Los textos de Wooldridge forman parte de la mayoría de los estudios econométricos de posgrado en Estados Unidos. Son:
-
Introducción a la econometría: Un enfoque moderno, 6ª edición
-
Análisis econométrico de datos transversales y de panel, 2ª edición
Yo empezaría por la primera, a no ser que tengas mucha formación en estadística.
Espero que esto ayude,
Justin
econometría macroeconomía estadísticas r
EJEMPLOS ACTUALIZADOS: de ECONOMÍA INTRODUCTORIA por Jeffrey M. Wooldridge
Aunque mis textos sugeridos sobre Econometría fueron votados negativamente, a continuación se muestra cómo el libro de texto al que se hace referencia ilustra cómo los economistas pueden utilizar los métodos estadísticos para identificar y medir relaciones principales, retardadas y coincidentes entre los indicadores económicos.
Los primeros ejemplos son del capítulo 16 sobre Ecuaciones Simultáneas. Ejemplos 16.4 y 16.6 ilustran cómo utilizar Regresión de variables instrumentales por mínimos cuadrados en dos etapas para identificar y medir coincidente indicadores económicos. En este caso, la inflación anual desciende aproximadamente un tercio de un porcentaje por cada aumento del 1% de la cuota de las importaciones en el PIB.
El segundo es un ejemplo 18.8 del texto e ilustrar cómo autoregresivo $AR(1)$ y el vector autorregresivo $VAR(1)$ métodos de series temporales puede utilizarse para identificar y medir las relaciones intertemporales entre los indicadores económicos, en un intento de prever la tasa de desempleo futura utilizando las tasas de desempleo e inflación actuales.
Example 16.4: INFLACIÓN Y APERTURA
"Romer (1993) propone modelos teóricos de inflación que implican que los países más "abiertos" deberían tener tasas de inflación más bajas. Su análisis empírico explica las tasas medias de inflación anual (desde 1973) en función de la proporción media de las importaciones en el producto interior bruto desde 1973, que es su medida de apertura. Además de estimar Además de estimar la ecuación clave por MCO, utiliza variables instrumentales. Aunque Romer no especifica ambas ecuaciones en un sistema simultáneo, tiene en mente un sistema de dos ecuaciones:"
$$inf = \beta_{10} + \alpha_1open + \beta_{11}log(pcinc) + \mu_1$$
$$open = \beta_{20} + \alpha_2inf + \beta_{21}log(pcinc) + \beta_{22}log(land) + \mu_2$$
"donde $pcinc$ es la renta per cápita de 1980, en dólares estadounidenses, que se supone exógena, y $land$ es la superficie del país en millas cuadradas, que también se supone exógena. La primera ecuación es la que interesa, con la hipótesis de que $\alpha < 0$ . Las economías más abiertas tienen tasas de inflación más bajas".
"La segunda ecuación refleja el hecho de que el grado de apertura puede depender de la tasa de inflación media, así como de otros factores. La variable $log(pcinc)$ aparece en ambas ecuaciones, pero $log(land)$ se supone que sólo aparece en la segunda ecuación. La idea es que, ceteris paribus, es probable que un país más pequeño sea más abierto, por lo que $\beta_{22} < 0$ ."
"Utilizando la regla de identificación que se ha indicado anteriormente, se identifica la primera ecuación, siempre que $\beta_{22} \ne 0$ . La segunda ecuación es $not$ identificado porque contiene ambas variables exógenas. Sea que nos interesa la primera ecuación.
Example 16.6: INFLACIÓN Y APERTURA
"Antes de estimar la primera ecuación en 16.4 utilizando los datos en $openness$ comprobamos si $open$ tiene suficiente correlación parcial con la propuesta $IV$ , $log(land)$ . La forma reducida de regresión es:"
$$\widehat{open} = \beta_0 + \beta_{1}log(pcinc) + \beta_{2}log(land)$$
open_model <-lm(open ~ lpcinc + lland, data = openness)
summary(open_model)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 117.0845 15.8483 7.388 2.97e-11
lpcinc 0.5465 1.4932 0.366 0.715
lland -7.5671 0.8142 -9.294 1.51e-15
"El $t$ estadística sobre $log(land)$ es superior a nueve en valor absoluto, lo que verifica la afirmación de Romer de que los países más pequeños son más abiertos. El hecho de que $log(pcinc)$ es tan insignificante en esta regresión es irrelevante".
