarati.ini i 12/21/09 5:28:54 PM12/21/09 5:28:54 PM 00_Maq. Preliminares_Gujarati.inii ii00_Maq. Preliminares_Gujarati.inii ii 12/21/09 5:28:56 PM12/21/09 5:28:56 PM Econometría Quinta edición Damodar N. Gujarati Profesor emérito de Economía United States Military Academy, West Point Dawn C. Porter University of Southern California Revisión técnica: Aurora Monroy Alarcón Instituto Tecnológico Autónomo de México (ITAM) José Héctor Cortés Fregoso Centro Universitario de Ciencias Económico-Administrativas (CUCEA) Universidad de Guadalajara MÉXICO • BOGOTÁ • BUENOS AIRES • CARACAS • GUATEMALA MADRID • NUEVA YORK • SAN JUAN • SANTIAGO • SÃO PAULO AUCKLAND • LONDRES • MILÁN • MONTREAL • NUEVA DELHI SAN FRANCISCO • SINGAPUR • SAN LUIS • SIDNEY • TORONTO 00_Maq. Preliminares_Gujarati.iniii iii00_Maq. Preliminares_Gujarati.iniii iii 12/21/09 5:28:56 PM12/21/09 5:28:56 PM Director Higher Education: Miguel Ángel Toledo Castellanos Editor sponsor: Jesús Mares Chacón Coordinadora editorial: Marcela I. Rocha M. Editor de desarrollo: Edmundo Carlos Zúñiga Gutiérrez Supervisor de producción: Zeferino García García Diseño de portada: Gemma M. Garita Ramos Traductora: Pilar Carril Villarreal ECONOMETRÍA Quinta edición Prohibida la reproducción total o parcial de esta obra, por cualquier medio, sin la autorización escrita del editor. DERECHOS RESERVADOS © 2010, respecto a la quinta edición en español por McGRAW-HILL/INTERAMERICANA EDITORES, S.A. DE C.V. A Subsidiary of The McGraw-Hill Companies, Inc. Prolongación Paseo de la Reforma 1015, Torre A, Piso 17, Colonia Desarrollo Santa Fe, Delegación Álvaro Obregón C.P. 01376, México, D. F. Miembro de la Cámara Nacional de la Industria Editorial Mexicana, Reg. Núm. 736 ISBN: 978-607-15-0294-0 (ISBN edición anterior: 978-970-10-3971-7) Traducido de la quinta edición de Basic econometrics, by Damodar N. Gujarati, and Dawn C. Porter Copyright © 2009, 2003, 1995, 1988, 1978, published by McGraw-Hill/Irwin, Inc. All rights reserved. 0-07-337577-2 0123456789 109786543210 Impreso en México Printed in Mexico 00_Maq. Preliminares_Gujarati.iniv iv00_Maq. Preliminares_Gujarati.iniv iv 12/21/09 5:28:57 PM12/21/09 5:28:57 PM Damodar N. Gujarati Después de enseñar durante más de 25 años en la City University of New York y 17 años en el Departamento de Ciencias Sociales de la U.S. Military Academy en West Point, Nueva York, el doctor Gujarati es actualmente profesor emérito de economía de la Academia. El doctor Gujarati recibió el grado de M.Com de la Universidad de Bombay en 1960, el grado de M.B.A. de la Universidad de Chicago en 1963 y el grado de Ph.D. de la Universidad de Chicago en 1965. El doctor Gujarati ha publicado una gran cantidad de trabajos en reconocidas revistas na- cionales e internacionales, como Review of Economics and Statistics, Economic Journal, Journal of Financial and Quantitative Analysis y Journal of Business. El doctor Gujarati fue miembro del Consejo Editorial de Journal of Quantitative Economics, publicación ofi cial de la Sociedad Econométrica de India. El doctor Gujarati es también autor de Pensions and the New York Fis- cal Crisis (The American Enterprise Institute, 1978), Government and Business (McGraw-Hill, 1984) y Essentials of Econometrics (McGraw-Hill, 3a. ed., 2006). Los libros del doctor Gujarati sobre econometría se han traducido a diversos idiomas. El doctor Gujarati fue profesor visitante de la Universidad de Sheffi eld, Inglaterra (1970- 1971), profesor visitante Fulbright en India (1981-1982), profesor visitante en la Facultad de Ad- ministración de la Universidad Nacional de Singapur (1985-1986) y profesor visitante de eco- nometría de la Universidad de Nueva Gales del Sur, Australia (durante el verano de 1988). El doctor Gujarati ha dictado numerosas conferencias sobre temas micro y macroeconómicos en países como Australia, China, Bangladesh, Alemania, India, Israel, Mauricio y la República de Corea del Sur. Dawn C. Porter Dawn Porter ha sido profesora adjunta del Departamento de Administración de Operaciones de la Marshall School of Business de la University of Southern California (USC) desde el otoño de 2006. En la actualidad imparte clases de introducción a la estadística tanto en licenciatura como en maestría en la Escuela de Administración. Antes de incorporarse al cuerpo docente de la USC, de 2001 a 2006, Dawn fue profesora adjunta de la McDonough School of Business en la Georgetown University, y antes de eso fue profesora visitante del Departamento de Psicología de la Graduate School of Arts and Sciences en la New York University (NYU). En NYU impartió diversos cursos sobre métodos estadísticos avanzados y también fue profesora de la Stern School of Business. Obtuvo su doctorado en Estadística en la Stern School. Las áreas de interés para la investigación de Dawn son análisis categórico, medidas de acuerdo, creación de modelos multivariados y aplicaciones en el campo de la psicología. Su investigación actual examina los modelos de subasta en internet desde una perspectiva estadística. Ha presen- tado sus estudios de investigación en las conferencias de Joint Statistical Meetings, las reuniones del Decision Sciences Institute, la Conferencia Internacional sobre Sistemas de Información, varias universidades, como la London School of Economics y NYU, así como en diversas series de seminarios sobre comercio electrónico y estadística. Dawn es también coautora de Essentials of Business Statistics, 2a. edición, McGraw-Hill/Irwin, 2008. Fuera del ámbito académico, Dawn fue contratada como consultora en estadística de KPMG, Inc. También trabajó como consultora en estadística para muchas otras empresas importantes, entre otras, Ginnie Mae, Inc., Toys R Us Corporation, IBM, Cosmaire, Inc., y New York University (NYU) Medical Center. Acerca de los autores 00_Maq. Preliminares_Gujarati.inv v00_Maq. Preliminares_Gujarati.inv v 12/21/09 5:28:59 PM12/21/09 5:28:59 PM Para Joan Gujarati, Diane Gujarati-Chesnut, Charles Chesnut y mis nietos, “Tommy” y Laura Chesnut. —DNG Para Judy, Lee, Brett, Bryan, Amy y Autumn Porter. Pero muy en especial para mi adorado padre, Terry. —DCP 00_Maq. Preliminares_Gujarati.invi vi00_Maq. Preliminares_Gujarati.invi vi 12/21/09 5:29:00 PM12/21/09 5:29:00 PM Prefacio xviii Reconocimientos xxi Introducción 1 PARTE UNO Modelos de regresión uniecuacionales 13 1 Naturaleza del análisis de regresión 15 2 Análisis de regresión con dos variables: algunas ideas básicas 34 3 Modelo de regresión con dos variables: problema de estimación 55 4 Modelo clásico de regresión lineal normal (MCRLN) 97 5 Regresión con dos variables: estimación por intervalos y pruebas de hipótesis 107 6 Extensiones del modelo de regresión lineal con dos variables 147 7 Análisis de regresión múltiple: el problema de estimación 188 8 Análisis de regresión múltiple: el problema de la inferencia 233 9 Modelos de regresión con variables dicótomas 277 PARTE DOS Flexibilización de los supuestos del modelo clásico 315 10 Multicolinealidad: ¿qué pasa si las regresoras están correlacionadas? 320 11 Heteroscedasticidad: ¿qué pasa si la varianza del error no es constante? 365 12 Autocorrelación: ¿qué pasa si los términos de error están correlacionados? 412 13 Creación de modelos econométricos: especifi cación del modelo y pruebas de diagnóstico 467 PARTE TRES Temas de econometría 523 14 Modelos de regresión no lineales 525 15 Modelos de regresión de respuesta cualitativa 541 16 Modelos de regresión con datos de panel 591 17 Modelos econométricos dinámicos: modelos autorregresivos y de rezagos distribuidos 617 PARTE CUATRO Modelos de ecuaciones simultáneas y econometría de series de tiempo 671 18 Modelos de ecuaciones simultáneas 673 19 El problema de la identifi cación 689 20 Métodos de ecuaciones simultáneas 711 21 Econometría de series de tiempo: algunos conceptos básicos 737 22 Econometría de series de tiempo: pronósticos 773 APÉNDICES A Revisión de algunos conceptos estadísticos 801 B Nociones básicas de álgebra matricial 838 C Método matricial para el modelo de regresión lineal 849 D Tablas estadísticas 877 E Resultados de computadora de EViews, MINITAB, Excel y STATA 894 F Datos económicos en la World Wide Web 900 BIBLIOGRAFÍA SELECTA 902 Contenido breve 00_Maq. Preliminares_Gujarati.invii vii00_Maq. Preliminares_Gujarati.invii vii 12/21/09 5:29:00 PM12/21/09 5:29:00 PM Prefacio xviii Reconocimientos xxi Introducción 1 I.1 ¿Qué es la econometría? 1 I.2 ¿Por qué una disciplina aparte? 