La regresión en la econometría es una de las herramientas más utilizadas para estudiar la relación entre diferentes variables económicas. Permite analizar cómo cambia una variable cuando otra variable, o varias, presentan modificaciones.
Por ejemplo, podemos preguntarnos:
¿Cómo influye el precio de un producto sobre la cantidad demandada?
¿Qué relación existe entre los ingresos y el consumo de una familia?
¿Cómo afecta la experiencia laboral al salario?
¿Qué relación existe entre la inversión y el crecimiento económico?
¿Cómo pueden utilizarse determinados datos para estimar un resultado económico?
Para responder preguntas de este tipo, la econometría utiliza modelos matemáticos y estadísticos. Entre ellos, uno de los más importantes es el modelo de regresión.
En este artículo explicaremos de manera sencilla qué es la regresión econométrica, cuáles son sus tipos, qué elementos intervienen, cómo se interpreta y cuáles son sus principales aplicaciones.
¿Qué es la regresión en econometría?
La regresión econométrica es un método estadístico utilizado para estudiar y cuantificar la relación entre una variable dependiente y una o más variables independientes.
En términos sencillos, busca responder una pregunta:
¿Cómo se relaciona una variable con otra u otras variables?
Por ejemplo, imaginemos que queremos estudiar la relación entre los ingresos de una persona y su nivel de consumo.
Podemos considerar:
Ingreso → variable independiente
Consumo → variable dependiente
El modelo intenta determinar cómo cambia el consumo cuando cambia el ingreso.
Es importante entender que encontrar una relación estadística entre dos variables no significa automáticamente que una sea la causa de la otra. La interpretación económica requiere considerar el modelo, los datos y otros factores que puedan influir en el resultado.
¿Para qué sirve la regresión econométrica?
La regresión tiene diferentes aplicaciones dentro de la economía, las empresas y la investigación.
Una de sus principales funciones es estimar relaciones económicas a partir de datos reales.
También puede utilizarse para:
analizar relaciones entre variables;
estimar parámetros económicos;
realizar predicciones;
evaluar determinadas hipótesis;
estudiar el comportamiento de consumidores y empresas;
analizar mercados;
apoyar investigaciones económicas;
medir determinados efectos cuando el diseño y los supuestos del modelo lo permiten.
Por ejemplo, una empresa puede analizar sus datos históricos para estudiar cómo se relacionan sus ventas con variables como el precio, la publicidad o el número de clientes.
Elementos de un modelo de regresión
Para comprender una regresión econométrica debemos conocer algunos conceptos fundamentales.
Variable dependiente
La variable dependiente es aquella cuyo comportamiento queremos explicar o estimar.
Generalmente se representa mediante la letra:
Y
Por ejemplo:
Y = ventas
Si queremos estudiar qué factores están relacionados con las ventas de una empresa, las ventas serían nuestra variable dependiente.
Variable independiente
Las variables independientes, también llamadas variables explicativas o regresores, son aquellas que utilizamos para explicar los cambios observados en la variable dependiente.
Pueden representarse mediante:
X₁, X₂, X₃...
Por ejemplo:
X₁ = precio
X₂ = inversión en publicidad
X₃ = número de clientes
La idea sería analizar cómo se relacionan estas variables con las ventas.
Error o término de perturbación
En los modelos económicos normalmente existen factores que no podemos observar o incluir completamente.
Por esa razón aparece un término de error, que suele representarse como:
u
Este componente recoge la influencia de factores no incluidos explícitamente en el modelo, además de otros elementos aleatorios según la especificación utilizada.
La ecuación de regresión
Una forma sencilla de representar una regresión lineal es:
Y = β₀ + β₁X + u
Donde:
Y = variable dependiente.
X = variable independiente.
β₀ = intercepto o constante.
β₁ = coeficiente de regresión.
u = término de error.
Cuando trabajamos con los valores estimados mediante una muestra, podemos escribir:
Ŷ = b₀ + b₁X
Esta expresión representa el valor estimado de Y a partir de X.
¿Qué significa el coeficiente de regresión?
El coeficiente de regresión es uno de los elementos más importantes para interpretar un modelo.
Supongamos que obtenemos:
Ŷ = 100 + 5X
En este ejemplo, el coeficiente de X es 5.
De manera simplificada, esto significa que un aumento de una unidad en X está asociado con un aumento de 5 unidades en el valor esperado o estimado de Y, según la interpretación del modelo.
Sin embargo, la interpretación exacta depende de las unidades utilizadas y de las características del modelo.
Por eso no debemos interpretar un coeficiente simplemente mirando si es positivo o negativo.
Regresión lineal simple
La regresión lineal simple estudia la relación entre una variable dependiente y una sola variable explicativa.
Su forma básica es:
Y = β₀ + β₁X + u
Imaginemos que queremos analizar la relación entre:
X = horas de estudio
Y = resultado obtenido en una evaluación
Podríamos construir un modelo que permita estudiar si existe una relación estadística entre ambas variables.
En una representación gráfica, los datos aparecerían como diferentes puntos y la regresión lineal permitiría calcular una línea que represente la relación estimada.