"Estimación de la primera ecuación mediante $log(land)$ como $IV$ para $open$ da:"
$$\widehat{inf} = \beta_0 + \beta_{1}open + \beta_{2}log(pcinc)$$
library(AER)
inflation_IV <- ivreg(inf ~ open + lpcinc | lpcinc + lland, data = openness)
summary(inflation_IV)
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 26.8993 15.4012 1.747 0.0835 .
open -0.3375 0.1441 -2.342 0.0210
lpcinc 0.3758 2.0151 0.187 0.8524
"El coeficiente de apertura es estadísticamente significativo en torno al nivel del 1% frente a una alternativa unilateral de $\alpha_1 < 0$ . El efecto también es importante desde el punto de vista económico: por cada punto porcentual de aumento de la proporción de las importaciones en el PIB, la inflación anual es aproximadamente un tercio de punto porcentual menor. A modo de comparación, la estimación OLS es de -0,215, $se = 0.095$ ."
Example 18.8: PREVISIÓN DE LA TASA DE DESEMPLEO DE ESTADOS UNIDOS
"Utilizamos el $PHILLIPS$ DATA, pero sólo para los años 1948 a 1996, para prever la tasa de desempleo civil de Estados Unidos para 1997. Utilizamos dos modelos. El primero es un modelo simple modelo AR(1) para $unem$ :"
$$\widehat{unemp_t} = \beta_0 + \beta_1unem_{t-1}$$
"En un segundo modelo, añadimos la inflación con un retraso de un año:"
$$\widehat{unemp_t} = \beta_0 + \beta_1unem_{t-1} + \beta_2inf_{t-1}$$
library(dynlm)
phillips <- ts(phillips, start = 1948)
unem_AR1 <- dynlm(unem ~ unem_1, data = phillips, end = 1996)
unem_inf_VAR1 <- dynlm(unem ~ unem_1 + inf_1, data = phillips, end = 1996)
stargazer(unem_AR1, unem_inf_VAR1, keep.stat=c("n","adj.rsq","ser")
=================================================================
Dependent variable:
---------------------------------------------
unem
(1) (2)
-----------------------------------------------------------------
unem_1 0.732 0.647
(0.097) (0.084)
inf_1 0.184
(0.041)
Constant 1.572 1.304
(0.577) (0.490)
-----------------------------------------------------------------
Observations 48 48
R2 0.554 0.691
Adjusted R2 0.544 0.677
Residual Std. Error 1.049 (df = 46) 0.883 (df = 45)
F Statistic 57.132 (df = 1; 46) 50.219 (df = 2; 45)
"La tasa de inflación retardada es muy significativa en el segundo modelo $(t \approx 4.5)$ y el R-cuadrado ajustado es mucho mayor que el de la primera. Sin embargo, esto no significa necesariamente que la segunda ecuación produzca una previsión mejor para 1997. Todo lo que podemos decir hasta ahora es que, utilizando los datos hasta 1996, un retraso de la inflación ayuda a explicar la variación de la tasa de desempleo."
"Para obtener las previsiones para 1997, necesitamos saber $unemployment$ y $inflation$ en 1996. Son 5,4 y 3,0, respectivamente. Por lo tanto, la previsión de $unem_{1997}$ de la primera ecuación es $1.572 + .732(5.4)$ o alrededor de $5.52$ . La previsión de la segunda ecuación es $1.304 + 0.647(5.4) + 0.184(3.0)$ o alrededor de $5.35$ . La tasa de desempleo civil real para 1997 fue de $4.9$ por lo que ambas ecuaciones sobreestiman la tasa real. La segunda ecuación sí proporciona una previsión algo mejor".
