1) ANALISIS DE LA REGRESION

En un Análisis de Regresión simple existe una variable respuesta o dependiente (y) que puede ser
el número de especies, la abundancia o la presencia-ausencia de una sola especie y una variable
explicativa o independiente (x). El propósito es obtener una función sencilla de la variable
explicativa, que sea capaz de describir lo más ajustadamente posible la variación de la variable
dependiente. Como los valores observados de la variable dependiente difieren generalmente de los
que predice la función, ésta posee un error. La función más eficaz es aquella que describe la
variable dependiente con el menor error posible o, dicho en otras palabras, con la menor diferencia
entre los valores observados y predichos. La diferencia entre los valores observados y predichos
(el error de la función) se denomina variación residual o residuos. Para estimar los parámetros de
la función se utiliza el ajuste por mínimos cuadrados. Es decir, se trata de encontrar la función en la
cual la suma de los cuadrados de las diferencias entre los valores observados y esperados sea
menor. Sin embargo, con este tipo de estrategia es necesario que los residuos o errores estén
distribuidos normalmente y que varíen de modo similar a lo largo de todo el rango de valores de la
variable dependiente. Estas suposiciones pueden comprobarse examinando la distribución de los
residuos y su relación con la variable dependiente.

Cuando la variable dependiente es cuantitativa (por ejemplo, el número de especies) y la relación

entre ambas variables sigue una línea recta, la función es del tipo y= c + bx, en donde c es el
intercepto o valor del punto de corte de la línea de regresión con el eje de la variable dependiente
(una medida del número de especies existente cuando la variable ambiental tiene su mínimo valor)
y b es la pendiente o coeficiente de regresión (la tasa de incremento del número de especies con
cada unidad de la variable ambiental considerada). Si la relación no es lineal pueden transformarse
los valores de una o ambas variables para intentar linearizarla. Si no es posible convertir la relación
en lineal, puede comprobarse el grado de ajuste de una función polinomial más compleja. La
función polinomial más sencilla es la cuadrática (y= c + bx + bx2) que describe una parábola, pero
puede usarse una función cúbica u otra de un orden aun mayor capaz de conseguir un ajuste casi
perfecto a los datos. Cuando la variable dependiente se expresa en datos cualitativos (presencia-
ausencia de una especie) es aconsejable utilizar las regresiones logísticas (y= [ exp (c + bx)] / [ 1 +
exp (c + bx)] ). Buenos ejemplos del uso de regresiones logísticas para predecir la distribución de
una especie pueden encontrase en Walker (1990), Osborne & Tigar (1992) y Parker (1999).

Naturaleza
La regresión es una herramienta fundamental para realizar pronósticos.

En términos generales se puede decir que el análisis de regresión esta relacionado con el estudio
de la dependencia de una variable, la variable dependiente, de una o más variables adicionales, las
variables explicativas con la perspectiva de estimar y/o predecir el valor (poblacional) medio o
promedio de la primera en términos de valores conocidos o fijos de las segundas

Se podrá utilizar el análisis de regresión siempre que pensemos que se puede explicar una variable
en función de otras. Nótese que implícitamente estamos definiendo una relación causal entre las
variables que estamos utilizando, pero de esto hablaremos más adelante. Veamos algunos
ejemplos en los que podemos utilizar el análisis de regresión.

• Un economista puede estar interesado en estudiar la dependencia que existe entre los
gastos personales de consumo y el ingreso personal real o disponible después de impuestos. Este
tipo de análisis puede ser de gran ayuda para estimar la propensión marginal a consumir, es decir,
el cambio promedio en los gastos de consumo ante una variación de una unidad en el ingreso real.
• Un monopolista que puede fijar el precio o la cantidad (pero no ambos factores), puede
estar interesado en averiguar la respuesta de la demanda de un producto ante cambios en el
precio. Este experimento permite la estimación de la elasticidad precio (es decir, la respuesta a
variaciones en el precio) de la demanda de un producto y puede ayudar a determinar el precio que
maximiza las ganancias de una empresa.
 • Un profesional en economía laboral puede estar interesado en estudiar la relación existente
entre el porcentaje de cambio en los salarios monetarios o nominales y la tasa de desempleo. Se
podrá predecir el cambio promedio en los salarios dada cierta tasa de desempleo. Dicho
conocimiento puede ser de gran ayuda para realizar...

