INTRODUCCIÓN AL ANÁLISIS ECONOMÉTRICO Licenciatura en Derecho y Administración de Empresas (DADE)

1. INTRODUCCIÓN AL ANÁLISIS ECONOMÉTRICO Licenciatura en Derecho y Administración de Empresas (DADE) Eva Medina Moral Profesora Ec. Aplicada Universidad Autónoma de Madrid eva.medina@uam.es Febrero 2011

2. 1. OBJETIVO DE LA ECONOMETRÍA • OBJETIVO: CUANTIFICAR RELACIONES • METODOLOGÍA: ANÁLISIS MULTIVARIANTE: Interpretación del parámetro estimado bajo la condición “ceteris paribus” • EJEMPLO 1: estoy interesado en analizar un fenómeno • Definición de la variable • Causa vs. Correlación • Dirección • Forma funcional • Necesidad de datos • Necesidad de más variables explicativas • EJEMPLO 2: estoy interesado en analizar la relación sólo entre dos variables La ventaja del análisis de regresión múltiple es que nos deja hacer en los medios no experimentales lo que los científicos naturales hacen en los entornos controlados de laboratorio: conservar fijos otros factores (Wooldridge, pág. 75)

3. HERRAMIENTA: MODELO ECONOMÉTRICO • ¿CÓMO SURGE?: 2. HERRAMIENTA DE LA ECONOMETRÍA MODELO MATEMÁTICO MODELO ECONÓMICO MODELO ECONOMÉTRICO Perturbación aleatoria DIFERENCIAS CARÁCTER GENERALISTA CARÁCTER ESPECÍFICO

4. 2. HERRAMIENTA DE LA ECONOMETRÍA • HERRAMIENTA: MODELO ECONOMÉTRICO • ¿CÓMO SURGE?: MODELO MATEMÁTICO MODELO ECONÓMICO MODELO ECONOMÉTRICO Perturbación aleatoria DIFERENCIAS - Especificidad de las variables - Más variables - Forma funcional - Componente aleatorio CARÁCTER GENERALISTA CARÁCTER ESPECÍFICO

5. 3. EL MODELO BÁSICO DE REGRESIÓN LINEAL (MBRL): Expresión MBRL (n datos y k variables explicativas) • - Perturbación aleatoria • Subíndices • Parámetro: • Interpretación: • Constante • Signo • Cuantía • Constancia de los parámetros

6. Forma funcional • Observaciones muestrales: temporal, transversal, panel • Frecuencia de datos • Variable a modelizar • Variables causas explicativas: elección preliminar ESPECIFICACIÓN 4. ETAPAS EN LA CONSTRUCCIÓN DE UN MODELO ECONOMÉTRICO • Obtención de la información estadística • Estimación de los parámetros ESTIMACIÓN • Búsqueda de especificación correcta • Realización de pruebas • Interpretación inter-relacionada entre las pruebas VALIDACIÓN • Análisis estructural / Contrastación de hipótesis teóricas • Simulación / Predicción UTILIZACIÓN La calidad de los resultados no es sólo una cuestión de la máquina sino de quien la “pilota” y de cómo la “pilota”

7. 4. ETAPAS: Obtención de información estadística • Problemática en el proceso de búsqueda de información estadística: desagregación, homogeneidad, actualidad, cantidad, calidad, etc. • Tipos de variables con información estadística • Variables Cuantitativas • Variables Cualitativas • Proxy • Ficticia: • Temporal • Intervalo • Escalón • Transversal • Ordinal • Nominal • Tipos de datos • Observaciones: temporales, transversales y panel • Tratamiento: eliminación de tendencia, estacionalidad • Transformaciones: Niveles, tasas de crecimiento y logaritmos

8. 4. ETAPAS: Construcción de la base de datos ACTUALES HOMOGÉNEOS SUFICIENTES BASE DE DATOS

9. 4. ETAPAS: Estimación de los parámetros (1) GRÁFICO DE DISPERSIÓN

10. 4. ETAPAS: Estimación de los parámetros (2) RECTA DE AJUSTE

11. 4. ETAPAS: Estimación de los parámetros (3) EL MEJOR AJUSTE Y UN BUEN AJUSTE

12. 4. ETAPAS: Utilización Salario actual = f (Salario inicial, antigüedad laboral, …) • Análisis estructural: ¿qué variable es más relevante para determinar el salario actual, antigüedad laboral o el salario inicial? • Contrastación de hipótesis teóricas: ¿la variable salario inicial sirve para explicar el salario actual? Sí, ya que el valor de su parámetro estimado siempre es distinto de cero. ¿Es el salario actual el doble del inicial? • Predicción: sabiendo que un sujeto entró en la empresa con un salario de 1000 euros, ¿cuál será su salario actual? • Simulación: ¿Cuál sería el salario actual de un sujeto que hubiera entrado en la empresa con un salario de 1000 euros? ¿y si fuera de 500 euros?

13. 5. TIPOS DE MODELOS ECONOMÉTRICOS • Según el tipo de observaciones muestrales: • Temporales: efecto tendencia • Transversales: efecto tamaño • Datos de panel • Según el número de variables endógenas: uniecuacionales, multiecuacionales • Según la transformación de los datos que se realice: niveles, tasas y logaritmos • Según la forma funcional utilizada: lineales (modelo de regresión lineal) y no lineales (modelo de regresión logística) • Según el componente teórico en la especificación: multiecuacionales, uniecuacionales, VAR, ARIMA

14. 6. EJEMPLOS DE ESPECIFICACIÓN DE CASOS REALES MODELOS LINEALES: • Una empresa de tasación quiere conocer los factores que determinan el precio de una vivienda • La libertad económica ¿favorece el desarrollo? Y en concreto ¿qué factores? • ¿Hay competencia en el mercado laboral entre inmigrantes y nativos? • La entrada de población inmigrante en nuestro país ¿ha incrementado la probabilidad de trabajar de las nativas? • El director del departamento de econometría quiere saber si la forma de valorar de los profesores es homogénea. MODELOS NO LINELAES: • ¿Existe discriminación en el mercado laboral durante el periodo de crisis actual según nacionalidad? • RENFE quiere conocer que factores valora un cliente a la hora de elegir entre usar el AVE u otro medio de transporte • En el Ministerio de Educación se quiere valorar la efectividad, en términos de inserción en el mercado laboral, de los recursos destinados a formación.