2 I.3 Metodología de la econometría 2 1. Planteamiento de la teoría o hipótesis 3 2. Especifi cación del modelo matemático de consumo 3 3. Especifi cación del modelo econométrico de consumo 4 4. Obtención de información 5 5. Estimación del modelo econométrico 5 6. Pruebas de hipótesis 7 7. Pronóstico o predicción 8 8. Uso del modelo para fi nes de control o de políticas 9 Elección entre modelos rivales 9 I.4 Tipos de econometría 10 I.5 Requisitos matemáticos y estadísticos 11 I.6 La función de la computadora 11 I.7 Lecturas sugeridas 12 PARTE UNO MODELOS DE REGRESIÓN UNIECUACIONALES 13 CAPÍTULO 1 Naturaleza del análisis de regresión 15 1.1 Origen histórico del término regresión 15 1.2 Interpretación moderna de la regresión 15 Ejemplos 16 1.3 Relaciones estadísticas y relaciones deterministas 19 1.4 Regresión y causalidad 19 1.5 Regresión y correlación 20 1.6 Terminología y notación 21 1.7 Naturaleza y fuentes de datos para el análisis económico 22 Tipos de datos 22 Fuentes de datos 25 Precisión de los datos 27 Una observación sobre las escalas de medición de las variables 27 Resumen y conclusiones 28 Ejercicios 29 CAPÍTULO 2 Análisis de regresión con dos variables: algunas ideas básicas 34 2.1 Ejemplo hipotético 34 2.2 Concepto de función de regresión poblacional (FRP) 37 2.3 Signifi cado del término lineal 38 Linealidad en las variables 38 Linealidad en los parámetros 38 2.4 Especifi cación estocástica de la FRP 39 2.5 Importancia del término de perturbación estocástica 41 2.6 Función de regresión muestral (FRM) 42 2.7 Ejemplos ilustrativos 45 Resumen y conclusiones 48 Ejercicios 48 CAPÍTULO 3 Modelo de regresión con dos variables: problema de estimación 55 3.1 Método de mínimos cuadrados ordinarios (MCO) 55 3.2 Modelo clásico de regresión lineal: fundamentos del método de mínimos cuadrados 61 Advertencia sobre estos supuestos 68 3.3 Precisión o errores estándar de las estimaciones de mínimos cuadrados 69 3.4 Propiedades de los estimadores de mínimos cuadrados: teorema de Gauss-Markov 71 3.5 Coefi ciente de determinación r2: una medida de la “bondad del ajuste” 73 3.6 Ejemplo numérico 78 3.7 Ejemplos ilustrativos 81 3.8 Una observación sobre los experimentos Monte Carlo 83 Resumen y conclusiones 84 Ejercicios 85 Apéndice 3A 92 3A.1 Derivación de estimados de mínimos cuadrados 92 3A.2 Propiedades de linealidad e insesgamiento de los estimadores de mínimos cuadrados 92 3A.3 Varianzas y errores estándar de los estimadores de mínimos cuadrados 93 3A.4 Covarianza entre βˆ1 y βˆ2 93 3A.5 Estimador de mínimos cuadrados de σ2 93 Contenido 00_Maq. Preliminares_Gujarati.inviii viii00_Maq. Preliminares_Gujarati.inviii viii 12/21/09 5:29:00 PM12/21/09 5:29:00 PM Contenido ix 3A.6 Propiedad de varianza mínima de los estimadores de mínimos cuadrados 95 3A.7 Consistencia de los estimadores de mínimos cuadrados 96 CAPÍTULO 4 Modelo clásico de regresión lineal normal (MCRLN) 97 4.1 Distribución de probabilidad de las perturbaciones ui 97 4.2 Supuesto de normalidad de ui 98 ¿Por qué debe formularse el supuesto de normalidad? 99 4.3 Propiedades de los estimadores de MCO según el supuesto de normalidad 100 4.4 Método de máxima verosimilitud (MV) 102 Resumen y conclusiones 102 Apéndice 4A 103 4A.1 Estimación de máxima verosimilitud del modelo de regresión con dos variables 103 4A.2 Estimación de máxima verosimilitud del gasto en alimentos en India 105 Apéndice 4A Ejercicios 105 CAPÍTULO 5 Regresión con dos variables: estimación por intervalos y pruebas de hipótesis 107 5.1 Requisitos estadísticos 107 5.2 Estimación por intervalos: algunas ideas básicas 108 5.3 Intervalos de confi anza para los coefi cientes de regresión β1 y β2 109 Intervalo de confi anza para β2 109 Intervalo de confi anza para β1 y β2 simultáneamente 111 5.4 Intervalo de confi anza para σ 2 111 5.5 Prueba de hipótesis: comentarios generales 113 5.6 Pruebas de hipótesis: método del intervalo de confi anza 113 Prueba bilateral o de dos colas 113 Prueba unilateral o de una cola 115 5.7 Pruebas de hipótesis: enfoque de la prueba de signifi cancia 115 Prueba de signifi cancia de los coefi cientes de regresión: La prueba t 115 Prueba de signifi cancia de σ 2: la prueba χ2 118 5.8 Prueba de hipótesis: algunos aspectos prácticos 119 Signifi cado de “aceptar” o “rechazar” una hipótesis 119 Hipótesis nula “cero” y regla práctica “2t” 120 Formación de las hipótesis nula y alternativa 121 Selección del nivel de signifi cancia α 121 Nivel exacto de signifi cancia: Valor p 122 Signifi cancia estadística y signifi cancia práctica 123 Elección entre los enfoques de intervalos de confi anza y pruebas de signifi cancia en las pruebas de hipótesis 124 5.9 Análisis de regresión y análisis de varianza 124 5.10 Aplicación del análisis de regresión: problema de predicción 126 Predicción media 127 Predicción individual 128 5.11 Informe de resultados del análisis de regresión 129 5.12 Evaluación de los resultados del análisis de regresión 130 Pruebas de normalidad 130 Otras pruebas del ajuste del modelo 132 Resumen y conclusiones 134 Ejercicios 135 Apéndice 5A 143 5A.1 Distribuciones de probabilidad relacionadas con la distribución normal 143 5A.2 Derivación de la ecuación (5.3.2) 145 5A.3 Derivación de la ecuación (5.9.1) 145 5A.4 Derivación de las ecuaciones (5.10.2) y (5.10.6) 145 Varianza de la predicción media 145 Varianza de la predicción individual 146 CAPÍTULO 6 Extensiones del modelo de regresión lineal con dos variables 147 6.1 Regresión a través del origen 147 r2 para el modelo de regresión a través del origen 150 6.2 Escalas y unidades de medición 154 Advertencia sobre la interpretación 157 6.3 Regresión sobre variables estandarizadas 157 6.4 Formas funcionales de los modelos de regresión 159 6.5 Cómo medir la elasticidad: modelo log-lineal 159 6.6 Modelos semilogarítmicos: log-lin y lin-log 162 Cómo medir la tasa de crecimiento: modelo log-lin 162 El modelo lin-log 164 6.7 Modelos recíprocos 166 Modelo log hipérbola o recíproco logarítmico 172 6.8 Elección de la forma funcional 172 00_Maq. Preliminares_Gujarati.inix ix00_Maq. Preliminares_Gujarati.inix ix 12/21/09 5:29:02 PM12/21/09 5:29:02 PM x Contenido 6.9 Nota sobre la naturaleza del término de error estocástico: término de error estocástico aditivo o multiplicativo 174 Resumen y conclusiones 175 Ejercicios 176 Apéndice 6A 182 6A.1 Derivación de los estimadores de mínimos cuadrados para la regresión a través del origen 182 6A.2 Prueba de que la variable estandarizada tiene media cero y varianza unitaria 183 6A.3 Logaritmos 184 6A.4 Fórmulas para calcular la tasa de crecimiento 186 6A.5 Modelo de regresión Box-Cox 187 CAPÍTULO 7 Análisis de regresión múltiple: el problema de estimación 188 7.1 Modelo con tres variables: notación y supuestos 188 7.2 Interpretación de la ecuación de regresión múltiple 191 7.3 Signifi cado de los coefi cientes de regresión parcial 191 7.4 Estimación de MCO y MV de los coefi cientes de regresión parcial 192 Estimadores de MCO 192 Varianzas y errores estándar de los estimadores de MCO 194 Propiedades de los estimadores de MCO 195 Estimadores de máxima verosimilitud 196 7.5 El coefi ciente múltiple de determinación R2 y el coefi ciente múltiple de correlación R 196 7.6 Un ejemplo ilustrativo 198 Regresión sobre variables estandarizadas 199 Efecto sobre la variable dependiente de un cambio unitario en más de una regresora 199 7.7 Regresión simple en el contexto de regresión múltiple: introducción al sesgo de especifi cación 200 7.8 R2 y R2 ajustada 201 Comparación de dos valores de R2 203 Asignación de R2 entre regresoras 206 El “juego” de maximizar R¯2 206 7.9 La función de producción Cobb-Douglas: más sobre la forma funcional 207 7.10 Modelos de regresión polinomial 210 7.11 Coefi cientes de correlación parcial 213 Explicación de los coefi cientes de correlación simple y parcial 213 Interpretación de los coefi cientes de correlación simple y parcial 214 Resumen y conclusiones 215 Ejercicios 216 Apéndice 7A 227 7A.1 Derivación de los estimadores de MCO dados en las ecuaciones (7.4.3) a (7.4.5) 227 7A.2 Igualdad entre los coefi cientes del PIBPC en las ecuaciones (7.3.5) y (7.6.2) 229 7A.3 Derivación de la ecuación (7.4.19) 229 7A.4 Estimación de máxima verosimilitud del modelo de regresión múltiple 230 7A.5 Listado de EViews de la función de producción Cobb Douglas de la ecuación (7.9.4) 231 CAPÍTULO 8 Análisis de regresión múltiple: el problema de la inferencia 233 8.1 Una vez más, el supuesto de normalidad 233 8.2 Pruebas de hipótesis en regresión múltiple: comentarios generales 234 8.3 Pruebas de hipótesis sobre coefi cientes de regresión individuales 235 8.4 Prueba de signifi cancia general de la regresión muestral 237 El método del análisis de varianza en las pruebas de signifi cancia general de una regresión múltiple observada: la prueba F 238 Prueba de signifi cancia general de una regresión múltiple: la prueba F 240 Una relación importante entre R2 y F 241 Prueba de signifi cancia general de una regresión múltiple en términos de R2 242 La contribución “incremental” o “marginal” de una variable explicativa 243 8.5 Prueba de igualdad de dos coefi cientes de regresión 246 8.6 Mínimos cuadrados restringidos: pruebas de restriccionesde igualdades lineales 248 El enfoque de la prueba t 249 Enfoque de la prueba F: mínimos cuadrados restringidos 249 Prueba F general 252 8.7 Prueba para la estabilidad estructural o paramétrica de los modelos de regresión: la prueba de Chow 254 8.8 Predicción con regresión múltiple 259 8.9 La tríada de las pruebas de hipótesis: razón de verosimilitud (RV), de Wald (W) y del multiplicador de Lagrange (ML) 259 8.10 Prueba de la forma funcional de la regresión: elección entre modelos de regresión lineal y log-lineal 260 Resumen y conclusiones 262 00_Maq. Preliminares_Gujarati.inx x00_Maq. Preliminares_Gujarati.inx x 12/21/09 5:29:02 PM12/21/09 5:29:02 PM Contenido xi Ejercicios 262 Apéndice 8A: Prueba de la razón de verosimilitud (RV) 274 CAPÍTULO 9 Modelos de regresión con variables dicótomas 277 9.1 Naturaleza de las variables dicótomas 277 9.2 Modelos ANOVA 278 Precaución con las variables dicótomas 281 9.3 Modelos ANOVA con dos variables cualitativas 283 9.4 Regresión con una mezcla de regresoras cualitativas y cuantitativas: los modelos ANCOVA 283 9.5 La variable dicótoma alternativa a la prueba de Chow 285 9.6 Efectos de interacción al utilizar variables dicótomas 288 9.7 Uso de las variables dicótomas en el análisis estacional 290 9.8 Regresión lineal por segmentos 295 9.9 Modelos de regresión con datos en panel 297 9.10 Algunos aspectos técnicos de la técnica con variables dicótomas 297 Interpretación de variables dicótomas en regresiones semilogarítmicas 297 Variables dicótomas y heteroscedasticidad 298 Variables dicótomas y autocorrelación 299 ¿Qué sucede si la variable dependiente es dicótoma? 