Características

El psiquiatra y licenciado en filosofía Dr. Raymond Moody propone en uno de sus proyectos, una
investigación científica sobre las regresiones del cual se deriva su libro Coming back
(Regresiones), ciertas características que puede reunir una experiencia de regresión 1 bajo un
estado de total relajación o hipnosis. Son las siguientes:

1. Suelen ser visuales.

2. Parecen tener vida propia (el sujeto no parece tener que pensar qué viene después de
cada escena).
3. Las imágenes que se ven resultan familiares (a pesar de que no las hemos vivido en esta
supuesta vida actual).
4. El sujeto se identifica en las escenas con uno de los personajes.
5. Pueden "volver" a sentirse las emociones de esa supuesta vida pasada (alegría, dolor,
hambre, etcétera).
6. Los hechos que se ven pueden ser vistos desde dos perspectivas: en primera persona
(dentro del personaje, como si fuéramos nosotros realmente) y en tercera persona (desde
algún punto de la escena, pero reconociéndonos siempre con alguno de los personajes
que vemos).
7. A menudo se reflejan aspectos de la vida "actual" del sujeto.
8. Tras una regresión pueden notarse a veces mejorías del estado mental (curaciones de
fobias, depresiones, etcétera).
9. Pueden a veces curar enfermedades (este puede derivar del anterior; notar mejorías en
dermatitis, asmas, etcétera).
10. Las regresiones van apareciendo durante una sesión según su significado, sin seguir una
línea temporal (por ejemplo, podemos visualizar ser primero un personaje medieval y,
después, en otra regresión, ser un romano del siglo I).
11. Es más fácil sumergir al sujeto en una regresión cuantas más veces haya sido regresado.
12. La mayor parte de esas supuestas vidas pasadas son mundanas (no de personajes
importantes de la historia, aunque así se hubiese creído).

2) METODOLOGIA DE LA ECONOMETRIA

Aunque existen diversas escuelas de pensamiento sobre metodología econométrica, a

continuación se presenta la metodología clásica, que predomina en la investigación empírica en
economía y en los campos relacionados.

En términos generales, la metodología de la econometría tradicional se realiza dentro de los

siguientes lineamientos:

 Planteamiento de la teoría o de la hipótesis.

 Especificación del modelo matemático de la teoría.
 Especificación del modelo econométrico de la teoría.
 Obtención de datos.
 Estimación de los parámetros del modelo econométrico.
 Prueba de hipótesis.
 Pronóstico o predicción.
 Utilización del modelo para fines de control o de política.
Debido a diversos factores o prejuicios que afectan el trabajo econométrico la mayoría de los
economistas, usualmente siguen secuencias ad-hoc para la construcción de modelos. Esto es, se
prueba una serie de ecuaciones que comienza con una forma funcional simple a la cual se le
introducen o eliminan otras variables con base en criterios exclusivamente estadísticos
(significancia, bondad de ajuste, etc.). En los últimos años, algunos autores han considerado que
tales procedimientos pueden conducir a conclusiones espurias. Proponen como alternativa
iniciar la serie de pruebas con base en un modelo lo más general posible (que incluya o "encajone"
las diferentes hipótesis teóricas) y posteriormente investigue qué tanto puede simplificarse dicho
modelo, siguiendo procedimientos legítimos. En este artículo se utiliza el
caso de la demanda de dinero en el Reino Unido para realizar un ejercicio que muestra las
bondades del método propuesto.

3) PUNTO DE VISTA SOBRE EL MODELAMIENTO ECONOMÉTRICO.

