Econometría Financiera 

Unidad : Modelo de Regresión Lineal General

Docente: Magister. SARAVIA AGUILAR, VICTOR I.

Unidad
Modelo de regresión lineal general
Contenido General
Logro
Al  finalizar  la  unidad,  el  estudiante  1. Introducción a la Regresión Lineal simple
analiza  aplicando  los  modelos  de 
2. Modelo Clásico de regresión lineal
regresión lineal y su importancia para 
la predicción de cálculos. 3. Método de Estimación de Mínimos cuadrados 
ordinarios MCO
4. Propiedades de los estimadores MCO
5. Cálculos adicionales sobre estimadores MCO y 
la varianza del error
6. Medidas de bondad de ajuste
7. Pruebas de hipótesis
8. Introducción al uso del GRETL
NOTA – ETAPAS PARA LA CONSTRUCCION DE UN MODELO 
ECONOMETRICO
NOTA – USOS DE UN MODELO 
ECONOMETRICO

MAGISTER SARAVIA AGUILAR, VICTOR

NOTA –MODELO BASICO DE REGRESION 
LINEAL

EXPRESION
MATRICIAL

MODELO ESTIMADO

ERROR

MAGISTER SARAVIA AGUILAR, VICTOR

NOTA - MODELO

ES LA FORMA EN QUE LA ECONOMIA ENTIENDE (EXPLICA) EL MUNDO

EL MODELO
PROPORCION DE CAMBIO QUE SUFRE Y CUANDO
REQUIERE CAMBIA X

Yt = β 1 + β 2 X t + u
DATOS TEORIA

LA ECONOMETRIA BUSCA DESCUBRIR UNA

RELACION ENTRE VARIABLES POR MEDIO
DE UNA LINEA RECTA

REGRESION LINEAL • RELACION ESTOCASTICA DE UNA DETERMINISTICA

• NO SIEMPRE SE MIDE BIEN
• LAS DESICIONES HUMANAS SON IMPOSIBLE MEDIR
• LA ECONOMETRIA LO QUE NOS INDICA CUAL ES LA
LINEA MAS IDONEA
MODELO QUE POSTULA QUE EN LA MEDIDA QUE
CAMBIA X (EXOGENA) CAMBIA Y (ENDOGENA)

MAGISTER SARAVIA AGUILAR, VICTOR

NOTA

• HIPOTESIS
• METODOS ESTIMACION
EL MODELO ECONOMETRICO • PROPIEDADES DE LOS ESTIMADORES
• PROPIEDADES DEL MODELO

QUE TIPO DE MODELO

• MOD. MATEMATICOS (RELACION ENTRE VARIABLES)

CLASICO GENERALIZADO • MOD ECONOMICOS ( MOD MATEMATICO REFLEJA LA
TEORIA ECONOMICA)
• MOD ECONOMETRICO (LA SUMA DE AMBOS)

SURGEN
PROBLEMAS

• AUTOCORRELACION (TODAS ESTEN CORRELACIONADAS)

• HETEROCEDASTICIDAD (LAS MUESTRAS NO SON IGUALES)
• MULTICOLINEALIDAD

MAGISTER SARAVIA AGUILAR, VICTOR

 1.- Introducción a  la regresión lineal simple
Una de las aplicaciones mas importantes de la estadística implica la estimación 
del  valor  medio  de  una  variable  de  respuesta  y o  la  predicción  de  algún  valor 
futuro  de  y con  base  el  conocimiento  de  un  conjunto  de  variables 
independientes relacionadas, x1, x2, . . . xk.

MAGISTER SARAVIA AGUILAR, VICTOR

 1.- Introducción a  la regresión lineal simple
Bivariante X,Y

El establecimiento de una  correlación  entre  dos  variables  es importante, pero esto 

se considera un primer paso para predecir una variable a partir de la otra. 
predecir una variable a partir de la otra
Claro  está,  si  sabemos  que  la  variable   X está  muy  relacionada  con  Y ,  ello  quiere 
decir  que  podemos  predecir  Y  a  partir  de  X.  Estamos  ya  en  el  terreno  de  la 
predicción.  (Evidentemente  si,  X  no  está  relacionada  con  Y,  X  no  sirve  como 
predictor de Y.)

MAGISTER SARAVIA AGUILAR, VICTOR

 1.- Introducción a  la regresión lineal simple
Regresión lineal. 
Permite  determinar  el  grado 
de dependencia de las series 
de valores X e Y, prediciendo 
el  valor  y  estimado  que  se 
obtendría para un valor x que 
no esté en la distribución.

