1

UNIVERSIDAD NACIONAL DE PIURA

FACULTAD ECONOMIA COMPUTACION APLICADA A LA ECONOMIA

MODELOS ECONOMÉTRICOS

Elaboración de Pronósticos

Técnicas Cuantitativas

Modelo Econométrico: Conjunto de

ecuaciones que representan la conducta de la economía.

Técnicas Cualitativas

Investigaciones de mercado

Econometría

Medición económica.

Apoyo empírico a teorías.

Forma de obtener resultados numéricos.

Manera de aprovechar los datos de la mejor manera posible.

Pregunta: dado nuestro modelo ¿cuál es el efecto del cambio en alguna variable sobre nuestra variable de interés?

Metodología Econométrica

1º Paso: Enunciado de la teoría.

2º Paso: Especificación del modelo econométrico.

3º Paso: Estimación a partir de la información disponible.

4º Paso: verificación o inferencia estadística (prueba de hipótesis).

1º paso: Enunciado de la Teoría

Necesitamos saber qué variables están relacionadas y por qué.

Por ej.: Una función de producción micro establece que el producto de la firma es función de sus insumos:

Otras funciones: Función de costos, función de demanda, función de oferta, etc.

( ; )Y F L K

2º Paso: Elección del modelo

Debemos elegir una forma funcional: Lineal:

Cobb – Douglas:

La relación entre las variables no es una relación matemática sino estocástica. Por este motivo debemos añadir un término de error:

Y es la variable dependiente, mientras que las X son variables independientes. Se supone que las X causan a las Y.

1 1 2 2Y X X

1 2

1 2Y AX X

1 1 2 2Y X X

2

Para construir un modelo: F Se deben introducir la menor

cantidad de variables claves de la investigación y reducir el error de especificación.

F Mediante el análisis de los errores se omiten o se agregan variables, esto implica no eliminar variables relevantes ni incluir variables superfluas, resulta más grave eliminar una variable relevante que incluir una variable irrelevante.

Existen diferentes pruebas para

detectar los errores de especificación:

Examen de Residuales

Estadístico d de Durbin Watson,

Prueba Reset de Ramsey y

Prueba del multiplicador de Lagrange.

Por lo tanto es importante obtener la mejor información para el diseño de un Modelo.

Clientes y Empleo: Método de estimación

0

1000000

2000000

3000000

4000000

5000000

0 4000 8000 12000

E M P L E O

C L I E

N T E

S

3º: Estimación: Mínimos Cuadrados Clásicos

El criterio de los mínimos cuadrados busca minimizar la discrepancia entre la estimación y el verdadero valor de la variable Y.

Formalmente, el criterio busca minimizar la suma de los residuos al cuadrado.

Lo que se está estimando es una función promedio.

Bondad del Ajuste

Qué tan “buena” es la línea de regresión ajustada a un conjunto de datos.

El coeficiente de determinación R2 es una medida resumen que nos dice qué tan bueno es el ajuste. Mide la proporción de la variación total en Y explicada por el modelo de regresión.

0 R2 1

4º: Verificación – Inferencia Estadística:

Test de Significación Global e Individual

Individual: Nos dice si cada una de las variables es individualmente relevante en la explicación de la variable dependiente. La hipótesis nula es que el coeficiente asociado a una variable es cero.

Global: Nos dice si TODAS las variables en conjunto brindan una buena explicación de los movimientos de Y.

3

Modelos Desarrollados por MetroGAS

RESIDENTIAL + INDUSTRIAL DAILY CONSUMPTION - MAY 2001

0

5,000,000

10,000,000

15,000,000

20,000,000

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

U

m3

Actual

Predicted

RESIDENTIAL + INDUSTRIAL DAILY CONSUMPTION - MAY 2001

0

5,000,000

10,000,000

15,000,000

20,000,000

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

U

m3

Actual

Predicted

RESIDENTIAL + INDUSTRIAL DAILY CONSUMPTION - MAY 2001

0

5,000,000

10,000,000

15,000,000

20,000,000

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

UFR

ISAT

SUN

MO

NTU

EW

EDTH

U

m3

Actual

Predicted

Econométricos

(Software: Eviews)

Demanda mensual de gas por usuario

Residencial y Comercial, en función

de la temperatura mensual promedio

Demanda diaria de gas para usuarios

Residenciales, Comerciales,

Industriales y GNC (D+I), en función

de la temperatura diaria promedio

Demanda diaria de gas D+I, en

función de la temperatura horaria

Modelos: Demanda Mensual vs. Temperatura Mensual

La venta de gas

Residencial y Comercial

representa 55% de los

ingresos de MetroGAS.

Se la proyecta utilizando una

regresión con alto poder

explicativo y

estadísticamente confiable,

para el Presupuesto Anual,

el Plan de Negocios

Quinquenal y el análisis de

Casos de Negocios

El uso de los “clientes en

vigor” (no cortados) sustituye exitosamente la

utilización de las poco

representativas estadísticas sobre nivel de ingresos de

los consumidores La demanda

muestra un punto de

inflexión en

relación con la

temperatura

5

10

15

20

25

30

0 1 2 3 4 5 6 7

DEMANDA

TE

MP

ER

AT

UR

A CALOR

FRIO

DT = DC.CV

DC= a + b.GC + c.GF

R2=0.99

a, b, c: Coeficientes

DT: Demanda Total

Residencial y

Comercial

DC: Demanda por Cliente

CV: Clientes en vigor

GC: Grados de Calor

GF: Grados de Frío

-0.6

-0.4

-0.2

0.0

0.2

0.4

0

2

4

6

8

2001 2002 2003 2004 2005

Residual Actual Fitted

El precio relativo no integra la regresión

debido a su escaso poder explicativo en Buenos Aires (fuentes alternativas

estructuralmente más caras)

El análisis de la

serie 1945/2005 permitió elaborar

escenarios de

temperatura con probabilidad

asociada

Algunas funciones en Eviews

Hacer gráficos: PLOT PIB serie2

Mostrar varias series: SHOW PIB serie2

Calcular tasas trimestrales: GENR t_trim = (serie/serie(-1)-1)

Calcular tasas anuales: GENR t_anual= (serie/serie(-4)-1)

Calcular logaritmos: GENR logaritmo=LOG(serie)

Detectar fondos y picos a partir de tasas trimestrales

Calcular componente cíclico y análisis de estadísticos

GENR CC_LPIB = LPIB – HP_LPIB Volatilidad: cálculo de la desviación típica de cada

serie GENR SD_CCLPIB=@STDEV(CC_LPIB) Calcular la desviación típica relativa: DT(serie)/DT(PIB)

Correlación: calcular el coeficiente correlación entre el CC del PIB y el CC de la otra serie GENR COEFCOR=@COR(cc_lpib,cc_serie) GENR COEFCOR1=@COR(cc_lpib,cc_serie(+1))

GENR COEFCOR2=@COR(cc_lpib,cc_serie(+2)) GENR COEFCOR_1=@COR(cc_lpib,cc_serie(-1)) GENR COEFCOR_2=@COR(cc_lpib,cc_serie(-2)) SHOW COERCOR_2 COEFCOR_1 COEFCOR COEFCOR1

COEFCOR2