299 9.11 Temas para estudio posterior 300 9.12 Ejemplo para concluir 300 Resumen y conclusiones 304 Ejercicios 305 Apéndice 9A: Regresión semilogarítmica con regresora dicótoma 314 PARTE DOS FLEXIBILIZACIÓN DE LOS SUPUESTOS DEL MODELO CLÁSICO 315 CAPÍTULO 10 Multicolinealidad: ¿qué pasa si las regresoras están correlacionadas? 320 10.1 Naturaleza de la multicolinealidad 321 10.2 Estimación en presencia de multicolinealidad perfecta 324 10.3 Estimación en presencia de multicolinealidad “alta” pero “imperfecta” 325 10.4 Multicolinealidad: ¿tanto para nada? Consecuencias teóricas de la multicolinealidad 326 10.5 Consecuencias prácticas de la multicolinealidad 327 Estimadores de MCO con varianzas y covarianzas grandes 328 Intervalos de confi anza más amplios 330 Razones t “no signifi cativas” 330 Una R2 alta pero pocas razones t signifi cativas 331 Sensibilidad de los estimadores de MCO y sus errores estándar ante cambios pequeños en los datos 331 Consecuencias de la micronumerosidad 332 10.6 Ejemplo ilustrativo 332 10.7 Detección de la multicolinealidad 337 10.8 Medidas correctivas 342 No hacer nada 342 Procedimientos de reglas prácticas 342 10.9 ¿Es la multicolinealidad necesariamente mala? Quizá no, si el objetivo es sólo la predicción 347 10.10 Ejemplo ampliado: los datos Longley 347 Resumen y conclusiones 350 Ejercicios 351 CAPÍTULO 11 Heteroscedasticidad: ¿qué pasa si la varianza del error no es constante? 365 11.1 Naturaleza de la heteroscedasticidad 365 11.2 Estimación por MCO en presencia de heteroscedasticidad 370 11.3 El método de mínimos cuadrados generalizados (MCG) 371 Diferencia entre MCO y MCG 373 11.4 Consecuencias de utilizar MCO en presencia de heteroscedasticidad 374 Estimación por MCO con heteroscedasticidad 374 Estimación por MCO sin heteroscedasticidad 374 Nota técnica 376 11.5 Detección de la heteroscedasticidad 376 Métodos informales 376 Métodos formales 378 11.6 Medidas correctivas 389 Cuando se conoce σ2i: método de los mínimos cuadrados ponderados 389 Cuando no se conoce σ2i 391 11.7 Ejemplos para concluir 395 11.8 Advertencia respecto de una reacción exagerada ante la heteroscedasticidad 400 Resumen y conclusiones 400 Ejercicios 401 Apéndice 11A 409 00_Maq. Preliminares_Gujarati.inxi xi00_Maq. Preliminares_Gujarati.inxi xi 12/21/09 5:29:03 PM12/21/09 5:29:03 PM xii Contenido 11A.1 Prueba de la ecuación (11.2.2) 409 11A.2 Método de mínimos cuadrados ponderados 409 11A.3 Prueba de que E(σˆ 2) �� σ2 en presencia de heteroscedasticidad 410 11A.4 Errores estándar robustos de White 411 CAPÍTULO 12 Autocorrelación: ¿qué pasa si los términos de error están correlacionados? 412 12.1 Naturaleza del problema 413 12.2 Estimación de MCO en presencia de autocorrelación 418 12.3 Estimador MELI en presencia de autocorrelación 422 12.4 Consecuencias de utilizar MCO en presencia de autocorrelación 423 Estimación por MCO tomando en cuenta la autocorrelación 423 Estimación por MCO ignorando la autocorrelación 423 12.5 Relación entre salarios y productividad en el sector de negocios de Estados Unidos, 1960-2005 428 12.6 Detección de la autocorrelación 429 I. Método gráfi co 429 II. Prueba de “las rachas” 431 III. Prueba d de Durbin-Watson 434 IV. Una prueba general de autocorrelación: la prueba de Breusch-Godfrey (BF) 438 ¿Por qué tantas pruebas para la autocorrelación? 440 12.7 Qué hacer cuando hay autocorrelación: medidas correctivas 440 12.8 Especifi cación incorrecta del modelo frente a autocorrelación pura 441 12.9 Corrección de la autocorrelación (pura): el método de los mínimos cuadrados generalizados (MCG) 442 Cuando se conoce ρ 442 Cuando no se conoce ρ 443 12.10 El método Newey-West para corregir los errores estándar de MCO 447 12.11 MCO versus MCGF y CHA 448 12.12 Otros aspectos de la autocorrelación 449 Variables dicótomas y autocorrelación 449 Modelos ARCH y GARCH 449 Coexistencia de la autocorrelación y la heteroscedasticidad 450 12.13 Ejemplo para concluir 450 Resumen y conclusiones 452 Ejercicios 453 Apéndice 12A 466 12A.1 Prueba de que el término de error vt en la ecuación (12.1.11) está autocorrelacionado 466 12A.2 Pruebas de las ecuaciones (12.2.3), (12.2.4) y (12.2.5) 466 CAPÍTULO 13 Creación de modelos econométricos: especifi cación del modelo y pruebas de diagnóstico 467 13.1 Criterios de selección del modelo 468 13.2 Tipos de errores de especifi cación 468 13.3 Consecuencias de los errores de especifi cación del modelo 470 Omisión de una variable relevante (subajuste de un modelo) 471 Inclusión de una variable irrelevante (sobreajuste de un modelo) 473 13.4 Pruebas de errores de especifi cación 474 Detección de variables innecesarias (sobreajuste de un modelo) 475 Pruebas para variables omitidas y forma funcional incorrecta 477 13.5 Errores de medición 482 Errores de medición en la variable dependiente Y 482 Errores de medición en la variable explicativa X 483 13.6 Especifi cación incorrecta del término de error estocástico 486 13.7 Modelos anidados y no anidados 487 13.8 Pruebas de hipótesis no anidadas 488 Método de discriminación 488 Método de discernimiento 488 13.9 Criterios para la selección de modelos 493 El criterio R2 493 R2 ajustada 493 Criterio de información Akaike (CIA) 494 Criterio de información Schwarz (CIS) 494 Criterio Cp de Mallows 494 Advertencia sobre los criterios de selección de modelos 495 Pronóstico ji cuadrada (χ2) 496 13.10 Otros temas relacionados con la creación de modelos econométricos 496 Valores atípicos, apalancamiento e infl uencia 496 Mínimos cuadrados recursivos 498 Prueba de la falla de predicción de Chow 498 Datos faltantes 499 13.11 Ejemplos para concluir 500 1. Un modelo de determinación de salarios por hora 500 00_Maq. Preliminares_Gujarati.inxii xii00_Maq. Preliminares_Gujarati.inxii xii 12/21/09 5:29:04 PM12/21/09 5:29:04 PM Contenido xiii 2. Función de consumo real de Estados Unidos, 1947-2000 505 13.12 Errores no normales y regresoras estocásticas 509 1. ¿Qué pasa si el término de error no está distribuido normalmente? 509 2. Variables explicativas estocásticas 510 13.13 Advertencia para el profesional 511 Resumen y conclusiones 512 Ejercicios 513 Apéndice 13A 519 13A.1 Prueba de que E(b1 2) = β2 + β3b3 2 [ecuación (13.3.3)] 519 13A.2 Consecuencias de la inclusión de una variable irrelevante: propiedad de insesgamiento 520 13A.3 Prueba de la ecuación (13.5.10) 521 13A.4 Prueba de la ecuación (13.6.2) 522 PARTE TRES TEMAS DE ECONOMETRÍA 523 CAPÍTULO 14 Modelos de regresión no lineales 525 14.1 Modelos de regresión intrínsecamente lineales e intrínsecamente no lineales 525 14.2 Estimación de modelos de regresión lineales y no lineales 527 14.3 Estimación de modelos de regresión no lineales: método de ensayo y error 527 14.4 Métodos para estimar modelos de regresión no lineales 529 Búsqueda directa o método de ensayo y error, o de libre derivación 529 Optimización directa 529 Método de linealización iterativa 530 14.5 Ejemplos ilustrativos 530 Resumen y conclusiones 535 Ejercicios 535 Apéndice 14A 537 14A.1 Derivación de las ecuaciones (14.2.4) y (14.2.5) 537 14A.2 Método de linealización 537 14A.3 Aproximación lineal de la función exponencial dada en (14.2.2) 538 CAPÍTULO 15 Modelos de regresión de respuesta cualitativa 541 15.1 Naturaleza de los modelos de respuesta cualitativa 541 15.2 Modelo lineal de probabilidad (MLP) 543 No normalidad de las perturbaciones ui 544 Varianzas heteroscedásticas de las perturbaciones 544 No cumplimiento de 0 ≤ E(Yi|Xi) ≤ 1 545 Valor cuestionable de R2 como medida de la bondad del ajuste 546 15.3 Aplicaciones del MLP 549 15.4 Alternativas al MLP 552 15.5 El modelo logit 553 15.6 Estimación del modelo logit 555 Datos de nivel individual 556 Datos agrupados o duplicados 556 15.7 Modelo logit agrupado (glogit): ejemplo numérico 558 Interpretación del modelo logit estimado 558 15.8 El modelo logit para datos no agrupados o individuales 561 15.9 Modelo probit 566 Estimación de probit con datos agrupados: gprobit 567 El modelo probit para datos no agrupados o individuales 570 Efecto marginal de un cambio unitario en el valor de una regresora sobre los diversos modelos de regresión 571 15.10 Modelos logit y probit 571 15.11 Modelo tobit 574 Ilustración del modelo tobit: modelo de Ray Fair para las relaciones extramaritales 575 15.12 Creación de modelos para datos de cuenta: modelo de regresión de Poisson 576 15.13 Otros temas de los modelos de regresión de respuesta cualitativa 579 Modelos ordinales logit y probit 580 Modelos multinomiales logit y probit 580 Modelos de duración 580 Resumen y conclusiones 581 Ejercicios 582 Apéndice 15A 589 15A.1 Estimación de máxima verosimilitud de los modelos probit y logit para datos individuales (no agrupados) 589 CAPÍTULO 16 Modelos de regresión con datos de panel 591 16.1 ¿Por qué datos de panel? 