La línea de regresión no significa que todos los puntos deban ubicarse exactamente sobre ella. En los datos reales normalmente existen diferencias entre los valores observados y los valores estimados.
Regresión lineal múltiple
La regresión lineal múltiple utiliza dos o más variables independientes para explicar una variable dependiente.
Su forma general puede expresarse como:
Y = β₀ + β₁X₁ + β₂X₂ + β₃X₃ + u
Por ejemplo, una empresa podría analizar sus ventas utilizando:
Y = ventas
X₁ = precio
X₂ = publicidad
X₃ = número de clientes
Esto permite estudiar conjuntamente diferentes variables que pueden estar relacionadas con las ventas.
La regresión múltiple es especialmente útil porque los fenómenos económicos normalmente dependen de varios factores al mismo tiempo.
Ejemplo sencillo de regresión en economía
Imaginemos que un investigador quiere estudiar la relación entre el ingreso mensual de una familia y su gasto en alimentos.
Tiene información de diferentes hogares y establece:
Y = gasto mensual en alimentos
X = ingreso mensual
Después de analizar los datos obtiene un modelo hipotético:
Ŷ = 250 + 0,20X
¿Cómo podemos interpretarlo?
El modelo estima un gasto de 250 unidades cuando el ingreso es cero dentro de la estructura matemática del modelo, aunque esa interpretación puede no tener sentido económico fuera del rango observado.
El coeficiente 0,20 indica que, según este modelo, un aumento de una unidad en el ingreso está asociado con un aumento de 0,20 unidades en el gasto esperado en alimentos.
Este ejemplo es únicamente ilustrativo. En una investigación real habría que analizar la calidad de los datos, la especificación del modelo y los supuestos estadísticos.
Regresión y correlación: ¿son lo mismo?
No.
La correlación mide la intensidad y dirección de una asociación lineal entre dos variables.
La regresión, en cambio, permite especificar una variable dependiente y una o más variables explicativas y estimar una relación matemática entre ellas.
Por ejemplo:
Correlación: ¿qué tan relacionadas están X e Y?
Regresión: ¿cómo se relaciona Y con X y cómo podemos estimar Y a partir de X?
Ambas herramientas están relacionadas, pero cumplen funciones diferentes.
¿Qué es el método de mínimos cuadrados?
Uno de los métodos fundamentales para estimar una regresión lineal es el método de mínimos cuadrados ordinarios, conocido como MCO u OLS por sus siglas en inglés.
La idea general consiste en elegir los coeficientes del modelo de manera que se minimice la suma de los cuadrados de las diferencias entre los valores observados y los valores estimados.
Estas diferencias reciben el nombre de residuos.
En términos sencillos:
Residuo = valor observado − valor estimado
Por ejemplo, si una observación real es 500 y el modelo estima 470:
Residuo = 500 − 470 = 30
El análisis de los residuos es importante para evaluar el comportamiento del modelo.
¿Qué es el R² en una regresión?
El coeficiente de determinación R² es una medida utilizada para describir qué proporción de la variabilidad de la variable dependiente está asociada con los valores ajustados por el modelo, bajo la definición habitual de R².
Su valor suele encontrarse entre 0 y 1 en determinados modelos con constante.
Por ejemplo:
R² = 0,80
puede interpretarse, bajo la definición usual, como que el modelo explica el 80 % de la variabilidad de la variable dependiente respecto a la media, según la muestra y especificación consideradas.
Pero existe una advertencia importante:
Un R² elevado no demuestra por sí mismo que un modelo sea correcto ni que exista una relación causal.
La calidad de una regresión debe evaluarse considerando muchos otros aspectos.
¿Qué es un residuo?
Un residuo es la diferencia entre el valor observado de la variable dependiente y el valor estimado por el modelo.
Podemos expresarlo como:
eᵢ = Yᵢ − Ŷᵢ
Si una empresa registró ventas de S/10 000 y el modelo estimó S/9 500:
Residuo = S/10 000 − S/9 500
Residuo = S/500
Los residuos permiten estudiar qué tan cerca están las estimaciones de los valores observados y ayudan a detectar determinados problemas en el modelo.
Importancia de la regresión en la econometría
La regresión tiene un papel central en la econometría porque permite conectar teoría económica, datos y métodos estadísticos.
Un economista puede plantear una hipótesis sobre el comportamiento de consumidores, empresas o mercados.
Después puede utilizar información disponible para construir un modelo y evaluar si los datos son compatibles con determinadas relaciones propuestas.
Por esta razón, la regresión aparece en numerosas áreas:
microeconomía, macroeconomía, finanzas, economía laboral, marketing, administración, investigación de mercados y análisis empresarial.
Aplicaciones de la regresión econométrica
Algunas aplicaciones habituales incluyen el análisis de:
Consumo
Estudiar cómo se relaciona el consumo con variables como el ingreso, los precios y otras características de los hogares.
Demanda
Analizar la relación entre la cantidad demandada y factores como el precio y otras variables relevantes.
