ECONOMETRÍA CON GRETL

Predicción

8.- Cambios de origen y escala en las variables

En teoría se ha explicado cómo afectan los cambios de origen y de escala en
las variables del modelo de regresión, dependiendo de que éstos sean en la
variable endógena, en la explicativa o en ambas.
CONSECUENCIAS DE LOS CAMBIOS DE ORIGEN Y ESCALA EN LAS VARIABLES DEL MODELO DE REGRESIÓN

(*) Si los factores de escala son iguales la pendiente no se ve afectada. El cambio de escala de
la variable dependiente (Y) afecta a la suma de los cuadrados de los residuos (∑εi2), pero no al
coeficiente de determinación (R2).

Vamos a utilizar el problema nº 2 de la relación de problemas para la teoría

para verlo con Gretl: La siguiente tabla expresa la producción de maíz en
Toneladas métricas por Ha. (variable Y), resultante del empleo de fertilizante,
en miles de euros por Ha. (variable X1) y la cantidad de insecticida en metros
cúbicos por Ha (X2).

PARCELA Yi X1i X2i

1 40 6 4
2 44 10 4
3 46 12 5
4 48 14 7
5 52 16 9
6 58 18 12
7 60 22 14
8 68 24 20
9 74 26 21
10 80 32 24
(En ejercicios para teoría: EJERCICIO2 Modelo Multivariante PROD…)

Aquí, nuestro modelo a estimar es: 𝑌! = 𝛽" + 𝛽# 𝑋#! + 𝛽$ 𝑋$! + 𝜀!

En la ventana principal seleccionamos Archivo - Abrir archivo de datos –
Archivo de usuario – Excel.xlsx
En el cuadro de dialogo que aparece “Gretl: importación de hoja de…”
seleccionamos fila y columna para importar los datos

105
Rosario Asián Chaves. ECONOMÍA APLICADA II. UNIVERSIDAD DE SEVILLA
 ECONOMETRÍA CON GRETL
Predicción

Estimamos el modelo con Modelo → mínimos cuadrados ordinarios

Modelo 1: MCO, usando las observaciones 1-10 ; Variable dependiente: Y
Coeficiente Desv. Típica Estadístico t Valor p
const 31.9807 1.6318 19.5985 <0.00001 ***
X2 0.650051 0.250161 2.5985 0.03550 **
X3 1.10987 0.267434 4.1501 0.00429 ***
Media de la vble. dep. 57.00000 D.T. de la vble. dep. 13.47426
Sum. cuad. residuos 13.67040 D.T. de la regresión 1.397467
R-cuadrado 0.991634 R-cuadrado corregido 0.989243
F(2, 7) 414.8492 Valor p (de F) 5.36e-08
Log-verosimilitud −15.75262 Criterio de Akaike 37.50525
Criterio de Schwarz 38.41300 Crit. de Hnan-Quinn 36.50944
Supongamos que queremos hacer un cambio de unidades. El fertilizante
queremos expresarlo en miles de dólares por ha
1 EURO=1’357 DÓLARES (15-11-2011)
¿Cómo afecta este cambio a los parámetros estimados?
Es un cambio de escala en la variable X1.
X2 está en 103 € / ha.
X2bis en 103 $ / ha = 1’357 X1

En Gretl: Añadir – Definir nueva variable: x2bis = 1.357*X2

Y estimamos por MCO el nuevo modelo con la variable x2bis en lugar de X2.