592 16.2 Datos de panel: un ejemplo ilustrativo 593 16.3 Modelo de regresión con MCO agrupados o de coefi cientes constantes 594 00_Maq. Preliminares_Gujarati.inxiii xiii00_Maq. Preliminares_Gujarati.inxiii xiii 12/21/09 5:29:05 PM12/21/09 5:29:05 PM xiv Contenido 16.4 Modelo de mínimos cuadrados con variable dicótoma (MCVD) de efectos fi jos 596 Advertencia sobre el modelo de MCVD de efectos fi jos 598 16.5 Estimador de efectos fi jos dentro del grupo (DG) 599 16.6 Modelo de efectos aleatorios (MEFA) 602 Prueba del multiplicador de Lagrange de Breusch y Pagan 605 16.7 Propiedades de varios estimadores 605 16.8 Modelo de efectos fi jos y modelo de efectos aleatorios: algunos lineamientos 606 16.9 Regresiones con datos de panel: algunos comentarios para concluir 607 16.10 Algunos ejemplos ilustrativos 607 Resumen y conclusiones 612 Ejercicios 613 CAPÍTULO 17 Modelos econométricos dinámicos: modelos autorregresivos y de rezagos distribuidos 617 17.1 El papel del “tiempo” o “rezago” en economía 618 17.2 Razones de los rezagos 622 17.3 Estimación de modelos de rezagos distribuidos 623 Estimación ad hoc de los modelos de rezagos distribuidos 623 17.4 Método de Koyck para los modelos de rezagos distribuidos 624 Mediana de los rezagos 627 Rezago medio 627 17.5 Racionalización del modelo de Koyck: modelo de expectativas adaptativas 629 17.6 Otra racionalización del modelo de Koyck: el modelo de ajuste de existencias o de ajuste parcial 632 17.7 Combinación de los modelos de expectativas adaptativas y de ajuste parcial 634 17.8 Estimación de modelos autorregresivos 634 17.9 Método de variables instrumentales (VI) 636 17.10 Detección de autocorrelación en modelos autorregresivos: prueba h de Durbin 637 17.11 Ejemplo numérico: demanda de dinero en Canadá de I-1979 a IV-1988 639 17.12 Ejemplos ilustrativos 642 17.13 El método de Almon para los modelos de rezagos distribuidos: rezagos distribuidos polinomiales (RDP) o de Almon 645 17.14 Causalidad en economía: prueba de causalidad de Granger 652 Prueba de Granger 653 Nota sobre causalidad y exogeneidad 657 Resumen y conclusiones 658 Ejercicios 659 Apéndice 17A 669 17A.1 Prueba de Sargan para la validez de los instrumentos 669 PARTE CUATRO MODELOS DE ECUACIONES SIMULTÁNEAS Y ECONOMETRÍA DE SERIES DE TIEMPO 671 CAPÍTULO 18 Modelos de ecuaciones simultáneas 673 18.1 Naturaleza de los modelos de ecuaciones simultáneas 673 18.2 Ejemplos de modelos de ecuaciones simultáneas 674 18.3 Sesgo en las ecuaciones simultáneas: inconsistencia de los estimadores de MCO 679 18.4 Sesgo de las ecuaciones simultáneas: ejemplo numérico 682 Resumen y conclusiones 684 Ejercicios 684 CAPÍTULO 19 El problema de la identifi cación 689 19.1 Notación y defi niciones 689 19.2 Problema de identifi cación 692 Subidentifi cación 692 Identifi cación precisa o exacta 694 Sobreidentifi cación 697 19.3 Reglas para la identifi cación 699 Condición de orden para la identifi cación 699 Condición de rango para la identifi cación 700 19.4 Prueba de simultaneidad 703 Prueba de especifi cación de Hausman 703 19.5 Pruebas de exogeneidad 705 Resumen y conclusiones 706 Ejercicios 706 CAPÍTULO 20 Métodos de ecuaciones simultáneas 711 20.1 Enfoques para la estimación 711 20.2 Modelos recursivos y mínimos cuadrados ordinarios 712 00_Maq. Preliminares_Gujarati.inxiv xiv00_Maq. Preliminares_Gujarati.inxiv xiv 12/21/09 5:29:06 PM12/21/09 5:29:06 PM Contenido xv 20.3 Estimación de una ecuación exactamente identifi cada:el método de mínimos cuadrados indirectos (MCI) 715 Ejemplo ilustrativo 715 Propiedades de los estimadores por MCI 718 20.4 Estimación de una ecuación sobreidentifi cada: método de mínimos cuadrados en dos etapas (MC2E) 718 20.5 MC2E: ejemplo numérico 721 20.6 Ejemplos ilustrativos 724 Resumen y conclusiones 730 Ejercicios 730 Apéndice 20A 735 20A.1 Sesgo en los estimadores de mínimos cuadrados indirectos 735 20A.2 Estimación de los errores estándar de los estimadores de MC2E 736 CAPÍTULO 21 Econometría de series de tiempo: algunos conceptos básicos 737 21.1 Repaso rápido a una selección de series de tiempo económicas de Estados Unidos 738 21.2 Conceptos fundamentales 739 21.3 Procesos estocásticos 740 Procesos estocásticos estacionarios 740 Procesos estocásticos no estacionarios 741 21.4 Proceso estocástico de raíz unitaria 744 21.5 Procesos estocásticos estacionarios en tendencia (ET) y estacionarios en diferencias (ED) 745 21.6 Procesos estocásticos integrados 746 Propiedades de las series integradas 747 21.7 El fenómeno de regresión espuria 747 21.8 Pruebas de estacionariedad 748 1. Análisis gráfi co 749 2. Función de autocorrelación (FAC) y correlograma 749 Signifi cancia estadística de los coefi cientes de autocorrelación 753 21.9 Prueba de raíz unitaria 754 La prueba Dickey-Fuller aumentada (DFA) 757 Prueba de la signifi cancia de más de un coefi ciente: prueba F 758 Las pruebas de raíz unitaria Phillips-Perron (PP) 758 Prueba de cambios estructurales 758 Crítica de las pruebas de raíz unitaria 759 21.10 Transformación de las series de tiempo no estacionarias 760 Procesos estacionarios en diferencias 760 Procesos estacionarios en tendencia 761 21.11 Cointegración: regresión de una serie de tiempo con raíz unitaria sobre otra serie de tiempo con raíz unitaria 762 Prueba de cointegración 763 Cointegración y mecanismo de corrección de errores (MCE) 764 21.12 Algunas aplicaciones económicas 765 Resumen y conclusiones 768 Ejercicios 769 CAPÍTULO 22 Econometría de series de tiempo: pronósticos 773 22.1 Enfoques de los pronósticos económicos 773 Métodos de suavizamiento exponencial 774 Modelos de regresión uniecuacionales 774 Modelos de regresión de ecuaciones simultáneas 774 Modelos ARIMA 774 Modelos VAR 775 22.2 Creación de modelos AR, PM y ARIMA para series de tiempo 775 Proceso autorregresivo (AR) 775 Proceso de medias móviles (MA) 776 Proceso autorregresivo y de promedios móviles (ARMA) 776 Proceso autorregresivo integrado de promedios móviles (ARIMA) 776 22.3 Metodología de Box-Jenkins (BJ) 777 22.4 Identifi cación 778 22.5 Estimación del modelo ARIMA 782 22.6 Verifi cación de diagnóstico 782 22.7 Pronóstico 782 22.8 Otros aspectos de la metodología BJ 784 22.9 Vectores autorregresivos (VAR) 784 Estimación de VAR 785 Pronóstico con el modelo VAR 786 VAR y causalidad 787 Algunos problemas en la creación de modelos VAR 788 Una aplicación de VAR: un modelo VAR de la economía de Texas 789 22.10 Medición de la volatilidad de las series de tiempo fi nancieras: modelos ARCH y GARCH 791 ¿Qué hacer cuando ARCH está presente? 795 Advertencia sobre la prueba d de Durbin-Watson y el efecto ARCH 796 Nota sobre el modelo GARCH 796 22.11 Ejemplos para concluir 796 Resumen y conclusiones 798 Ejercicios 799 00_Maq. Preliminares_Gujarati.inxv xv00_Maq. Preliminares_Gujarati.inxv xv 12/21/09 5:29:07 PM12/21/09 5:29:07 PM xvi Contenido APÉNDICE A Revisión de algunos conceptos estadísticos 801 A.1 Operadores de sumatoria y de producto 801 A.2 Espacio muestral, puntos muestrales y sucesos 802 A.3 Probabilidad y variables aleatorias 802 Probabilidad 802 Variables aleatorias 803 A.4 Función de densidad de probabilidad (FDP) 803 Función de densidad de probabilidad de una variable aleatoria discreta 803 Función de densidad de probabilidad de una variable aleatoria continua 804 Funciones de densidad de probabilidad conjunta 805 Función de densidad de probabilidad marginal 805 Independencia estadística 806 A.5 Características de las distribuciones de probabilidad 808 Valor esperado 808 Propiedades de los valores esperados 809 Varianza 810 Propiedades de la varianza 811 Covarianza 811 Propiedades de la covarianza 812 Coefi ciente de correlación 812 Esperanza condicional y varianza condicional 813 Propiedades de la esperanza y la varianza condicionales 814 Momentos superiores de las distribuciones de probabilidad 815 A.6 Algunas distribuciones de probabilidad teóricas importantes 816 Distribución normal 816 Distribución χ2 (ji cuadrada) 819 Distribución t de Student 820 Distribución F 821 Distribución binomial de Bernoulli 822 Distribución binomial 822 Distribución de Poisson 823 A.7 Inferencia estadística: estimación 823 Estimación puntual 823 Estimación por intervalos 824 Métodos de estimación 825 Propiedades de las muestras pequeñas 826 Propiedades de las muestras grandes 828 A.8 Inferencia estadística: pruebas de hipótesis 831 Método del intervalo de confi anza 832 Método de la prueba de signifi cancia 836 Referencias 837 APÉNDICE B Nociones básicas de álgebra matricial 838 B.1 Defi niciones 838 Matriz 838 Vector columna 838 Vector renglón 839 Trasposición 839 Submatriz 839 B.2 Tipos de matrices 839 Matriz cuadrada 839 Matriz diagonal 839 Matriz escalar 840 Matriz identidad o unitaria 840 Matriz simétrica 840 Matriz nula 840 Vector nulo 840 Matrices iguales 840 B.3 Operaciones matriciales 840 Adición de matrices 840 Resta de matrices 841 Multiplicación por escalar 841 Multiplicación de matrices 841 Propiedades de la multiplicación de matrices 842 Trasposición de matrices 843 Inversión de matrices 843 B.4 Determinantes 843 Cálculo de un determinante 844 Propiedades de los determinantes 844 Rango de una matriz 845 Menor 846 Cofactor 846 B.5 Forma de encontrar la inversa de una matriz cuadrada 847 B.6 Diferenciación matricial 848 Referencias 848 APÉNDICE C Método matricial para el modelo de regresión lineal 849 C.1 Modelo de regresión lineal con k variables 849 C.2 Supuestos del modelo clásico de regresión lineal en notación matricial 851 C.3 Estimación por MCO 853 Una ilustración 855 Matriz de varianza-covarianza de βˆ 856 Propiedades del vector de MCO βˆ 858 C.4 Coefi ciente de determinación R2 en notación matricial 858 C.5 Matriz de correlación 859 00_Maq. Preliminares_Gujarati.inxvi xvi00_Maq. Preliminares_Gujarati.inxvi xvi 12/21/09 5:29:07 PM12/21/09 5:29:07 PM Contenido xvii C.6 Pruebas de hipótesis sobre coefi cientes de regresión individuales en notación matricial 859 C.7 