La econometría, igual que la economía, tiene como objetivo explicar una variable en función de
otras. Esto implica que el punto de partida para el análisis econométrico es el modelo económico y
este se transformará en modelo econométrico cuando se han añadido las especificaciones
necesarias para su aplicación empírica. Es decir, cuando se han definido las variables (endógenas,
exógenas) que explican y determinan el modelo, los parámetros estructurales que acompañan a
las variables, las ecuaciones y su formulación en forma matemática, la perturbación aleatoria que
explica la parte no sistemática del modelo, y los datos estadísticos.
A partir del modelo econométrico especificado, en una segunda etapa se procede a la estimación,
fase estadística que asigna valores numéricos a los parámetros de las ecuaciones del modelo.
Para ello se utilizan métodos estadísticos como pueden ser: Mínimos cuadrados ordinarios,
Máxima verosimilitud, Mínimos cuadrados bietápicos, etc. Al recibir los parámetros el valor
numérico definen el concepto de estructura que ha de tener valor estable en el tiempo
especificado.
La tercera etapa en la elaboración del modelo es la verificación y contrastación, donde se someten
los parámetros y la variable aleatoria a unos contrastes estadísticos para cuantificar en términos
probabilísticos la validez del modelo estimado.
La cuarta etapa consiste en la aplicación del modelo conforme al objetivo del mismo. En general
los modelos econométricos son útiles para:

1. Análisis estructural y entender cómo funciona la economía.

2. Predicción de los valores futuros de las variables económicas.
3. Simular con fines de planificación distintas posibilidades de las variables exógenas.
4. Simular con fines de control valores óptimos de variables instrumentales de política
económica y de empresa.

El proceso de construcción de un modelo econométrico puede ser divido en tres fases, si bien el
proceso completo de trabajo con un modelo econométrico precisa de una continua mejora. En
general este proceso podemos dividirlo en:

1) Especificación
En la especificación se propone una forma matemática que relaciona la variable explicada con las
variables explicativas y la perturbación aleatoria. En determinadas ocasiones, como veremos en la
unidad siguiente, no es suficiente con especificar una única ecuación, y debemos irnos al campo
de los modelos multiecuacionales. Tal y como vimos, la referencia natural en esta fase son los
modelos económicos postulados por la teoría. Por tanto, debemos definir el número de ecuaciones
que explican el fenómeno, las variables que explican causalmente a la variable endógena y la
forma funcional que las relaciona. Con respecto a la perturbación aleatoria habrá que suponer, y
contrastar, sus propiedades estadísticas.

2) Estimación
La segunda fase consiste en la obtención de unas estimaciones numéricas para los parámetros de
la/s ecuación/es anteriormente especificadas. Disponemos de varios métodos para tal estimación.
Que apliquemos uno u otro depende, a nuestros efectos, de las propiedades que el fenómeno
presenta. Para estimar modelos uniecuacionales podemos recurrir a métodos como:
- Mínimos cuadrados ordinarios (MCO).
- Mínimos cuadrados generalizados (MCG).
- Máxima verosimilitud (MV).
En el caso de modelos multiecuacionales podemos atender a varios enfoques, lo cual, a su vez,
nos conducirá a métodos como:
- Mínimos cuadrados indirectos (MCI).
- Mínimos cuadrados en dos etapas (MC2E).
- Mínimos cuadrados de clase k (MCK).
- Máxima verosimilitud con información limitada (MVIL).
- Mínimos cuadrados en tres etapas (MC3E).
- Máxima verosimilitud con información completa (MVIC).

3) Contraste o validación
En la etapa de contraste se realiza una valoración de los resultados obtenidos, y ello desde dos
puntos de vista: desde un punto de vista económico, tenemos que comprobar que el modelo
describe adecuadamente el fenómeno que tratamos de cuantificar. Debemos comprobar si los
signos y magnitud de los coeficientes son acordes con lo dispuesto por la teoría económica. Desde
el punto de vista estadístico, disponemos de varios contrastes para verificar que se cumplen los
supuestos adoptados para la especificación y estimación del modelo. Además, disponemos de
contrastes para evaluar la fiabilidad estadística de nuestras estimaciones. Cuando el modelo no
supere satisfactoriamente esta fase, deberemos optar por un replanteamiento del mismo.
Deberemos optar por una nueva especificación, revisar los supuestos de partida, etc. Sólo cuando
el modelo supera esta fase es posible su utilización a efectos de simulación y predicción.