Salarios
Investigar asociaciones entre salarios y características como educación, experiencia y ocupación.
Ventas
Analizar cómo se relacionan las ventas con precios, publicidad, temporadas u otras variables.
Finanzas
Estudiar relaciones entre variables financieras y económicas, dependiendo del modelo y los datos utilizados.
Crecimiento económico
Analizar relaciones entre crecimiento y diferentes variables económicas, sociales o institucionales.
Ventajas de utilizar modelos de regresión
Entre las principales ventajas encontramos que permiten:
trabajar con grandes cantidades de datos;
cuantificar relaciones entre variables;
comparar diferentes escenarios;
realizar estimaciones;
contrastar hipótesis;
resumir relaciones complejas mediante modelos matemáticos.
Sin embargo, estas ventajas dependen de que los datos y la especificación del modelo sean adecuados.
Limitaciones de la regresión econométrica
La regresión es una herramienta poderosa, pero no debe interpretarse como una respuesta automática a cualquier problema económico.
Un modelo puede producir resultados engañosos si existen problemas con los datos o con la forma en que se especificó.
Algunos problemas importantes son:
variables omitidas;
errores de medición;
multicolinealidad;
heterocedasticidad;
autocorrelación en determinados datos;
endogeneidad;
relaciones no lineales mal especificadas;
muestras poco representativas.
Además, una asociación estadística no necesariamente implica causalidad.
Por eso una buena investigación econométrica no consiste simplemente en ejecutar una regresión y observar los resultados. También requiere analizar los datos, los supuestos, la teoría económica y la interpretación de los resultados.
Regresión y causalidad
Este es uno de los conceptos más importantes para quienes comienzan a estudiar econometría.
Supongamos que encontramos que dos variables aumentan al mismo tiempo.
Eso demuestra que existe una asociación en los datos, pero no necesariamente que una variable sea responsable de la otra.
Puede existir una tercera variable que influya sobre ambas.
Por ejemplo, durante determinados períodos pueden aumentar simultáneamente las ventas de helados y el número de personas que visitan una playa.
No sería correcto concluir automáticamente que comprar helados provoca que las personas vayan a la playa.
Una posible explicación es que existe otra variable:
temperatura
La temperatura puede influir tanto en el consumo de helados como en las visitas a la playa.
Este ejemplo muestra por qué la interpretación económica debe ir más allá de observar simplemente un coeficiente.
Pasos básicos para realizar una regresión econométrica
Aunque una investigación econométrica puede ser bastante compleja, podemos resumir el proceso en varias etapas.
1. Plantear la pregunta
Primero debemos definir qué relación queremos estudiar.
2. Construir una hipótesis económica
Debemos establecer qué relación esperamos encontrar y por qué.
3. Obtener los datos
Necesitamos información adecuada para las variables que queremos analizar.
4. Especificar el modelo
Seleccionamos la variable dependiente y las variables explicativas.
5. Estimar los parámetros
Utilizamos un método estadístico apropiado, como mínimos cuadrados ordinarios en determinadas aplicaciones.
6. Analizar los resultados
Interpretamos los coeficientes y otras medidas relevantes.
7. Evaluar el modelo
Revisamos supuestos, residuos, posibles problemas estadísticos y la coherencia económica de los resultados.
8. Presentar las conclusiones
Finalmente explicamos qué muestran los datos y cuáles son las limitaciones del análisis.
Preguntas frecuentes sobre la regresión econométrica
¿Qué es la regresión en econometría?
Es un método estadístico que permite estudiar y cuantificar la relación entre una variable dependiente y una o más variables explicativas.
¿Qué diferencia existe entre regresión simple y múltiple?
La regresión simple utiliza una variable independiente, mientras que la regresión múltiple utiliza dos o más variables independientes.
¿Qué es una variable dependiente?
Es la variable cuyo comportamiento queremos explicar o estimar mediante el modelo.
¿Qué es una variable independiente?
Es una variable que se utiliza para explicar o estimar cambios en la variable dependiente.
¿Qué significa R²?
Es el coeficiente de determinación y permite evaluar, bajo la definición habitual, qué proporción de la variabilidad de la variable dependiente está asociada con el ajuste del modelo.
¿Una regresión demuestra causalidad?
No necesariamente. Una relación estadística puede reflejar asociación sin demostrar que una variable cause cambios en otra.
¿Para qué sirven los residuos?
Permiten analizar las diferencias entre los valores observados y los valores estimados por el modelo.
Conclusión
La regresión en la econometría es una herramienta fundamental para estudiar relaciones entre variables económicas utilizando datos.
Su utilidad va mucho más allá de calcular una ecuación. Una regresión permite transformar información económica en un modelo que podemos analizar, interpretar y utilizar para realizar estimaciones.
Sin embargo, los resultados deben interpretarse con cuidado. Un coeficiente estadísticamente significativo, un R² elevado o una relación entre dos variables no son suficientes por sí solos para establecer una conclusión causal.
La verdadera utilidad de la econometría aparece cuando combinamos teoría económica, datos de calidad, métodos estadísticos adecuados y una interpretación responsable de los resultados.