Prueba de signifi cancia global de la regresión: análisis de varianza en notación matricial 860 C.8 Pruebas de restricciones lineales: prueba F general con notación matricial 861 C.9 Predicción mediante regresión múltiple: formulación matricial 861 Predicción media 861 Varianza de la predicción media 862 Predicción individual 862 Varianza de la predicción individual 862 C.10 Resumen del método matricial: un ejemplo ilustrativo 863 C.11 Mínimos cuadrados generalizados (MCG) 867 C.12 Resumen y conclusiones 868 Ejercicios 869 Apéndice CA 874 CA.1 Derivación de k ecuaciones normales o simultáneas 874 CA.2 Derivación matricial de las ecuaciones normales 875 CA.3 Matriz de varianza-covarianza de ˆ� 875 CA.4 Propiedad MELI de los estimadores de MCO 875 APÉNDICE D Tablas estadísticas 877 APÉNDICE E Resultados de computadora de EViews, MINITAB, Excel y STATA 894 E.1 EViews 894 E.2 MINITAB 896 E.3 Excel 897 E.4 STATA 898 E.5 Comentarios fi nales 898 Referencias 899 APÉNDICE F Datos económicos en la World Wide Web 900 Bibliografía selecta 902 Índice de nombres 905 Índice analítico 909 00_Maq. Preliminares_Gujarati.inxvii xvii00_Maq. Preliminares_Gujarati.inxvii xvii 12/21/09 5:29:08 PM12/21/09 5:29:08 PM Objetivo del libro La primera edición de Econometría se publicó hace treinta años. Con el transcurso del tiempo se registraron avances importantes en la teoría y la práctica de la econometría. En cada una de las ediciones subsiguientes traté de incorporar los principales adelantos en el campo. La quinta edición continúa con esta tradición. Sin embargo, lo que no ha cambiado a lo largo de todos estos años es mi fi rme convicción de que la econometría puede enseñarse al principiante de manera intuitiva e informativa sin recurrir al álgebra matricial, el cálculo o la estadística, más allá de un nivel elemental. Parte del material es inherentemente técnico. En ese caso, lo coloqué en el apéndice correspondiente o remito al lector a las fuentes apropiadas. Incluso entonces, traté de simplifi car el material técnico para que el lector pueda comprenderlo de manera intuitiva. La longevidad de este libro ha sido para mí una sorpresa muy grata, al igual que el hecho de que no sólo los estudiantes de economía y fi nanzas lo usan comúnmente, sino también los estudiantes e investigadores de otras disciplinas, como ciencias políticas, relaciones internacio- nales, agronomía y ciencias de la salud. La nueva edición, con la ampliación de los temas y las aplicaciones concretas que presenta, será muy útil para todos estos estudiantes. En esta edición dediqué todavía más atención a la pertinencia y oportunidad de los datos reales en el texto. De hecho, agregué unos quince ejemplos ilustrativos y más de treinta ejercicios al fi nal de los capí- tulos. Además, actualicé los datos de aproximadamente dos docenas de ejemplos y más de veinte ejercicios de la edición anterior. Aunque me encuentro en la octava década de mi vida, no he perdido mi amor por la econo- metría, y me esfuerzo por mantenerme al tanto de los principales avances en el campo. Para ayu- darme en este empeño, me complace mucho contar ahora con la doctora Dawn Porter, profesora adjunta de estadística de la Marshall School of Business de la University of Southern California, en Los Ángeles, como coautora. Ambos trabajamos mucho para llevar a buen término la quinta edición de Econometría. Características principales de la quinta edición Antes de explicar los cambios específi cos en diversos capítulos, vale la pena destacar las siguien- tes características de la nueva edición: 1. Se actualizaron prácticamente todos los datos de los ejemplos ilustrativos. 2. Se agregaron varios ejemplos. 3. En varios capítulos incluimos ejemplos fi nales que ilustran los puntos tratados en el texto. 4. Se incluyen en el libro listados de computadora relativos a varios ejemplos concretos. La ma- yoría de estos resultados se basan en EViews (versión 6) y STATA (versión 10), así como en MINITAB (versión 15). 5. Diversos capítulos incluyen varios diagramas y gráfi cos nuevos. 6. Diversos capítulos incluyen varios ejercicios basados en datos nuevos. 7. Los datos de muestras pequeñas se incluyen en el libro, pero los de muestras grandes están en el sitio web del libro con el propósito de reducir el tamaño del texto. El sitio web también publicará todos los datos del libro, mismos que se actualizarán periódicamente. Prefacio 00_Maq. Preliminares_Gujarati.inxviii xviii00_Maq. Preliminares_Gujarati.inxviii xviii 12/21/09 5:29:08 PM12/21/09 5:29:08 PM 8. En algunos capítulos incluimos ejercicios para el aula que requieren que los alumnos obtengan datos por su cuenta y apliquen las distintas técnicas que se explican en el libro. También se incluyen algunas simulaciones Monte Carlo en el libro. Cambios específi cos de la quinta edición A continuación se enumeran algunos cambios que se refi eren de manera específi ca a ciertos capítulos: 1. Los supuestos en los que se basa el modelo clásico de regresión lineal (MCRL) que se pre- sentan en el capítulo 3 ahora marcan una distinción cuidadosa entre regresoras fi jas (varia- bles explicativas) y regresoras aleatorias. Analizamos la importancia de la distinción. 2. En el apéndice del capítulo 6 se analizan las propiedades de los logaritmos, las transforma- ciones Box-Cox y varias fórmulas de crecimiento. 3. El capítulo 7 explica ahora no sólo el efecto marginal de una sola regresora sobre la variable dependiente, sino también los efectos de cambios simultáneos de todas las variables explica- tivas en la variable dependiente. Este capítulo también se reorganizó con la misma estructura que los supuestos del capítulo 3. 4. En el capítulo 11 se presenta una comparación de las diferentes pruebas de heteroscedastici- dad. 5. Hay un nuevo análisis del efecto de las rupturas estructurales en la autocorrelación en el capítulo 12. 6. Los nuevos temas incluidos en el capítulo 13 son datos faltantes, término de error no normal y regresoras estocásticas, o aleatorias. 7. El modelo de regresión no lineal que se analiza en el capítulo 14 tiene una aplicación con- creta de la transformación Box-Cox. 8. El capítulo 15 contiene varios ejemplos nuevos que ilustran el uso de los modelos logit y probit en diversos campos. 9. Revisamos e ilustramos cuidadosamente con varias aplicaciones el capítulo 16 sobre mode- los de regresión con datos en panel. 10. El capítulo 17 incluye un análisis ampliado de las pruebas de causalidad de Sims y Granger. 11. En el capítulo 21 se presenta un análisis minucioso de las series de tiempo estacionarias y no estacionarias, así como algunos problemas relacionados con varias pruebas de estacionarie- dad. 12. El capítulo 22 incluye una exposición de razones por las que tomar las primeras diferencias de una serie de tiempo con el propósito de volverla estacionaria puede no ser la estrategia más adecuada en algunas situaciones. Además de estos cambios específi cos, corregimos los errores tipográfi cos y de otro tipo de edi- ciones anteriores y simplifi camos los análisis de varios temas en los diferentes capítulos. Organización y opciones La extensa cobertura en esta edición proporciona al maestro fl exibilidad considerable para elegir los temas apropiados para el público al que se dirige. Aquí se dan algunas sugerencias respecto a cómo podría utilizarse la obra. Curso de un semestre para los no especialistas: Apéndice A, capítulos 1 al 9 y un repaso general de los capítulos 10, 11 y 12 (sin las demostraciones). Curso de un semestre para estudiantes de economía: Apéndice A y los capítulos 1 al 13. Prefacio xix 00_Maq. Preliminares_Gujarati.inxix xix00_Maq. Preliminares_Gujarati.inxix xix 12/21/09 5:29:09 PM12/21/09 5:29:09 PM Curso de dos semestres para estudiantes de economía: Apéndices A, B y C, y capítulos 1 al 22. Los capítulos 14 y 16 son opcionales. Pueden omitirse algunos apéndices técnicos. Estudiantes de maestría y posgrado e investigadores: Este libro es un útil manual de consulta de los temas principales de la econometría. Suplementos Un sitio web muy completo contiene el siguiente material suplementario: – Datos del texto, así como datos adicionales de conjuntos grandes a los que se hace referencia en el libro; los autores actualizarán los datos periódicamente. – Un Manual de soluciones, preparado por Dawn Porter, proporciona las respuestas a todas las preguntas y problemas que se presentan en el texto. – Una biblioteca de imágenes digitales que contiene todos los gráfi cos y fi guras del texto. Encontrará más información en www.mhhe.com/gujarati5e. Consulte términos y condiciones con su representante McGraw-Hill más cercano. xx Prefacio 00_Maq. Preliminares_Gujarati.inxx xx00_Maq. Preliminares_Gujarati.inxx xx 12/21/09 5:29:09 PM12/21/09 5:29:09 PM Reconocimientos Desde la publicación de la primera edición de este libro, en 1978, hemos recibido valiosas suge- rencias, comentarios, críticas y consejos de muchas personas. En particular, queremos agradecer la ayuda que recibimos de Michael McAleer, de la Universidad de Western Australia; Peter Ken- nedy, de la Universidad Simon Frazer en Canadá; así como de Kenneth White, de la Universidad de British Columbia; George K. Zestos, de la Universidad Christopher Newport de Virginia y Paul Offner, de la Universidad Georgetown de Washington, D.C. También deseamos manifestar nuestro agradecimiento a varias personas que infl uyeron en nosotros por su erudición. Queremos agradecer especialmente a Arthur Goldberger, de la Uni- versidad de