MAGISTER SARAVIA AGUILAR, VICTOR

 1.- Introducción a  la regresión lineal simple
Variable Dependiente e Independiente
Se utiliza para establecer relaciones causales entre factores

La  VARIABLE  DEPENDIENTE  –  Aquella  en  el  que  el  investigador  esta 
interesado  en  comprender  su  variabilidad
  depende  de  cierto  factor 
denominado VARIABLE INDEPENDIENTE

MAGISTER SARAVIA AGUILAR, VICTOR

 1.- Introducción a  la regresión lineal simple
DENOMINACIÓN DE LAS VARIABLES
X Y
predictora, regresor criterio
explicativa explicada
predeterminada respuesta
independiente dependiente
exógena endógena
(explica la variabilidad de otra  (su variabilidad es explicada por 
variable) otra variable)

MAGISTER SARAVIA AGUILAR, VICTOR

 2.- Modelo clásico de regresión lineal
Recta de regresión simple muestral

La  regresión  lineal  simple  se  basa  en 

estudiar los cambios  en  una  variable,  no 
aleatoria, afectan a una variable aleatoria, en 
el caso de existir una relación funcional entre 
ambas  variables  que  puede  ser  establecida 
por  una  expresión  lineal,  es  decir,  su 
representación gráfica es una línea recta. Es 
decir, se esta en presencia de una regresión 
lineal  simple  cuando  una  variable 
independiente  ejerce  influencia  sobre  otra 
variable dependiente.

MAGISTER SARAVIA AGUILAR, VICTOR

 2.- Modelo clásico de regresión lineal

REGRESION
TECNICAS IDENTIFICAN RELACION
CORRELACION ESTADISTICAS CUANTIFICAN FUNCIONAL DE
DOS
VARIBALES
X,Y
Y

MAGISTER SARAVIA AGUILAR, VICTOR

 2.- Modelo clásico de regresión lineal
Conceptos Básicos

TRABAJAR CON (N) ES POBLACION (N)

INEFICIENTE POCO
REALISTA MUESTRA (n)

• Población
• Muestra
ENUNCIA • Causa
ENTENDER EL PROCESO HIPOTESIS DISPONIBILIDAD
• Parámetro
DE DATOS
PROBLEMA • Estadístico
• Error muestra
• Error no Muestra

MATERIA DE ESTUDIO ES EL
METODO DE MUESTREO

MAGISTER SARAVIA AGUILAR, VICTOR

 2.- Modelo clásico de regresión lineal
Conceptos Básicos

Es la relación que se da entre las variables

AUTOCORRELACION perturbadoras.
LOS PROBLEMAS
CONDICIONAN EL Cuando la varianza de las muestras no son
METODO DE HETEROCEDASTICIDAD iguales
ESTIMACION

MULTICOLINEALIDAD Cuando no hay relación entre las X

NUNCA SE PUEDE ESTUDIAR UN

MODELO SIN VER LA CORRELACION

MAGISTER SARAVIA AGUILAR, VICTOR

 2.- Modelo clásico de regresión lineal
Conceptos Básicos
Con frecuencia, nos encontramos en economía con modelos en los que el
comportamiento de una variable, Y, se puede explicar a través de una variable X; lo que
representamos mediante

Y = f(X)
Si consideramos que la relación f , que liga Y con X , es lineal, entonces (1) se puede
escribir así:

Yt = β 1 + β 2 X t

Yt = β 1 + β 2 X t + u

MAGISTER SARAVIA AGUILAR, VICTOR

 2.- Modelo clásico de regresión lineal
Conceptos Básicos
Intercepto Pendiente
• Existe por las
variables omitidas
Error
• Error de medición
Método de • Efectos impredecibles
Regresión
Lineal con un Yt = β 1 + β 2 X t + u
regresor

Parámetros o
Regresores
Variable
Dependiente
Variable
Independiente

MAGISTER SARAVIA AGUILAR, VICTOR

 2.- Modelo clásico de regresión lineal
Conceptos Básicos

Punto  de  intersección 

(Interceptó) β1
...
CAMBIO DE LA VARIABLE
ESTUDIADA Y Y
.... CAMBIO DE LA VARIABLE X X
β2.. . .. . .
…...
X

MAGISTER SARAVIA AGUILAR, VICTOR

 3.- Método de estimación MCO

DE CUMPLIRSE ESTIMADOR CUMPLEN CIERTAS

SUPUESTOS OBTENIDO PROPIEDADES

1. Linealidad en los parametros 1. Linealidad en los estimadores
2. Exogenidad 2. Insesgamiento
3. Homocedasticidad 3. Teorema de Gauss – Markov
4. No Autocorrelacion 4. Consistencia de los Estimadores MCO
5. Numero de observaciones
6. Variabilidad de los valores

