Modelo Restringido y No Restringido 4.1 Modelo Restringido
Es un modelo en el que se imponen restricciones sobre los parámetros.•Ejemplo: Y = Bo + BiX con B1 = 0. Esto fuerza una relación específica entre los parámetros.
Modelo No Restringido
No impone ninguna relación entre las confesiones (parámetros), los cuales se determinan claramente sin restricciones.•Ejemplo:V = Bo + A + B1X1 + BzX2 + 8 Donde B,, Be son los coeficientes.
Validez: Interna y Externa 5.1 Validez Interna
Es el grado en el que los resultados de un estudio reflejan una relación causal verdadera entre las variables dentro del contexto del propio estudio. •Ejemplo: Estimar el efecto de la educación sobre el salario, controlando adecuadamente variables como experiencia, género, etc.
Validez Externa
Es el grado en el que los resultados del estudio pueden generalizarse a otras poblaciones, entornos o momentos. •Ejemplo: Si un modelo que estudia la relación entre educación y salario en México también explica bien esta relación en Argentina.
Criterios de Selección de un Modelo Econométrico
Principio de Parsimonia
El modelo debe ser tan simple como sea posible, incluyendo solo las variables claves necesarias.
Identificabilidad
Cada parámetro del modelo debe tener un único valor estimado. El modelo debe permitir identificar claramente los coeficientes sin ambigüedad.
Bondad de Ajuste
El modelo debe tener una alta capacidad explicativa (ej. Rª alto), pero este criterio solo es útil si va acompañado de consistencia teórica.
Consistencia Teórica
Los signos y magnitudes de los coeficientes estimados deben ser coherentes con la teoría económica y las expectativas previas.
Poder de Predicción
El modelo debe tener capacidad para predecir correctamente los valores de la variable dependiente, no solo dentro de la muestra usada para estimarlo, sino también fuera de ella
(en nuevas observaciones).
Criterios de Información
Se utilizan para comparar modelos, penalizando a aquellos que incluyen demasiadas variables innecesarias (ej. Criterio de Akaike – AlC, Criterio de Schwarz – BIC).
Errores de Especificación Más Comunes 7.1 Omisión de Variable Relevante
Cuando se excluye del modelo una variable importante que afecta a la variable dependiente y está correlacionada con las variables incluidas.
Inclusión de una Variable Irrelevante
Se incluye una variable que no afecta a la variable dependiente.
Forma Funcional Incorrecta
El modelo usa una forma matemática inadecuada para representar la relación entre las variables (ej. Usar un modelo lineal cuando la relación es logarítmica).
Error de Medición
Las variables no se miden correctamente. • Ejemplo: Usar el ingreso declarado en vez del ingreso real.
Especificación Incorrecta del Término de Error
Se asume que el término de error tiene ciertas propiedades (como media cero o homocedasticidad) que no se cumplen en la realidad.
Endogeneidad
Ocurre cuando una o más variables explicativas están correlacionadas con el término de error.
Consecuencias de los Errores de Especificación
Estimadores Insesgados vs. Sesgados
Si la variable omitida está correlacionada con alguna variable incluida, los estimadores obtenidos serán sesgados e inconsistentes, ya que la variable incluida «absorbe» parte del efecto de la variable omitida.
Menor Bondad de Ajuste
El modelo pierde capacidad para explicar las variaciones que se producen en la variable dependiente.
Menor Validez Interna
Cuando un modelo tiene menor validez interna, significa que los resultados no pueden garantizar una inferencia causal fiable.
Menor Validez Externa
Se reduce la capacidad del modelo para generar resultados generalizables a otras poblaciones.
Multicolinealidad y Grados de Multicolinealidad
Definición y Grados
La distinguir el efecto individual de cada una sobre la variable dependiente. Grados:
Baja
Las variables presentan poca correlación.
Moderada
Alta
Las variables están fuertemente correlacionadas; los coeficientes se vuelven inestables y poco fiables, con errores estándar muy grandes.
Soluciones
-Aumentar el tamaño de la muestra de observaciones.
-Eliminar
-Transformar las variables (ej. Usar primeras diferencias o índices) con la esperanza de que las variables transformadas presenten correlaciones más bajas.
– Agrupar variables que estén altamente correlacionadas en un único índice o componente.