Wisconsin, William Greene, de la Universidad de Nueva York y al fi nado G. S. Mad- dala. Seguimos agradecidos con los revisores que aportaron su invaluable conocimiento, críticas y sugerencias a las ediciones anteriores de este texto: Michael A. Grove, de la Universidad de Oregon; Harumi Ito, de la Universidad Brown; Han Kim, de la Universidad de South Dakota; Phanindra V. Wunnava, del Middlebury College y Andrew Paizis, de la City University of New York. Diversos autores infl uyeron en la preparación de este texto. En particular, estamos agradeci- dos con los siguientes: Chandan Mukherjee, director del Centro de Estudios de Desarrollo, de Trivandrum, India; Howard White y Marc Wuyts, del Instituto de Estudios Sociales de Holanda; Badi H. Baltagi, de la Universidad Texas A&M; B. Bhaskara Rao, de la Universidad de Nueva Gales del Sur, Australia; R. Carter Hill, de la Universidad de Louisiana; William E. Griffi ths, de la Universidad de Nueva Inglaterra; George G. Judge, de la Universidad de California en Berke- ley; Marno Verbeek, del Centro de Estudios Económicos, de KU Leuven; Jeffrey Wooldridge, de la Universidad Estatal de Michigan; Kerry Patterson, de la Universidad de Reading, Inglaterra; Francis X. Diebold, de la Escuela Wharton, perteneciente a la Universidad de Pensilvania; Woj- ciech W. Charemza y Derek F. Deadman, de la Universidad de Leicester, Inglaterra, y Gary Koop, de la Universidad de Glasgow. Varios comentarios y sugerencias muy valiosos que proporcionaron los revisores de la cuarta edición mejoraron en gran medida esta edición. Queremos expresar nuestro agradecimiento a los siguientes: Valerie Bencivenga Universidad de Texas, Austin Andrew Economopoulos Ursinus College Eric Eide Universidad Brigham Young Gary Ferrier Universidad de Arkansas, Fayetteville David Garman Universidad Tufts David Harris Benedictine College Don Holley Universidad Estatal Boise George Jakubson Universidad de Cornell Bruce Johnson Centre College of Kentucky Duke Kao Universidad de Syracuse Gary Krueger Macalester College Subal Kumbhakar Universidad Binghamton Tae-Hwy Lee Universidad de California, Riverside Solaiman Miah Universidad Estatal de West Virginia Fabio Milani Universidad de California, Irvine Helen Naughton Universidad de Oregon Solomon Smith Universidad Langston Kay Strong Universidad Estatal Bowling Green Derek Tittle Instituto Tecnológico de Georgia Tiemen Woutersen Universidad Johns Hopkins 00_Maq. Preliminares_Gujarati.inxxi xxi00_Maq. Preliminares_Gujarati.inxxi xxi 12/21/09 5:29:09 PM12/21/09 5:29:09 PM Deseamos dar las gracias a los estudiantes y maestros de todo el mundo que no sólo han uti- lizado este libro, sino que se han comunicado con nosotros en cuanto a diversos aspectos de la obra. Por su ayuda tras bambalinas en McGraw-Hill, estamos agradecidos con Douglas Reiner, Noelle Fox y Anne Hilbert. Por último, pero no por eso menos importante, el doctor Gujarati desea dar las gracias a sus hijas, Joan y Diane, por su constante apoyo y aliento en la preparación de ésta y las anteriores ediciones. Damodar N. Gujarati Dawn C. Porter xxii Reconocimientos 00_Maq. Preliminares_Gujarati.inxxii xxii00_Maq. Preliminares_Gujarati.inxxii xxii 12/21/09 5:29:10 PM12/21/09 5:29:10 PM Introducción I.1 ¿Qué es la econometría? En términos literales econometría signifi ca “medición económica”. Sin embargo, si bien es cierto que la medición es una parte importante de la econometría, el alcance de esta disciplina es mucho más amplio, como se deduce de las siguientes citas: La econometría, resultado de cierta perspectiva sobre el papel que desempeña la economía, consiste en la aplicación de la estadística matemática a los datos económicos para dar soporte empírico a los modelos construidos por la economía matemática y obtener resultados numéricos.1 . . . la econometría puede defi nirse como el análisis cuantitativo de fenómenos económicos reales, basados en el desarrollo simultáneo de la teoría y la observación, relacionados mediante métodos apropiados de inferencia.2 La econometría se defi ne como la ciencia social en la cual las herramientas de la teoría económica, las matemáticas y la inferencia estadística se aplican al análisis de los fenómenos económicos.3 La econometría tiene que ver con la determinación empírica de las leyes económicas.4 El arte del econometrista consiste en encontrar un conjunto de supuestos lo bastante específi cos y realistas para que le permitan aprovechar de la mejor manera los datos con que cuenta.5 Los econometristas… son una ayuda decisiva en el esfuerzo por disipar la mala imagen pública de la economía (cuantitativa o de otro tipo) considerada como una materia en la cual se abren cajas vacías, suponiendo la existencia de abrelatas, para revelar un contenido que diez economistas interpretarán de 11 maneras diferentes.6 El método de la investigación econométrica busca en esencia una conjunción entre la teoría econó- mica y la medición real, con la teoría y la técnica de la inferencia estadística como puente.7 1 Gerhard Tintner, Methodology of Mathematical Economics and Econometrics, The University of Chicago Press, Chicago, 1968, p. 74. 2 P.A. Samuelson, T.C. Koopmans y J.R.N. Stone, “Report of the Evaluative Committee for Econometrica”, Econometrica, vol. 22, núm. 2, abril de 1954, pp. 141-146. 3 Arthur S. Goldberger, Econometric Theory, John Wiley & Sons, Nueva York, 1964, p. 1. 4 H. Theil, Principles of Econometrics, John Wiley & Sons, Nueva York, 1971, p. 1. 5 E. Malinvaud, Statistical Methods of Econometrics, Rand McNally, Chicago, 1966, p. 514. 6 Adrian C. Darnell y J. Lynne Evans, The Limits of Econometrics, Edward Elgar, Hants, Inglaterra, 1990, p. 54. 7 T. Haavelmo, “The Probability Approach in Econometrics”, suplemento de Econometrica, vol. 12, 1944, prefacio, p. iii. 01_Maq. Introduccion_Gujarati.in1 101_Maq. Introduccion_Gujarati.in1 1 12/19/09 10:58:04 PM12/19/09 10:58:04 PM 2 Introducción I.2 ¿Por qué una disciplina aparte? Como indican las defi niciones anteriores, la econometría es una amalgama de teoría económica, economía matemática, estadística económica y estadística matemática. Aun así, la materia me- rece un estudio separado por las siguientes razones. La teoría económica hace afi rmaciones o formula hipótesis de naturaleza sobre todo cuali- tativa. Por ejemplo, la teoría microeconómica establece que, si no intervienen otros factores, se espera que la reducción del precio de un bien aumente la cantidad demandada de ese bien. Así, la teoría económica postula una relación negativa o inversa entre el precio y la cantidad deman- dada de un bien. Pero la teoría por sí sola no proporciona medida numérica alguna de la relación entre los dos; no dice cuánto aumentará o se reducirá la cantidad como resultado de un cambio determinado en el precio del bien. El trabajo del econometrista es proporcionar tales estimacio- nes numéricas. En otras palabras, la econometría da contenido empírico a gran parte de la teoría económica. El interés principal de la economía matemática es expresar la teoría económica en una forma matemática (ecuaciones) sin preocuparse por la capacidad de medición o de verifi cación empí- rica de la teoría. La econometría, como ya apuntamos, se interesa sobre todo en la verifi cación empírica de la teoría económica. Como veremos, el econometrista suele emplear ecuaciones matemáticas, propuestas por el economista matemático, pero las expresa de forma que se presten para la prueba empírica. Y esta conversión de ecuaciones matemáticas en ecuaciones economé- tricas requiere una gran dosis de ingenio y destreza. La estadística económica se relaciona en primer lugar con la recopilación, procesamiento y presentación de cifras económicas en forma de gráfi cos y tablas. Éste es el trabajo del estadístico económico, cuya actividad principal consiste en recopilar cifras sobre el producto nacional bruto (PNB), empleo, desempleo, precios, etc. Los datos así reunidos constituyen la materia prima del trabajo econométrico. Pero el estadístico económico no va más allá de la recolección de informa- ción, pues no le conciernen las cifras recopiladas para probar las teorías económicas. Sin duda, es el econometrista quien se ocupa de realizar esta labor. Aunque la estadística matemática proporciona muchas herramientas para esta ciencia, el eco- nometrista a menudo necesita métodos especiales por la naturaleza única de la mayoría de las cifras económicas, pues no se generan como resultado de un experimento controlado. El econo- metrista, como el meteorólogo, suele depender de cifras que no controla directamente. Como observa Spanos, acertadamente: En econometría, el que construye el modelo a menudo se enfrenta a datos provenientes de la obser- vación más que de la experimentación. Esto tiene dos implicaciones importantes para la creación empírica de modelos en econometría. Primero, se requiere que quien elabore modelos domine muy distintas habilidades en comparación con las que se necesitan para analizar los datos experimenta- les… Segundo, la separación de quien recopila los datos y el analista exige que quien elabora mode- los se familiarice por completo con la naturaleza y la estructura de los datos en cuestión.8 I.3 Metodología de la econometría ¿Cómo proceden los econometristas en el análisis de un problema económico? Es decir, ¿cuál es su metodología? Aunque existen diversas escuelas de pensamiento sobre metodología eco- nométrica, aquí presentaremos la metodología tradicional o clásica, que aún predomina en la investigación empírica en economía y en las ciencias sociales y del comportamiento.9 8 Aris Spanos, Probability Theory and Statistical Inference: Econometric Modeling with Observational Data, Cam- bridge University Press, Reino Unido, 1999, p. 21. 