MAGISTER SARAVIA AGUILAR, VICTOR

 3.- Método de estimación MCO
a.- Supuestos del modelo Clásico de Regresión Lineal
a.1.- Linealidad en los parámetros

Yt
Yt = β 1 + β 2 X t + u La dependencia 
de Yt con 
respecto a Xt

Xt

MAGISTER SARAVIA AGUILAR, VICTOR

 3.- Método de estimación MCO
a.- Supuestos del modelo Clásico de Regresión Lineal
a.2.- Exogeneidad estricta

LA  SUMA  DE  LOS  ERRORES  ES  IGUAL  A  CERO,  P

es  decir  que  LA  LINEA  DE  REGRESION  en 
promedio castiga y premia a todos por igual.
Valor Esperado es igual a Cero

E(u) = 0
E(u/x) = 0 = E(u)

q
MAGISTER SARAVIA AGUILAR, VICTOR
 3.- Método de estimación MCO
a.- Supuestos del modelo Clásico de Regresión Lineal
a.3.- Homocedasticidad
La  distribución  de  valores 
es  igual  a  lo  largo  de  la 
línea (la misma varianza) σ2
σ2
σ2
Var(Ut/Xt) = σ2

MAGISTER SARAVIA AGUILAR, VICTOR

 3.- Método de estimación MCO
a.- Supuestos del modelo Clásico de Regresión Lineal
a.4.- No autocrrelacion
Los errores son independientes no 
hay correlación

COV(u1,u2/xt) = 0 u3
u2
u1

MAGISTER SARAVIA AGUILAR, VICTOR

 3.- Método de estimación MCO
a.- Supuestos del modelo Clásico de Regresión Lineal
a.5.- El numero de observaciones

El numero de observaciones n debe ser igual al numero de estimadores o 
parámetros poblacionales a estimar

MAGISTER SARAVIA AGUILAR, VICTOR

 3.- Método de estimación MCO
a.- Supuestos del modelo Clásico de Regresión Lineal
a.6.- Variabilidad de valores (no todas las X son iguales)
La varianza debe ser diferente de cero
Var(X) ≠ 0
Se  necesita  que  los  valores 
  estén 
dispersos  (la varianza es la medida de 
la dispersión)

MAGISTER SARAVIA AGUILAR, VICTOR

 4.- Propiedades de los estimadores MCO

• Linealidad.
Linealidad
• Insesgamiento - Su valor promedio o esperado E
Insesgamiento -  es igual al valor 
verdadero
• Teorema Gauss – Markov - MELI – Varianza mínima no 
Autocorrelación, Multicolinealidad y no Homocedasticidad.
• Consistencia

MAGISTER SARAVIA AGUILAR, VICTOR

 5.- Cálculos Adicionales sobre los estimadores MCO

MAGISTER SARAVIA AGUILAR, VICTOR

 5.- Cálculos Adicionales sobre los estimadores MCO
Caso aplicativo

UNA  EMPRESA  DE  MENSAJERIA  DE  ENTREGA  PUERTA  A  PUERTA  CON  EL  FIN  DE  MEJORAR  LA 
PRESTACION  DEL  SERVICIO  DESEA  ESTABLECER  LA  RELACION  QUE  PUEDE  EXISTIR  ENTRE  EL  TIEMPO 
EMPLEADO Y LA DISTANCIA RECORRIDA PARA ENTREGA DE UN DETERMINADO PRODUCTO

MAGISTER SARAVIA AGUILAR, VICTOR

 5.- Cálculos Adicionales sobre los estimadores MCO
Caso aplicativo

X Y
825 3,5
215 1
1070 4
550 2
480 1
920 3
1350 4,5
325 1,5
670 3
1215 5
MAGISTER SARAVIA AGUILAR, VICTOR
 5.- Cálculos Adicionales sobre los estimadores MCO
Caso aplicativo

X Y XY X2 Y2
1 825 3,5 2887,5 680625 12,25
2 215 1 215 46225 1
3 1070 4 4280 1144900 16
4 550 2 1100 302500 4
5 480 1 480 230400 1
6 920 3 2760 846400 9
7 1350 4,5 6075 1822500 20,25
8 325 1,5 487,5 105625 2,25
9 670 3 2010 448900 9
10 1215 5 6075 1476225 25
SUMA 7620 28,5 26370 7104300 99,75

