Martin Econometrics: Econometría y Aplicaciones

¿Cómo eliminar el efecto COVID de las variables económicas?  WP N° 0612-2022-IEL/COVID Mg. José-Manuel Martin Coronado Gerente de Estudios Económicos, EMECEP Consultoría Económica Docente Principal, Instituto de Econometría de Lima 1.- Introducción.-  El COVID ha generado un gran problema para el trabajo con series de tiempo, imposibilitando en muchos casos la inclusión de los años 2020 y 2021, en las estimaciones econométricas. Sin embargo, a través de diversas técnicas, desde sencillas hasta avanzadas es posible eliminar esta distorsión, de tal manera que la variables económica se observe de manera contrafáctica, es decir, como si el COVID no hubiese ocurrido.   A continuación se presentarán dos metodologías básicas para la transformación de una serie con efecto covid y sin efecto covid: 1) Método de calibración de una variable dummy covid y 2) Método de estimación de la variable dummy covid.  2.- Metodología general.-  No obstante, en ambos casos, la premisa de ecuación es básicamen

La multicolinealidad siempre ha sido un problema, pero, como es obvio, no es un problema binario sino de grado. Un gran predictor de la multicolinealidad es la correlación que pudieran tener las variables explicativas. Sin embargo, existe un atenuante: el ruido que pudiera tener esa relación bivariable. Las relaciones económicas no son exactas, tanto las principales como las accesorias. El nivel de ruido puede afectar la predictibilidad de la multicolinealidad problemática, o incluso crear falsos negativos.  A partir de un ejercicio de simulación se realizó el siguiente modelo: (1)      x 1,t = a 0  + a 1 t + a 2  x 1,t-1  + a 3 e x1,t   (2)      x 2,t  = b 0  + b 1 x 1,t + b 2 e x2,t (3)      y t  = c 0  + c 1 x 1,t  + c 2  x 2,t  + c 3 ey ,t Puede observarse claramente la relación entre las variables explicativas en este caso ( x 2  = f( x 1 ) ), y ello claramente tendrá un impacto en la variable endógena. A través de la técnica de funciones compuestas o anidadas se puede simplific

Algunas ideas sobre el estado actual de la microeconomía aplicada (microeconometría) Christopher Ruhm La inferencia causal se ha convertido en el paradigma dominante en el que se centran muchos microeconomistas aplicados y, creo, lo que muchos piensan que es la microeconomía aplicada (al menos en el trabajo, el sector público, la salud, el crimen, la educación, etc.). La inferencia causal es enormemente importante para comprender los efectos de muchas políticas u otros “tratamientos”, después del hecho, pero a menudo es mucho menos útil para entender cómo hacer una buena política, por adelantado. Por ejemplo, la inferencia causal puede tener un valor limitado para diseñar un buen programa de capacitación o una nueva política de apoyo a los ingresos, particularmente cuando la política es diferente a lo que hemos visto antes. Esta es una crítica común de aquellos que hacen modelos estructurales, pero creo que estos modelos a menudo tampoco son tan útiles. Lo que se necesita son enfoques

Mg. José-Manuel Martin Coronado Instituto de Econometría de Lima  EMECEP Consultorías Económicas Es sabido que en econometría, los problemas econométricos no son binarios (existe o no existen), sino que son un problema de grado. Si bien las pruebas de hipótesis, y los valores críticos, permiten identificar los problemas estadísticos, éstos en realidad nos dicen si tales son significativos (relevantes) o "insignificantes". Un problema muy común en la econometría es la autocorrelación, que es básicamente la correlación estadística entre los errores. Se dice estadística, pues conceptualmente los errores siempre pueden estar correlacionados, pero no es sino cuando se convierte en realidad numérica que genera un problema en el modelo.  Desde un enfoque económico, también puede decirse que las variables se encuentran relacionadas consigo mismas en el tiempo, lo cual dio vida al concepto de modelo autoregresivo, luego los modelos ARIMA y posteriormente a los modelos de vectores auto