9 Hay un análisis ilustrativo, si bien avanzado, de los métodos econométricos en David F. Hendry, Dynamic Econometrics, Oxford University Press, Nueva York, 1995. Véase también Aris Spanos, op. cit. 01_Maq. Introduccion_Gujarati.in2 201_Maq. Introduccion_Gujarati.in2 2 12/19/09 10:58:04 PM12/19/09 10:58:04 PM I.3 Metodología de la econometría 3 En términos generales, la metodología econométrica tradicional se ajusta a los siguientes li- neamientos: 1. Planteamiento de la teoría o de la hipótesis. 2. Especifi cación del modelo matemático de la teoría. 3. Especifi cación del modelo econométrico o estadístico de la teoría. 4. Obtención de datos. 5. Estimación de los parámetros del modelo econométrico. 6. Pruebas de hipótesis. 7. Pronóstico o predicción. 8. Utilización del modelo para fi nes de control o de políticas. Para ilustrar estos pasos, consideremos la conocida teoría keynesiana de consumo. 1. Planteamiento de la teoría o hipótesis Keynes plantea: La ley psicológica fundamental… consiste en que los hombres [y las mujeres], como regla general y en promedio, están dispuestos a incrementar su consumo a medida que aumenta su ingreso, pero no en la misma cuantía del aumento en su ingreso.10 En pocas palabras, Keynes postula que la propensión marginal a consumir (PMC), es decir, la tasa de cambio del consumo generado por una unidad (digamos, un dólar) de cambio en el ingreso, es mayor que cero pero menor que uno. 2. Especifi cación del modelo matemático de consumo A pesar de haber postulado una relación positiva entre el consumo y el ingreso, Keynes no espe- cifi ca la forma precisa de la relación funcional entre ambas cosas. Por simplicidad, un economista matemático puede proponer la siguiente forma de la función keynesiana de consumo: Y � β1 + β2 X 0 < β2 < 1 (I.3.1) donde Y = gasto de consumo y X = ingreso, y donde β1 y β2, conocidos como los parámetros del modelo, son, respectivamente, los coefi cientes del intercepto y de la pendiente. El coefi ciente de la pendiente β2 mide la PMC. En la fi gura I.1 se presenta geométricamente la ecuación (I.3.1). Esta ecuación plantea que el consumo está relacionado linealmente con el ingreso, y es un ejemplo de un modelo matemático de la relación entre consumo e ingreso, lla- mada en economía función consumo. Un modelo es simplemente un conjunto de ecuaciones matemáticas. Si el modelo tiene una sola ecuación, como en el ejemplo anterior, se denomina modelo uniecuacional, mientras que si tiene más de una ecuación, se conoce como modelo multiecuacional (consideraremos más adelante este tipo de modelos). En la ecuación (I.3.1), la variable que aparece al lado izquierdo del signo de la igualdad se llama variable dependiente, y la(s) variable(s) del lado derecho se llama(n) variable(s) independiente(s), o explicativa(s). Así, en la función keynesiana de consumo, la ecuación (I.3.1), el consumo (gasto) es la variable dependiente, y el ingreso, la explicativa. 10 John Maynard Keynes, The General Theory of Employment, Interest and Money, Harcourt Brace Jovanovich, Nueva York, 1936, p. 96. 01_Maq. Introduccion_Gujarati.in3 301_Maq. Introduccion_Gujarati.in3 3 12/19/09 10:58:05 PM12/19/09 10:58:05 PM 4 Introducción 3. Especifi cación del modelo econométrico de consumo El modelo puramente matemático de la función de consumo dado en la ecuación (I.3.1) es de interés limitado para el econometrista, pues supone una relación exacta o determinista entre el consumo y el ingreso. Pero las relaciones entre las variables económicas suelen ser inexactas. Así, si fuéramos a obtener información sobre gasto de consumo e ingreso disponible (es decir, después de impuestos) de una muestra de, por ejemplo, 500 familias estadounidenses y grafi car estos datos, con el gasto de consumo en el eje vertical y en el eje horizontal el ingreso disponi- ble, no esperaríamos que las 500 observaciones quedaran exactamente sobre la línea recta de la ecuación (I.3.1) porque, además del ingreso, otras variables afectan el gasto de consumo, como el tamaño de la familia, las edades de sus miembros, su religión, etcétera. Para dar cabida a relaciones inexactas entre las variables económicas, el econometrista modi- fi caría la función determinista de consumo en la ecuación (I.3.1) de la siguiente manera: Y � β1 + β2 X + u (I.3.2) donde u, conocida como término de perturbación o de error, es una variable aleatoria (esto- cástica) con propiedades probabilísticas bien defi nidas. El término de perturbación u representa todos los factores que afectan el consumo pero que no se consideran en el modelo en forma explícita. La ecuación (I.3.2) es un ejemplo de un modelo econométrico. Más técnicamente, dicha ecuación es un ejemplo de un modelo de regresión lineal, el principal interés de este libro. La función econométrica de consumo plantea como hipótesis que la variable dependiente Y (con- sumo) está relacionada linealmente con la variable explicativa X (ingreso), pero que la relación entre las dos no es exacta: está sujeta a variaciones individuales. El modelo econométrico de la función de consumo se representa gráfi camente como aparece en la fi gura I.2. FIGURA I.1 Función keynesiana de consumo. G as to d e co n su m o X Ingreso 1 2 = PMCβ 1β Y 01_Maq. Introduccion_Gujarati.in4 401_Maq. Introduccion_Gujarati.in4 4 12/19/09 10:58:05 PM12/19/09 10:58:05 PM I.3 Metodología de la econometría 5 4. Obtención de información Para estimar el modelo econométrico dado en la ecuación (I.3.2), esto es, para obtener los valores numéricos de β1 y β2, son necesarios los datos. Aunque tendremos más que decir en el siguiente capítulo sobre la importancia crucial de los datos para el análisis económico, por el momento observemos unas cifras relacionadas con la economía de Estados Unidos de 1960 a 2005, que se presentan en la tabla I.1. La variable Y en esta tabla es el gasto de consumo personal (GCP) agregado (para la economía en su conjunto), y la variable X, el producto interno bruto (PIB), una medida del ingreso agregado, ambos medidos en miles de millones de dólares de 2000. Por consiguiente, los datos están en términos “reales”, es decir, se midieron en precios constantes (2000). Estos datos se grafi caron en la fi gura I.3 (cf. fi gura I.2). Por el momento, haga caso omiso de la recta trazada en la fi gura. 5. Estimación del modelo econométrico Ahora que tenemos los datos, la siguiente labor es estimar los parámetros de la función consumo. La estimación numérica de los parámetros da contenido empírico a la función consumo. En el capítulo 3 explicaremos el mecanismo real para estimar los parámetros. Por el momento, note que la técnica estadística conocida como análisis de regresión es la herramienta principal para obtener las estimaciones. Con esta técnica y los datos de la tabla I.1 obtuvimos los siguientes va- lores estimados de β1 y β2, a saber, −299.5913 y 0.7218. Así, la función consumo estimada es Yˆt � −299.5913 + 0.7218Xt (I.3.3) El acento circunfl ejo (sombrero) sobre Y indica que es un valor estimado.11 En la fi gura I.3 se muestra la función consumo estimada (es decir, la línea de regresión). 11 Por convención, un acento circunfl ejo (sombrero) sobre una variable o parámetro indica que es un valor estimado. FIGURA I.2 Modelo econométrico de la función keynesiana de consumo. G as to d e co n su m o X Y Ingreso u 01_Maq. Introduccion_Gujarati.in5 501_Maq. Introduccion_Gujarati.in5 5 12/19/09 10:58:06 PM12/19/09 10:58:06 PM 6 Introducción TABLA I.1 Datos sobre Y (gasto de consumo personal) y X (producto interno bruto, 1960-2005), en miles de millones de dólares de 2000 Fuente: Economic Report of the President, 2007, tabla B-2, p. 230. Año (GCP Y) PIB(X) 8.10524.79510691 0.06523.03611691 2.51721.11712691 0.43826.18713691 6.89924.88814691 1.19137.70025691 1.99338.12126691 6.48430.58127691 7.25635.01328691 4.56734.69329691 9.17739.15420791 6.89835.54521791 0.50143.10722791 5.14348.33823791 6.91343.21824791 2.11349.67825791 9.04545.53036791 5.05741.46137791 0.51051.30338791 4.37154.38339791 7.16151.47330891 7.19252.22431891 3.98153.07432891 8.32456.86633891 6.31853.36834891 7.35060.46045891 6.36269.82246891 1.57468.96347891 7.24769.64548891 4.18960.57649891 5.21173.07740991 5.00174.87741991 6.63378.43942991 7.23578.99053991 5.53877.09254991 7.13085.33455991 9.82384.91656991 5.30788.13857991 9.66098.52168991 3.07496.83469991 0.71894.93760002 7.09894.01961002 8.840013.99072002 0.103013.59273002 5.307011.77574002 6.840112.14875002 01_Maq. Introduccion_Gujarati.in6 601_Maq. Introduccion_Gujarati.in6 6 12/19/09 10:58:06 PM12/19/09 10:58:06 PM I.3 Metodología de la econometría 7 Como se aprecia en la fi gura I.3, la línea de regresión se ajusta bien a los datos, pues los puntos que corresponden a los datos están muy cercanos a ella. En esta gráfi ca vemos que de 1960 a 2005 el coefi ciente de la pendiente (es decir, la PMC) fue de alrededor de 0.72, lo que indica que para el periodo muestral un incremento de un dólar en el ingreso real produjo, en promedio, un incremento cercano a 72 centavos en el gasto de consumo real.12 Decimos “en promedio” porque la relación entre consumo e ingreso es inexacta; como se deduce de la fi gura I.3, no todos los puntos correspondientes a los datos están exactamente en la recta de regresión. Con palabras sen- cillas, podemos decir que, de acuerdo con los datos, el promedio o media del gasto de consumo aumentó alrededor de 72 centavos por cada dólar de incremento en el ingreso real. 6. Pruebas de hipótesis En el supuesto de que el modelo ajustado sea una aproximación razonablemente buena de la realidad, tenemos que establecer criterios apropiados para comprobar si los valores estimados obtenidos en una ecuación como la (I.3.3), por ejemplo, concuerdan con las expectativas de la teoría que estamos probando. De acuerdo con los economistas “positivos”, como Milton Fried- man, una teoría o hipótesis no verifi cable mediante la evidencia empírica no puede ser admisible como parte de la investigación científi ca.13 Como ya señalamos, Keynes esperaba que la PMC fuera positiva pero menor que 1. En el ejemplo observamos que la PMC es alrededor de 0.72. Pero antes de aceptar este resultado como confi rmación de la teoría keynesiana de consumo, debemos averiguar si esta estimación está lo 12 No se preocupe aquí por la forma como se obtuvieron estos valores; como veremos en el capítulo 3, el método estadístico de mínimos cuadrados produjo estos valores estimados. Asimismo, por el momento no se preocupe por el valor negativo del intercepto. 