4) ERRORES DE ESPECIFICACIÓN

Uno de los supuestos del modelo de regresión es que está correctamente especificado, lo cual
implica que no existe sesgo o error de especificación, el cual puede ocurrir cuando se escoge la
forma funcional equivocada o por incluir variables que no deben estar en el modelo o excluir
variables que deben estar en el modelo.

Al especificar un modelo como el correcto, es probable que se cometan uno o más de los
siguientes errores de especificación:

- Omisión de una variable relevante

- Inclusión de una variable innecesaria

- Adopción de una forma funcional equivocada

- Errores de medición

Estos errores se cometen porque sabemos cuál es el modelo correcto, pero no podemos
implementarlo debido a que no se encuentra disponible la información necesaria. Otra razón
consiste en que se puede saber cuáles variables incluir en el modelo, pero no se sabe la forma
funcional exacta en que las variables deban aparecer en el modelo. Finalmente, frecuentemente un
error de especificación es realmente un error de una especificación equivocada, puesto que no
sabemos cuál es el verdadero modelo.

Consecuencias de los errores de especificación. Si excluimos una variable relevante del

modelo los coeficientes de las variables que se retienen son generalmente sesgadas e
inconsistentes, mientras que la varianza del error se estima en forma incorrecta y se invalidan los
procedimientos usuales de pruebas de hipótesis.

Al incluir una variable irrelevante en el modelo se obtienen estimadores insesgados,

consistentes, se estima correctamente la varianza de los errores y continúan siendo válidos los
métodos convencionales de pruebas de hipótesis. El único castigo por incluir una variable superflua
consiste en que las varianzas estimadas de los coeficientes son más grandes y, como resultado,
las inferencias sobre los parámetros son menos precisas.

En general, el mejor enfoque consiste en incluir solamente variables explicativas que, en términos
teóricos, influyan directamente sobre la variable dependiente y que no sean explicadas por otras
variables ya incluidas en el modelo.

Prueba de errores de especificación.

- Examen de los residuos. al examinar los residuos se obtiene un buen diagnóstico visual para
determinar la auto correlación o la heterocedasticidad. Pero estos residuos también se pueden
examinar, especialmente en los datos de corte transversal, para errores de especificación de
modelos tales como la omisión de una variable importante o una forma funcional incorrecta. Si de
hecho existen tales errores, una gráfica de los residuos presentará patrones específicos.
5) ERRORES DE MEDICIÓN

Medir significa comparar una magnitud de valor desconocido con una magnitud de
referencia de igual especie, previamente elegida, que se denomina unidad de medida. Es
decir podríamos resumir que Medir es determinar numéricamente una magnitud
comparándola con otra de su misma especie y de valor constante. A estas magnitudes se
les conoce como unidades y su materialización son los patrones de medida .El valor
verdadero es casi imposible de conocer. En la práctica puede tomarse como tal al hallado
a través de un muestreo estadístico de un gran número de mediciones, que se adopta
como valor verdadero convencional (Vvc), y el error correspondiente es el error absoluto
convencional
El error de medición se define como la diferencia entre el valor medido y el valor
verdadero. Afecta a cualquier instrumento de medición y pueden deberse a distintas
causas. Las que se pueden de alguna manera prever, calcular, eliminar mediante
calibraciones y compensaciones, se denominan determinísticos o sistemáticos y se
relacionan con la exactitud de las mediciones. Los que no se pueden prever, pues
dependen de causas desconocidas, o estocásticas se denominan aleatorios y están
relacionados con la precisión del instrumento.

Estos errores repetitivos pueden ser medidos en módulo y signo a través del contraste, que
es un ensayo consistente en comparar simultáneamente la indicación del instrumento con
la indicación de un instrumento patrón de la más alta calidad metrológica (cuya indicación
representa el valor verdadero convencional).