106
Rosario Asián Chaves. ECONOMÍA APLICADA II. UNIVERSIDAD DE SEVILLA
 ECONOMETRÍA CON GRETL
Predicción

Modelo 2: MCO, usando las observaciones 1-10 ; Variable dependiente: Y

Coeficiente Desv. Típica Estadístico t Valor p
const 31.9807 1.6318 19.5985 <0.00001 ***
X2bis 0.479035 0.184349 2.5985 0.03550 **
X3 1.10987 0.267434 4.1501 0.00429 ***
Media de la vble. dep. 57.00000 D.T. de la vble. dep. 13.47426
Sum. cuad. residuos 13.67040 D.T. de la regresión 1.397467
R-cuadrado 0.991634 R-cuadrado corregido 0.989243
F(2, 7) 414.8492 Valor p (de F) 5.36e-08
Log-verosimilitud −15.75262 Criterio de Akaike 37.50525
Criterio de Schwarz 38.41300 Crit. de Hann-Quinn 36.50944
El nuevo modelo estimado tiene la misma ordenada. Sólo ha cambiado la
pendiente de la variable afectada por el cambio de escala. En general, un
cambio de escala de magnitud h en una variable exógena provoca el siguiente
cambio en la pendiente de dicha variable: La nueva pendiente será = pendiente
antigua • (1/h). En este caso h = 1’357.
Supongamos ahora que la subida de precios de los fertilizantes ha supuesto un
incremento del gasto en fertilizante en cada parcela de 500 euros ¿Cómo
afecta esto a los parámetros estimados? El cambio en los valores de la variable
X1 es ahora un aumento en 0’5 miles de euros. Un cambio de origen en la
variable X1. La variable transformada por el cambio es: X2or = X2 + 0’5.
En Gretl: Añadir – Definir nueva variable: x2or = X2 + 0.5

La estimación del nuevo modelo con la variable X2or en lugar de X2, es:

Modelo 3: MCO, usando las observaciones 1-10 ; Variable dependiente: Y

Coeficiente Desv. Típica Estadístico t Valor p
const 31.6556 1.73899 18.2035 <0.00001 ***
X2or 0.650051 0.250161 2.5985 0.03550 **
X3 1.10987 0.267434 4.1501 0.00429 ***
Media de la vble. dep. 57.00000 D.T. de la vble. dep. 13.47426
Sum. cuad. residuos 13.67040 D.T. de la regresión 1.397467
R-cuadrado 0.991634 R-cuadrado corregido 0.989243
F(2, 7) 414.8492 Valor p (de F) 5.36e-08
Log-verosimilitud −15.75262 Criterio de Akaike 37.50525
Criterio de Schwarz 38.41300 Crit. de Hann-Quinn 36.50944
El nuevo modelo estimado tiene las mismas pendientes que el modelo original,
pero distinta ordenada en el origen. La nueva ordenada es 31’98 - 0’65 • 0’5 =
31’66. En general un cambio de origen de magnitud k en una variable exógena
afecta sólo a la ordenada. La nueva ordenada será = la ordenada antigua -
pendiente de la variable X1 (que no se ve afectada por el cambio de origen)
multiplicada por la magnitud del cambio de origen, k.

107
Rosario Asián Chaves. ECONOMÍA APLICADA II. UNIVERSIDAD DE SEVILLA
 ECONOMETRÍA CON GRETL
Predicción

8.- Predicción

Uno de los objetivos de la econometría consiste en predecir. Una vez estimado

un modelo que se considera que recoge bien el comportamiento de una
variable en función de otros factores o variables explicativas, se quiere
determinar con cierta confianza el valor o intervalo de valores que puede tomar
la variable dependiente, supuestos unos valores para esos factores.
Haremos nuestras predicciones con el modelo que hemos estimado para del
precio de los pisos (Y, en miles de euros), en función de su tamaño (X2,
expresado en m2), número de habitaciones (X3) y número de cuartos de aseo
(X4). Este modelo era:
Yi = β1 + β2 X2i + β3 X3i + β4 X4i + єi
Una vez estimado el modelo, podemos utilizar el modelo estimado por MCO
para predecir el valor real que tomaría la variable endógena para unos
determinados valores de las variables explicativas (p). A este proceso se le
llama predicción por punto, donde el valor estimado para la variable endógena
Y en el periodo de predicción se obtiene sustituyendo estos valores de las
variables exógenas en el modelo estimado:
𝑌(% = 𝛽)# + 𝛽)$ 𝑋$% + 𝛽)& 𝑋&% + 𝛽)' 𝑋'%
La diferencia entre el valor real y el valor que predecimos con nuestro modelo
estimado, es una variable aleatoria que se conoce como, error de predicción: ep
= Yp - 𝑌(%
En teoría hemos explicado, basándonos en la distribución del error de
predicción, que el intervalo con un nivel de confianza del (1-α)% para el valor
de predicción es:

Supongamos que tenemos información de una nueva vivienda, por ejemplo,

que el tamaño es 300 m2, tiene 5 habitaciones y 3 baños, y nos piden
1.200.000 euros. Para analizar esta propuesta, con nuestro modelo estimado
podemos obtener una predicción (puntual y por intervalo) del precio que tendría
un piso con estas características y analizar si es o no razonable el precio que
nos piden.
Para realizar esta predicción con Gretl lo primero que debemos hacer es
incorporar los nuevos datos (Xp) a la base de datos. Para ello pulsamos Datos
- Seleccionar todas la variables y, a continuación, Datos – Añadir
observaciones, nos aparece el cuadro de dialogo “Añadir observaciones” en el
que indicamos el nº de observaciones que queremos añadir, en este caso, una.
Ahora, seleccionamos Datos → Editar datos, o también, con el botón derecho
del ratón en Editar valores, y en el cuadro de dialogo que nos aparece
incluimos los valores de las variables explicativas para los que hemos de
realizar la predicción, en este caso la observación 51, incorporando cada
observación en la casilla correspondiente.

108
Rosario Asián Chaves. ECONOMÍA APLICADA II. UNIVERSIDAD DE SEVILLA
 ECONOMETRÍA CON GRETL
Predicción

Si no incorporamos el valor para la variable Y (que es el que vamos a predecir),

Gretl nos mostrará un aviso: Atención: habrá observaciones perdidas.
Podemos ignorarlo y darle a Aceptar.

Posteriormente, estimaremos el modelo sin considerar esta nueva observación

(recordar que inicialmente teníamos 50 observaciones en la muestra). Para
ello, tenemos que indicar el rango muestral, es decir, en la opción Muestra –
Establecer rango especificaremos del rango de observaciones de la muestra
que emplearemos para estimar el modelo, en nuestro caso de la 1 a la 50 y
elegimos Aceptar.

A continuación, estimaremos el modelo por MCO como hemos explicado en

apartados anteriores (Modelo → Mínimos cuadrados ordinarios) y, en la
ventana de resultados del modelo estimado, elegimos: Análisis –
Predicciones y aparece el cuadro de dialogo “gretl: predicción”.

En esta nueva ventana podemos determinar el dominio de predicción, es

decir el Inicio y Fin de observaciones a predecir, que en este caso es en ambos
la observación número 51, así como cuantas observaciones se quieren
representar antes de la predicción.

109
Rosario Asián Chaves. ECONOMÍA APLICADA II. UNIVERSIDAD DE SEVILLA
 ECONOMETRÍA CON GRETL
Predicción

Pulsamos Aceptar y los resultados son:

La predicción por punto del precio de una vivienda con estas características es
de 1117’015 miles de euros, mientras que la predicción por intervalo con un
nivel de confianza del 95% es (848’93; 1385’1) expresado en miles de euros.
Observamos que el precio que nos piden, que era de 1.200 miles de euros por
la vivienda, está dentro de este intervalo. Este precio para una vivienda de esas
características se aceptaría como razonable dado nuestro modelo y la
información muestral utilizada para su estimación, con un nivel de confianza del
95 %.

