Métodos de Estimación en Econometría

Es un registro metódico de la medición u observación numérica, efectuada a intervalos de tiempo fijos, de las características o variables del área de interés.

Entender el comportamiento histórico de una variable.

Pronosticar valores futuros de una variable para la toma de decisiones.

Descubrir la tendencia de una variable y el comportamiento estacional observado.

Estudiar la dinámica o estructura temporal de la información para modelizar la autocorrelación serial.

Modelos univariantes

Modelos multivariantes

Movimiento a largo plazo que persiste por un periodo largo de tiempo, se produce en la relación al nivel medio.

Una colección de variables aleatorias ordenadas en el tiempo, donde cada variable tiene una distribución de probabilidad. Su comportamiento es impredecible y aleatorio.

Un proceso estocástico en el que la distribución de probabilidad permanece constante a lo largo del tiempo. Su comportamiento es predecible y no cambia en el tiempo.

Un proceso estocástico en el que la distribución de probabilidad cambia con el tiempo. Su comportamiento es impredecible y difícil de predecir.

Se refiere a una serie de tiempo con una tendencia temporal definida por una causa-consecuencia. En otras palabras, la tendencia se puede explicar por una serie de eventos deterministas, como un cambio en la política económica.

Se refiere a una serie de tiempo con una tendencia temporal variable e impredecible. Su comportamiento es afectado por factores aleatorios e inciertos.

Modelos que buscan identificar y cuantificar la relación de causa-efecto entre una variable dependiente y una o más variables independientes en contexto de series de tiempo.

Un conjunto de técnicas que se utilizan para analizar series de tiempo con diferentes niveles de integracion. Se basan en el principio de encontrar relaciones a largo plazo entre las variables.

Modelos que buscan predecir el comportamiento de una variable utilizando solo datos de la variable en cuestión y teniendo en cuenta su dinamica propia a través del tiempo.

El método MCO (Mínimos Cuadrados Ordinarios) se utiliza para estimar los coeficientes de un modelo de regresión. Si los coeficientes no son estadísticamente significativos, puede deberse a la multicolinealidad. Sin embargo, es posible que todos los términos de rezago sean significativos en conjunto, como lo indica la prueba F.

Un valor alto en la prueba F indica que es poco probable que la hipótesis nula (que todos los coeficientes son cero) sea verdadera. Por lo tanto, se puede concluir que, en conjunto, los términos de rezago son estadísticamente significativos.

El 'R^2' indica la proporción de la variabilidad de la variable dependiente que es explicada por el modelo. Un R^2 alto sugiere un buen ajuste del modelo a los datos.El 'R^2 ajustado' penaliza la adición de variables innecesarias al modelo.

La 'suma de cuadrados residual' representa la cantidad de variabilidad no explicada por el modelo. Un valor bajo indica un buen ajuste.

El 'estadístico F' mide la varianza explicada por el modelo en relación con la varianza no explicada. Un valor alto indica que el modelo explica una gran cantidad de variabilidad.

La 'varianza' es una medida de la dispersión de los datos. En este contexto, representa la variabilidad de la variable dependiente.

El 'determinante de covarianza residual' es una matriz que mide la correlación entre los errores del modelo. Un valor alto indica una alta correlación entre los errores e indica problemas con el modelo.

El 'Criterio de información de Akaike' (AIC) y el 'Criterio de Schwarz' (SC) son medidas de la calidad del modelo que penalizan la complejidad. Modelos con valores AIC y SC más bajos son preferibles.

El coeficiente j-ésimo de la facp se calcula mediante una regresión que relaciona el valor de la variable de interés con su j-ésimo retardo, manteniendo constantes los efectos de los retardos intermedios.

La facp mide la correlación entre observaciones (series temporales) separadas k periodos, manteniendo constantes las correlaciones en los rezagos intermedios.

La función que mide las correlaciones entre una serie temporal y sus retardos, teniendo en cuenta los efectos de los retardos intermedios.

La autocorrelación simple puede indicar visualmente si una serie de tiempo es estacionaria o no. Si la autocorrelación converge rápidamente a cero, la serie es estacionaria. Si se mantiene constante, puede ser explosiva o no estacionaria.

La autocorrelación simple ayuda a sugerir el número de rezagos que se ajustaría mejor a un modelo de medias móviles (MA).

La función de autocorrelación parcial (facp) se utiliza para sugerir el número de rezagos que se ajustaría mejor a un modelo de autoregresivo (AR).

El número de coeficientes no nulos fuera de los intervalos de confianza en la facp sugiere el número de rezagos que podrían usarse para construir un modelo predictivo.

Si la hipótesis nula (δ = 0) no puede ser rechazada, la serie es no estacionaria y tiene raíz unitaria (I(1)). Si se rechaza la hipótesis nula (p-valor < 0.05), la serie es estacionaria y tiene una raíz 0 (I(0)).

En el análisis econométrico se busca encontrar una relación lineal entre variables, especialmente en los parámetros del modelo estimado.

Un método para analizar datos de panel que permite estudiar la variación a lo largo del tiempo y entre individuos.

Un método para analizar datos de panel que asume que los efectos individuales son variables aleatorias independientes.

Una prueba estadística que ayuda a decidir entre un modelo de efectos fijos y uno de efectos aleatorios.

Hipótesis que sugiere que el modelo de efectos aleatorios es el más adecuado.

Hipótesis que sugiere que el modelo de efectos fijos es el más adecuado.

Un modelo de regresión no lineal en los parámetros, donde la relación entre las variables puede ser lineal, pero el modelo en sí mismo no es lineal.

Un modelo de regresión que busca encontrar una relación lineal entre variables, pero con la posibilidad de que los parámetros del modelo no sean lineales.

Se utiliza para estimar los coeficientes estructurales de un modelo de ecuaciones simultáneas cuando las ecuaciones son exactamente o sobreidentificadas. Se aplica un MCO a la ecuación en forma reducida y, a partir de sus coeficientes, se estiman los coeficientes estructurales originales.

Se aplica a ecuaciones sobreidentificadas, aunque también funciona con ecuaciones exactamente identificadas. Se reemplaza la variable explicativa endógena por una combinación lineal de variables predeterminadas y se utiliza ésta como variable explicativa.

Un modelo donde hay una relación de causa y efecto definida pero unidireccional entre variables endógenas. Los métodos de ecuaciones simultáneas o sistemas pueden usarse para analizar estos modelos.

Es una variable dicótoma que indica si una industria produce bienes duraderos (1) o no (0). Se utiliza en modelos econométricos para analizar el comportamiento diferenciador de las industrias.

Una ecuación en un modelo de ecuaciones simultáneas está sobreidentificada si se pueden estimar sus coeficientes usando más de un conjunto de variables instrumentales.