Introducción
En un mundo cada vez más interconectado, comprender los indicadores económicos es esencial para tomar decisiones informadas, ya sea en el ámbito empresarial, gubernamental o personal. Los modelos estadísticos nos permiten analizar estos indicadores, identificar patrones y prever tendencias futuras. Este artículo explora las herramientas matemáticas detrás del análisis económico, desde conceptos básicos hasta aplicaciones avanzadas.
Si deseas profundizar en los fundamentos matemáticos, te recomendamos nuestro artículo sobre Introducción a la Estadística.
Modelos de Regresión en Economía
Los modelos de regresión son fundamentales para entender la relación entre variables económicas. Por ejemplo, podemos modelar cómo el PIB de un país depende de la inversión extranjera y la tasa de desempleo.
Ejemplo 1: Regresión Lineal Simple
Supongamos que queremos modelar la relación entre el consumo ($C$) y el ingreso ($Y$) usando datos anuales. El modelo sería:
$$ C = \beta_0 + \beta_1 Y + \epsilon $$
Donde $\beta_0$ es el intercepto, $\beta_1$ la pendiente y $\epsilon$ el término de error.
Teorema 1: Mínimos Cuadrados Ordinarios
Los estimadores de $\beta_0$ y $\beta_1$ que minimizan la suma de errores al cuadrado están dados por:
$$ \hat{\beta}_1 = \frac{\sum (Y_i – \bar{Y})(C_i – \bar{C})}{\sum (Y_i – \bar{Y})^2} $$
$$ \hat{\beta}_0 = \bar{C} – \hat{\beta}_1 \bar{Y} $$
Demostración:
Minimizamos $S = \sum \epsilon_i^2 = \sum (C_i – \beta_0 – \beta_1 Y_i)^2$. Derivando respecto a $\beta_0$ y $\beta_1$ e igualando a cero obtenemos las ecuaciones normales, cuya solución son los estimadores dados.
Series Temporales en Economía
Muchos indicadores económicos se miden a lo largo del tiempo, requiriendo técnicas especializadas.
Ejemplo 2: Modelo AR(1)
Un modelo autorregresivo de orden 1 para el PIB ($Y_t$) sería:
$$ Y_t = c + \phi Y_{t-1} + \epsilon_t $$
Donde $|\phi| < 1$ para garantizar estacionariedad.
Teorema 2: Esperanza de un Proceso AR(1)
Para un proceso AR(1) estacionario, $E[Y_t] = \frac{c}{1-\phi}$.
Demostración:
Tomando esperanza a ambos lados: $E[Y_t] = c + \phi E[Y_{t-1}]$. Por estacionariedad, $E[Y_t] = E[Y_{t-1}] = \mu$. Resolviendo: $\mu = c + \phi \mu \Rightarrow \mu = \frac{c}{1-\phi}$.
Cointegración y Relaciones de Largo Plazo
Cuando series no estacionarias comparten una relación de equilibrio, decimos que están cointegradas.
Teorema 3: Representación de Granger
Si dos series $X_t$ e $Y_t$ son I(1) y cointegradas, existe un mecanismo de corrección de errores (MCE) de la forma:
$$ \Delta Y_t = \alpha + \beta \Delta X_t + \gamma (Y_{t-1} – \theta X_{t-1}) + \epsilon_t $$
Demostración:
Se sigue del Teorema de Representación de Granger, que establece que toda relación de cointegración puede expresarse como un MCE.
Ejercicios Resueltos
Ejercicio 1: Cálculo de Elasticidad
Dada la regresión $\ln C = 2 + 0.8 \ln Y$, interpreta el coeficiente.
Solución:
El coeficiente 0.8 indica que un aumento del 1% en el ingreso genera un aumento del 0.8% en el consumo (elasticidad ingreso del consumo).
Ejercicio 2: Pronóstico AR(1)
Para el modelo $Y_t = 2 + 0.6 Y_{t-1} + \epsilon_t$ con $Y_{100} = 10$, calcula $E[Y_{101}]$.
Solución:
$E[Y_{101}] = 2 + 0.6 \times 10 = 8$.
Ejercicio 3: Prueba de Raíz Unitaria
Explica cómo realizarías una prueba de Dickey-Fuller aumentada.
Solución:
1. Estimar $\Delta Y_t = \alpha + \beta t + \gamma Y_{t-1} + \sum \delta_i \Delta Y_{t-i} + \epsilon_t$
2. Contrastar $H_0: \gamma = 0$ (raíz unitaria) vs $H_1: \gamma < 0$
3. Comparar el estadístico t con valores críticos especiales.
Ejercicio 4: Mínimos Cuadrados
Dados los pares (1,2), (2,3), (3,5), estima la recta de regresión.
Solución:
$\bar{X} = 2$, $\bar{Y} = 3.33$
$\hat{\beta}_1 = \frac{(1-2)(2-3.33)+(2-2)(3-3.33)+(3-2)(5-3.33)}{(1-2)^2+(2-2)^2+(3-2)^2} = 1.5$
$\hat{\beta}_0 = 3.33 – 1.5 \times 2 = 0.33$
La recta es $Y = 0.33 + 1.5 X$
Ejercicio 5: Cointegración
Si $\ln P_t$ y $\ln Q_t$ son I(1) y $\ln P_t – 1.2 \ln Q_t$ es I(0), ¿qué implica?
Solución:
Las series están cointegradas con vector (1, -1.2), indicando una relación de largo plazo entre precios y cantidades.
Aplicaciones Prácticas
Estos modelos se aplican en:
- Pronóstico de variables macroeconómicas
- Evaluación de políticas públicas
- Modelamiento de mercados financieros
- Análisis de impacto económico
Para aplicaciones en finanzas, consulta nuestro artículo sobre Modelos Financieros Avanzados.
Conclusión
El análisis de indicadores económicos mediante modelos estadísticos proporciona herramientas poderosas para entender y predecir el comportamiento económico. Desde regresiones simples hasta modelos avanzados de series de tiempo, estas técnicas permiten extraer información valiosa de datos complejos. Los teoremas presentados establecen las bases teóricas, mientras que los ejercicios ilustran su aplicación práctica. El dominio de estos conceptos es esencial para cualquier profesional en economía, finanzas o políticas públicas.
«`