econometria

1. INTEGRANTES:
Flores Bringas, Aracely
Mamani Achata, Ana Paula
Palermo Marchán, Pedro
Quino Villavicencio, Brady
Facultad de Economía
Asignatura: Econometría Básica
TAREA 1: CUESTIONARIO

2. Universidad Nacional
Federico Villarreal
1. NORMALMENTE DISTRIBUIDO
• La distribución normal es un modelo teórico capaz de aproximar
satisfactoriamente el valor de una variable aleatoria a una situación
ideal.
En otras palabras, la distribución normal adapta una variable aleatoria
a una función que depende de la media y la desviación típica. Es decir,
la función y la variable aleatoria tendrán la misma representación pero
con ligeras diferencias.

3. Universidad Nacional
Federico Villarreal
2. VALOR ESPERADO O MEDIA CERO
• Dado el valor esperado de la perturbación aleatoria 𝑢𝑖,
simbólicamente se tiene:
𝐸 𝑢𝑖 𝑋𝑖 = 0
Esto establece que el valor de la media 𝑢𝑖 dada es cero (que depende
de las 𝑋𝑖 dadas). Esto se formaliza acerca de los “otros factores”
obtenidos en 𝑢𝑖, y establece que están interrelacionados con
𝑋𝑖 de manera que la distribución delos otros factores es cero.

4. Universidad Nacional
Federico Villarreal
Cada Y correspondiente a un X dado está
distribuido alrededor de su media con algunos
valores a ambos lados
Los factores no incluidos
explícitamente en el modelo e
incorporados en 𝑢𝑖 , no afectan la
media de Y.
los valores positivos de 𝑢𝑖 se
cancelan con los valores negativos
de 𝑢𝑖, de manera que el efecto medio
o promedio sobre Y es cero.

5. Universidad Nacional
Federico Villarreal
Adicional, 𝑢𝑖 y 𝑋𝑖 no están correlacionadas ya que si así lo fuera, no es
posible evaluar los efectos de cada una sobre Y.
En estas situaciones es posible que el término de error incluya
variables que debieron incluirse adicionales en el modelo: no hay error
de especificación en el modelo de regresión elegido.
• Si tuvieran correlación positiva -> X aumenta cuando u aumenta
• Si tuvieran correlación negativa -> X incrementa cuando u se reduce

6. Universidad Nacional
Federico Villarreal
3. VARIANZA CONSTANTE
La varianza del término de error es la misma sin importar el valor de X:
𝑣𝑎𝑟 𝑢𝑖 = 𝐸[𝑢𝑖 − 𝐸(𝑢𝑖|𝑋𝑖)]2
= 𝐸 𝑢𝑖
2
𝑋𝑖
= 𝐸 𝑢𝑖
2
, si 𝑋𝑖 son variables no estocásticas
= 𝜎2
Es constante en el tiempo:
𝐸 𝑢1
2
= 𝐸 𝑢2
2
= ⋯ 𝐸 𝑢𝑖
2
= 𝜎2

7. Universidad Nacional
Federico Villarreal
Heteroscedasticidad se
define como un patrón
sistemático que
presentan los errores
donde su varianza no es
constante
𝑣𝑎𝑟 𝑢𝑖 = 𝜎𝑖
2
Representa el supuesto de homoscedasticidad
igual Dispersión/ varianza

8. Universidad Nacional
Federico Villarreal
Homoscedasticidad
La línea de relación promedio X-Y,
les decir, la variación alrededor de
la regresión, es la misma para
todos los valores de X
Heteroscedasticidad
La línea de relación
promedio entre X e Y varía
alrededor de al regresión,

9. Universidad Nacional
Federico Villarreal
4. Los términos de error no están correlacionados
No hay autocorrelacion entre las perturbaciones: Dados dos valores
cualquiera de X, Xi y Xj (i ≠ 𝑗), la correlaciones entre dos 𝑢𝑖 y
𝑢j cualquiera es cero. En pocas palabras, esta sobservaciones se
muestran de maneta independiente
Cov (𝑢𝑖, 𝑢j)(Xi, Xj)=0
Cov(𝑢𝑖, 𝑢j)=0, si X no es estocástica
Donde i y j son dos observaciones diferentes y cov significa covarianza

10. Universidad Nacional
Federico Villarreal
Significa que,
dado Xi, las
desviaciones de
dos valores
cualquiera de Y
de sus valores
promedio no
muestran
patrones
Patrones de correlación entre las
perturbaciones:
a) Correlaciones
serial positiva
b) correlaciones
serial negativa
c) Correlaciones
cero no hay un patrón
sistemático para las u,
lo que indica cero
correlación.
relacionadas
negativamente, pues
a una u positiva
sigue una u negativa
y viceversa.
correlacionadas
positivamente, pues a una
u positiva sigue una u
positiva, o a una u
negativa sigue una
negativa.

11. Universidad Nacional
Federico Villarreal
Valores fijos de X, o valores de X independientes del término de error
Los valores que toma la regresora X pueden considerarse fijos en muestras
repetidas (el caso de la regresora fija), o haber sido muestreados junto con la
variable dependiente Y (el caso de la regresora estocástica). En el segundo caso se
supone que la(s) variable(s) X y el término de error son independientes, esto es:
cov 𝑋𝑖, 𝑢𝑖 = 0
5. La variable explicatoria supone valores fijos en
muestreo repetido

12. Universidad Nacional
Federico Villarreal
Es de crucial importancia notar que las variables explicativas pueden ser
intrínsecamente estocásticas, pero, para fines del análisis de regresión, suponemos
que sus valores son fijos en el muestreo repetido (es decir, que X toma los mismos
valores en diversas muestras), de modo que, en efecto, no resultan aleatorias ni
estocásticas. Esto por tres razones:
3. aunque las variables X sean
estocásticas, los resultados
estadísticos de la regresión lineal
basada en el caso de las regresoras
fijas también son válidos cuando las
variables X son aleatorias, en tanto
se cumplan algunas condiciones.
2. en situaciones
experimentales tal vez no
sea irreal suponer que los
valores de X son fi jos
1. simplificar el análisis e
introducir poco a poco al
lector a las complejidades
del análisis de regresión