MAGISTER SARAVIA AGUILAR, VICTOR

 5.- Cálculos Adicionales sobre los estimadores MCO
Caso aplicativo

46530 1,181291
b = 0,003585 a = 0,118129
12978600 10

MAGISTER SARAVIA AGUILAR, VICTOR

 5.- Cálculos Adicionales sobre los estimadores MCO
Caso aplicativo
6
R2 = 0.9005
5

4
Series1

3 Linear(Series0)
Linear(Series0)
2 Linear(Series0)

0
0 500 1000 1500

MAGISTER SARAVIA AGUILAR, VICTOR

 6.- Medidas de bondad de ajuste

COEFICIENTE DE DETERMINACION (R2) - Bondad de Ajuste

NOS  INDICA  EL  PORCENTAJE
  DE  VARIACIONES  DE  LA  VARIABLE DEPENDIENTE
  QUE  SON 
EXPLICADOS POR EL MODELO .  A  MEDIDA  QUE  EL  PORCENTAJE  ES  MAYOR  INDICA  EN  QUE 
MEDIDA EL MODELO SE AJUSTA A LOS DATOS.

COEFICIENTE DE CORRELACION r
GRADO DE ASOCIACION O RELACION ENTRE DOS VARIABLES

COEFICIENTE DE DETERMINACION AJUSTADO

CUANDO  EN  UN  MODELO  SE INCLUYEN NUEVAS VARIABLES EXPLICATIVAS ,  EL  COEFICIENTE 
R2  AUMENTA  O  COMO  MINIMO  PERMANECE  INALTERADO  AUNQUE  LAS  NUEVAS  VARIABLE  NO 
CONTRIBUYAN  EN  NADA  A  LA  EXPLICACION  DE  Y.  POR  ELLO  PARA  COMPARAR  DOS  O  MAS 
MODELOS  CON  DIFERENTES  NUMENROS  DE  VARIABLES  EXPLICATIVAS  SE  RECURRE  AL 
COEFCIENTE DE DETERMINACION CORREGIGO O AJUSTADO

MAGISTER SARAVIA AGUILAR, VICTOR

 7.- Pruebas de hipótesis
Definición

La  teoría  de  las  pruebas  de  hipótesis

  abarca  las  reglas  junto  con  procedimientos 
necesarios  para  decidir  si  se  rechaza  o  no  una  hipótesis  planteada  (llamada  hipótesis 
nula Ho) frente a una hipótesis alternativa (hipótesis mantenida H1)

MAGISTER SARAVIA AGUILAR, VICTOR

 7.- Pruebas de hipótesis
Definición
Cuando  realicemos  una  prueba  de  hipótesis  nos  estaremos  planteando  la 
siguiente  pregunta  si  es  compatible  una  observación  o  un  hallazgo,  el  termino 
compatible  es  que  la  observación  esta  lo  suficientemente  cercano  al  valor 
hipotético de tal forma que no se rechaza la hipótesis planteada.

Hipótesis planteada – Hipótesis Nula (H0)
La hipótesis Alternativa (H1)

MAGISTER SARAVIA AGUILAR, VICTOR

 7.- Pruebas de hipótesis
Definición
HIPOTESIS: ES UNA AFIRMACION SOBRE UNO O MAS PARAMETROS DE UNA VARIABLE ALEATORIA

Cualquier ES UN PROCEDIMIENTO BASADO EN LA

Parámetros EVIDENCIA MUESTRAL Y EN LA TEORIA DE
PROBABILIDAD QUE SE EMPLEA SI LA
HIPOTESIS ES UN ENUNCIADO RACIONAL Y NO
DEBE RECHAZARSE O SI ES IRRACIONAL Y
H0 En las ciencias
DEBE SER RECHAZADO

H1 sociales
estudia dos
solo se
En un trabajo de investigación se plantean dos
H2 hipótesis mutuamente excluyentes:
La hipótesis Nula
H3 La hipótesis alternativa (Investigación)
…
El propósito de la prueba de hipótesis es
determinar si el valor supuesto (hipotético)
debe de aceptarse como verosímil en base a la
evidencia muestra

MAGISTER SARAVIA AGUILAR, VICTOR

 7.- Pruebas de hipótesis
Definición
EJEMPLO:  LA  ESPERANZA  DE  QUE  LOS  ALUMNOS  DE  ECONOMETRIA  APRUEBEN 
CON MAS DE 10
H0 u <= 4 Nula Ho H1