13 Véase Milton Friedman, “The Methodology of Positive Economics”, Essays in Positive Economics, Univer- sity of Chicago Press, Chicago, 1953. FIGURA I.3 Gasto de consumo perso- nal (Y ) en relación con el PIB (X ), 1960-2005, en miles de millones de dóla- res de 2000. 12 00010 0008 0006 0004 000 PIB (X) 2 000 1 000 2 000 3 000 4 000 G C P ( Y ) 8 000 7 000 6 000 5 000 01_Maq. Introduccion_Gujarati.in7 701_Maq. Introduccion_Gujarati.in7 7 12/19/09 10:58:06 PM12/19/09 10:58:06 PM 8 Introducción bastante abajo de la unidad para convencernos de que no se trata de un suceso debido al azar o de una peculiaridad de los datos. En otras palabras, ¿es 0.72 estadísticamente menor que 1? Si lo es, puede apoyar la teoría de Keynes. Tal confi rmación o refutación de las teorías económicas con fundamento en la evidencia mues- tral se basa en una rama de la teoría estadística conocida como inferencia estadística (pruebas de hipótesis). A lo largo de este libro veremos cómo realizar en la práctica este proceso de in- ferencia. 7. Pronóstico o predicción Si el modelo escogido no refuta la hipótesis o la teoría en consideración, servirá para predecir el (los) valor(es) futuro(s) de la variable dependiente Y, o de pronóstico, con base en el (los) valor(es) futuro(s) conocido(s) o esperado(s) de la variable explicativa, o predictora, X. Para ilustrarlo, suponga que queremos predecir la media del gasto de consumo para 2006. El valor del PIB para 2006 fue de 11 319.4 millones de dólares.14 Colocamos esta cifra del PIB en el lado derecho de la ecuación (I.3.3) y obtenemos: Yˆ2006 � −299.5913 + 0.7218 (11 319.4) � 7 870.7516 (I.3.4) o casi 7 870 millones de dólares. Por tanto, con ese valor del PIB, la media o el promedio del gasto de consumo previsto es de alrededor de 7 870 millones de dólares. El valor real del gasto de consumo registrado en 2006 fue de 8 044 millones de dólares. El modelo estimado (I.3.3), por tanto, subpredijo el gasto de consumo real por casi 174 000 millones de dólares. Se diría que el error de predicción es de aproximadamente 174 000 millones de dólares, que representa alre- dedor de 1.5% del valor real del PIB para 2006. Cuando analicemos a profundidad el modelo de regresión lineal en los siguientes capítulos, trataremos de averiguar si un error de esa naturaleza es “pequeño” o “grande”. Pero lo que ahora importa es observar que tales errores de predicción son inevitables, dada la naturaleza estadística del análisis. Existe otro uso del modelo estimado (I.3.3). Suponga que el presidente decide proponer una reducción del impuesto sobre la renta. ¿Cuál será el efecto de dicha política en el ingreso y por consiguiente en el gasto de consumo, y a fi nal de cuentas en el empleo? Suponga que como resultado de estos cambios de política se incrementa el gasto en inversión. ¿Cuál será el efecto en la economía? De acuerdo con la teoría macroeconómica, el cambio en el ingreso generado por un cambio equivalente a un dólar, por ejemplo, en el gasto en inversión está dado por el multiplicador del ingreso (M), el cual se defi ne como M � 1 1 − PMC (I.3.5) Si utilizamos la PMC de 0.72 obtenida en la ecuación (I.3.3), este multiplicador se convierte en M = 3.57. Es decir, un aumento (o reducción) de un dólar en la inversión al fi nal generará un in- cremento (o reducción) de más de tres veces en el ingreso; advierta que el multiplicador demora algún tiempo en actuar. El valor crítico en este cálculo es la PMC, pues M depende de él. Y este valor estimado de la PMC se obtiene de modelos de regresión como el de la ecuación (I.3.3). Así, un valor estimado cuantitativo de la PMC proporciona información valiosa para fi nes de políticas públicas. Al co- nocer la PMC, se puede predecir el curso futuro del ingreso, el gasto de consumo y el empleo que sigue a un cambio en las políticas fi scales del gobierno. 14 Había datos disponibles sobre el GCP y el PIB para 2006, pero los omitimos a propósito con el objeto de ilustrar el tema que estudiamos en esta sección. Como veremos en los capítulos subsiguientes, es buena idea guardar parte de los datos con el objeto de averiguar cómo predicen el modelo ajustado las observaciones ajenas a la muestra. 01_Maq. Introduccion_Gujarati.in8 801_Maq. Introduccion_Gujarati.in8 8 12/19/09 10:58:07 PM12/19/09 10:58:07 PM I.3 Metodología de la econometría 9 8. Uso del modelo para fi nes de control o de políticas Suponga que tenemos la función keynesiana de consumo estimada dada en (I.3.3). Suponga además que el gobierno considera que un nivel de gasto de aproximadamente 8 750 (miles de millones de dólares de 2000) mantendrá la tasa de desempleo en su nivel actual de cerca de 4.2 por ciento (estimación para principios del 2006). ¿Qué nivel de ingreso garantizará la cantidad de gasto de consumo fi jado como meta? Si los resultados de la regresión dados en la ecuación (I.3.3) parecen razonables, la aritmética simple mostrará que 8 750 = −299.5913 + 0.7218(PIB2006) (I.3.6) que da X = 12 537, aproximadamente. Es decir, un nivel de ingresos de alrededor de 12 537 (miles de millones) de dólares, con una PMC de cerca de 0.72, producirá un gasto aproximado de 8 750 millones de dólares. Como indican estos cálculos, un modelo estimado sirve para fi nes de control o de políticas pú- blicas. Mediante una mezcla apropiada de política fi scal y monetaria, el gobierno puede manejar la variable de control X para producir el nivel deseado de la variable objetivo Y. La fi gura I.4 resume la anatomía de la creación de los modelos econométricos clásicos. Elección entre modelos rivales Cuando una dependencia gubernamental (digamos, el Departamento de Comercio de Estados Unidos) recopila datos económicos, como los de la tabla I.1, no necesariamente tiene una teoría económica en mente. Por tanto, ¿cómo sabe en realidad que los datos respaldan la teoría keyne- siana de consumo? ¿Se debe acaso a que la función consumo keynesiana (es decir, la línea de re- gresión) de la fi gura I.3 se aproxima mucho a los puntos reales que representan a los datos? ¿Será posible que otro modelo (teoría) de consumo se ajuste igual de bien a los datos? Por ejemplo, FIGURA I.4 Anatomía de la creación de modelos econométri- cos. Estimación del modelo econométrico Modelo econométrico de la teoría Teoría económica Datos Pronóstico o predicción Uso del modelo para fines de control o de políticas Pruebas de hipótesis Modelo matemático de la teoría 01_Maq. Introduccion_Gujarati.in9 901_Maq. Introduccion_Gujarati.in9 9 12/19/09 10:58:07 PM12/19/09 10:58:07 PM 10 Introducción Milton Friedman elaboró un modelo de consumo, la hipótesis de ingreso permanente.15 Robert Hall también creó un modelo de consumo, llamado hipótesis del ciclo de vida del ingreso perma- nente.16 ¿Alguno o ambos modelos pueden también ajustarse a los datos de la tabla I.1? En resumen, la interrogante con que se enfrenta en la práctica un investigador es: ¿cómo elegir entre modelos o hipótesis que compiten entre sí, dado un fenómeno determinado, como la rela- ción entre consumo e ingreso? Como observa Miller: Ningún encuentro con los datos signifi ca un paso adelante hacia la confi rmación genuina, a menos que la hipótesis se las arregle mejor con esos datos que algún rival natural. . . . Lo que fortalece aquí a una hipótesis es una victoria que, al mismo tiempo, es una derrota para una posible rival.17 Entonces, ¿cómo elegir entre los varios modelos o hipótesis en disputa? Aquí Clive Granger da un consejo que vale la pena:18 Me gustaría proponer que en el futuro, cuando a uno se le presente una nueva teoría o modelo empí- rico, se plantee las siguientes preguntas: i) ¿Qué propósito tiene? ¿Qué tipo de decisiones económicas ayuda a tomar? ii) ¿Existe alguna evidencia presente que me permita evaluar su calidad en comparación con teorías o modelos alternos? Pienso que si se les da la debida atención a estos planteamientos se fortalecerá la investigación y el análisis económicos. Conforme avancemos en este libro, saldrán al paso diversas hipótesis que compiten entre sí y que tratan de explicar varios fenómenos económicos. Por ejemplo, los estudiantes de economía conocen ya el concepto de la función producción, que representa básicamente una relación entre la producción
Compartir