110
Rosario Asián Chaves. ECONOMÍA APLICADA II. UNIVERSIDAD DE SEVILLA
 ECONOMETRÍA CON GRETL
Cambios de unidades

10.- Extensiones del modelo de regresión lineal

Vamos a analizar el caso particular del modelo doblemente logarítmico.
Partiremos de un modelo no lineal, en este caso un modelo exponencial, y
aplicamos logaritmo para linealizarlo. Emplearemos la función de producción de
Cobb-Douglas, que trata de explicar la cantidad de producción obtenida, en
función de las cantidades de los factores trabajo y capital, empleadas en un
proceso productivo. Los datos que utilizaremos han sido extraídos de una base
de datos que aparece en el libro Econometría de D. Gujarati, que supondremos
corresponden a 51 empresas. Estos datos están en la hoja de Excel “Función
Cobb-Douglas (Gujarati)”.
El modelo no lineal abajo expuesto es la expresión analítica del de la función
de Cobb-Douglas. Hemos introducido la perturbación en forma exponencial
para que al linealizar la función, quede incorporada en nuestro modelo lineal de
forma aditiva.
Qi = A × Lb1 × K b2 × eei
En nuestro ejemplo,
Q es la producción expresada en miles de dólares
L es el factor trabajo reflejado en miles de horas
K es la inversión de capital representada en miles de dólares
A, β1 y β2 son constantes positivas (A representa el progreso técnico).
Para linealizar este modelo tomamos logaritmos (neperianos) y haciendo que
β0 = ln A, X1 = ln L, X2 = ln K e Y = ln Q, nos queda:

ln Qi = ln A + b1 ln L + b2 ln K + e i Þ Yi = b0 + b1 X1i + b2 X 2i + e i
Con lo que tenemos un modelo expresado como los habituales que hemos
venido utilizando. Para su estimación el proceso es el ya conocido y lo que,
como veremos, cambia fundamentalmente es la interpretación de los
parámetros.
Para estimar este modelo tenemos que pedirle a Gretl, una vez hemos
importado de Excel los datos de nuestras variables originales, que nos calcule
estos datos expresados en logaritmos.
Para ello, los importamos de la hoja donde estén los datos originales para
trabajar con ellos en Gretl y seleccionamos Archivo - Abrir archivo de datos
– Archivo de usuario – Excel.xlsx. Nos aparece en la ventana principal las
variables Q, L y K.
Ahora le decimos a Gretl que nos calcule sus logaritmos. Para ello
seleccionamos todas nuestras variables y pulsamos en Añadir → Logaritmos
de las variables seleccionadas:

111
Rosario Asián Chaves. ECONOMÍA APLICADA II. UNIVERSIDAD DE SEVILLA
 ECONOMETRÍA CON GRETL
Cambios de unidades

Una vez obtenidos, si lo deseamos cambiamos los nombres de las variables

creadas por Gretl (l_Q, l_L y l_K) por los de nuestras variables Y, X1 y X2.

Y a continuación estimamos el modelo por MCO.

El resultado obtenido es:

112
Rosario Asián Chaves. ECONOMÍA APLICADA II. UNIVERSIDAD DE SEVILLA
 ECONOMETRÍA CON GRETL
Cambios de unidades

Modelo 1: MCO, usando las observaciones 1-51

Variable dependiente: Y
Coeficiente Desv. Típica Estadístico t Valor p
const 3.8876 0.396228 9.8115 <0.00001 ***
X1 0.468332 0.0989259 4.7342 0.00002 ***
X2 0.521279 0.0968871 5.3803 <0.00001 ***

Media de la vble. dep. 16.94139 D.T. de la vble. dep. 1.380870

Sum. cuad. residuos 3.415520 D.T. de la regresión 0.266752
R-cuadrado 0.964175 R-cuadrado corregido 0.962683
F(2, 48) 645.9311 Valor p (de F) 2.00e-35
Log-verosimilitud −3.426721 Criterio de Akaike 12.85344
Criterio de Schwarz 18.64892 Crit. de H-Quinn 15.06807

Interpretación de los coeficientes de regresión:

𝛽)# = 0,4683: Si suponemos que el capital se mantiene constante, cuando

aumenta el número de horas de trabajo en un 1%, estimamos que en términos
medios, la producción estimada media aumenta un 0,4683%. Esta
interpretación se corresponde con la de la elasticidad de la producción con
respecto al factor trabajo.

𝛽)$ = 0,5212: Si suponemos que el trabajo se mantiene constante, cuando

aumenta la inversión de capital en un 1%, estimamos que en promedio la
producción estimada media aumenta un 0,5212%. Esta interpretación se
corresponde con la de la elasticidad de la producción con respecto al factor
capital.

113
Rosario Asián Chaves. ECONOMÍA APLICADA II. UNIVERSIDAD DE SEVILLA