H1 u > 4 Alternativa
/ / / / / / /
1 2 3 4 5 6 7
u

El objetivo es rechazar la hipótesis nula

MAGISTER SARAVIA AGUILAR, VICTOR

 7.- Pruebas de hipótesis
Pasos
1. Se plantea la hipótesis nula y la alternativa Ho = 0, H1 ≠ 0

2. Se selecciona el nivel de significancia (0.01 y 0.05)

3. Se identifica el estadístico de prueba (zona de aceptación y rechazo de la hipótesis nula).

4. Se forma la regla de decisión (función pivotal).

5. Se toma una muestra y se decide:

I. No se rechaza Ho
II. O se rechaza Ho y se acepta Hi.

Objetivo de la prueba de hipótesis.

hipótesis
El propósito de la prueba de hipótesis no es cuestionar el valor calculado del estadístico (muestral), sino hacer
un juicio con respecto a la diferencia entre estadístico de muestra y un valor planteado del parámetro.

MAGISTER SARAVIA AGUILAR, VICTOR

 7.- Pruebas de hipótesis
Distribución de probabilidad del termino de perturbación estocástico

La  metodología  de  MCO  no  hace  ningún  supuesto  sobre  la  distribución  de  probabilidad  del  termino  de 
perturbación estocástico, lo cual resulta poco útil para realizar las pruebas de hipótesis.
En este sentido, es necesario hacer algún supuesto sobre dicha distribución. El modelo clásico de regresión lineal 
normal supone que los residuos se encuentran normalmente distribuidos:

Ui ~ N(0, σ2)     
Este supuesto es necesario ya que permite utilizar las pruebas   t y   F para los modelos de regresión cuando la 
muestra no es muy grande.

MAGISTER SARAVIA AGUILAR, VICTOR

 EJERCICIOS

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Que es el gretl

gretl  es  un  software econométrico  de   libre distribución.  Tiene  una interfaz 

gráfica y  puede  interactuar  con  R-project  (el  cual  es  un  software  estadístico  de 
distribución libre muy utilizado). 
gretl  incluye  la  posibilidad  de  producir  salidas  en LaTeX,  y  también  permite 
importar archivos de diversos formatos: CSV (coma separated values), GNumeric, 
Excel, Stata, Eviews, JMulTi, RATS, OpenDocument Spreadsheet, entre otros.

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Donde descargo el Gretl

UBICAMOS EL PROGRAMA GRETL: http://gretl.sourceforge.net/es.html

MAGISTER SARAVIA AGUILAR, VICTOR
 8.- Introducción al Uso del Gretl
Donde descargo el Gretl

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Donde descargo datos para el análisis económico

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Importante no olvide que en el Gretl no se puede ingresar datos

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Importante no olvide que en el Gretl no se puede ingresar datos

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Como deben quedar los datos

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Como deben quedar los datos
AÑOS

SECTORES DE LA
ECONOMIA

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Importando los datos

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Importando los datos

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Si los datos no son preparados antes
Cuando trabajamos con datos ASCII o Excel conviene informar a Gretl de si
Éstos son de sección cruzada o de series temporales

Datos/Estructura de datos/de sección cruzada o

Datos/Estructura de datos/Serie Temporal
en la barra de herramientas, según proceda.

MAGISTER SARAVIA AGUILAR, VICTOR

 8.- Introducción al Uso del Gretl
Resultado final de los datos

MAGISTER SARAVIA AGUILAR, VICTOR

 Concepto Importante

• VARIABLE ALEATORIA
• VALOR ESPERADO
• PROBABILIDAD CONDICIONAL
• PROCESO ESTOCASTICO
• RELACION DETERMINISTICA
• FUNCION DE DISTRIBUCION

MAGISTER SARAVIA AGUILAR, VICTOR

Unidad
Introducción a la Econometría 
Financiera Conclusiones

Logro
Al  finalizar  la  unidad,  el  estudiante 
comprende  la  importancia  de  la  1 Se  parte  de  un  modelo  simple  para  después  ir 
Econometría Financiera, su concepto y  complicando el modelo
el  uso  de  las  nuevas  tecnologías  para  2 La linealidad del modelo
lograr un fin.
3 Modelos
4 Mejor estimador

MAGISTER SARAVIA AGUILAR, VICTOR

 Gracias 
Docente: Victor Saravia