Microeconometría

Concepto

La microeconometría es la rama de la econometría que permite modelizar, desde un punto de vista optimizador y estocástico, las decisiones individuales de los agentes así como las relaciones que se establecen entre ellos. En este sentido, la microeconometría podría definirse como aquella parte de la econometría que permite estimar y contrastar hipótesis sobre el comportamiento microeconómico de los agentes.

Introducción

La microeconometría pretende, mediante el uso combinado de la microeconomía y los métodos econométricos, ser capaz de estimar relaciones causales que modelicen el comportamiento económico de agentes individuales. A modo de ejemplo, un modelo microeconométrico simple puede ser la estimación de una ecuación de salarios a partir de los datos de sección cruzada de una Encuesta de Salarios correspondientes a distintos individuos:

ln (w_i) = γ₀ + γ₁ Edad_i + γ₂ Estudios_i + γ₃ Sexo_i + γ₄ Exper_i + u_i

En esta ecuación se explica la evolución del salario de los individuos (w_i) en función de sus características personales. Para no complicar el ejemplo se ha especificado una función semilogarítmica lineal, donde los coeficientes asociados representan semielasticidades (cambios porcentuales en el salario frente a cambios unitarios en las variables independientes). Además se han omitido términos cuadráticos e interacciones entre variables independientes, habitualmente presentes en estas ecuaciones, en aras de la simplicidad. Debido a las hipótesis simplificatorias realizadas, este modelo puede ser estimado por el método de mínimos cuadrados ordinarios habitual en la econometría tradicional.

En los modelos microeconométricos con un nivel más alto de sofisticación, la especificación de las ecuaciones a estimar se obtiene a partir de la modelización explícita del comportamiento optimizador de los agentes, lo cual conlleva, en una gran mayoría de casos, la aparición de modelos no lineales que han de estimarse por técnicas alternativas como máxima verosimilitud o método generalizado de momentos.

Clasificación de modelos microeconométricos

El modelo anteriormente especificado es un ejemplo clásico de modelización de datos de sección cruzada, donde se dispone de una base de datos de n individuos (habitualmente procedentes de encuestas) y se quiere explicar la evolución de una variable cuantitativa en función del resto de características individuales.

Modelos de elección discreta

En algunas ocasiones, la variable a explicar no es de carácter cuantitativo (como era el caso de los salarios) sino de carácter categórico. Por ejemplo, imaginemos que un analista está interesado en explicar los determinantes de la decisión de comprar un coche y el modelo que plantea es el siguiente:

Y_i = f (Renta_i, DistTrabajo_i, TranspPubl_i, u_i)

Donde la variable Y_i es dicotómica (no compra o compra) y sólo puede tomar dos valores (0 o 1), mientras que las variables independientes pueden ser continuas o categóricas y corresponden a características individuales que pueden influir en la decisión de compra.

Debido a la peculiaridad de la variable dependiente Y_i, estos modelos no se estiman con las técnicas de regresión lineal habituales, por lo cual hacen falta técnicas específicas que permitan modelizar y estimar la probabilidad de compra subyacente en el agente según sus características. Para el caso de variables dicotómicas, según la especificación que se haga de la función de distribución del ruido estocástico en la relación, el modelo a estimar puede ser Logit o Probit siendo ambos no lineales. Estos modelos son fácilmente extensibles al caso donde la variable dependiente categórica incluye más de dos alternativas denominándose entonces Logit o Probit multinomiales.

Modelos con variable dependiente ordinal

En algunas ocasiones la variable dependiente a modelizar es discreta, pero se puede establecer un orden entre los valores que toma la variable. Por ejemplo, imaginemos que se quiere modelizar la opinión que sobre un determinado plan municipal tienen los habitantes de una ciudad y las alternativas de respuesta son cuatro: malo, regular, aceptable y muy bueno. Si se quiere explicar, mediante un modelo econométrico, el nivel de aceptación del plan municipal a partir de otras variables hay que tener en cuenta que, aunque no son cuantitativas, existe un orden entre las alternativas. Para estimar y contrastar este tipo de modelos se han desarrollado técnicas específicas como los Logit y Probit Ordenados (Logit y Probit Ordered).

Modelos con variable dependiente censurada

En algunas ocasiones, los procesos de decisión a modelizar implican tanto una decisión categórica en una primera etapa como, posteriormente, la modelización de una variable continua. Un ejemplo sencillo podría ser la modelización individual de la demanda de tabaco, donde la primera decisión sería fumar o no; posteriormente, entre los fumadores, sería posible estimar la cantidad de tabaco demandada en función de otras características. A este tipo de distribuciones también se les denomina censuradas ya que hay una parte de la población para la cual no se dispone de datos (en nuestro ejemplo, los no fumadores) lo cual influye de forma decisiva en la función de distribución del ruido de los modelos y las técnicas necesarias para estimarlo. Aunque hay una amplia variedad de modelos de este tipo, la mayor parte de las aplicaciones se centran en los denominados modelos Tobit.

Modelos con datos de panel

La principal característica de los paneles de datos es la introducción de la dinámica en las decisiones de los individuos. Se define un panel de datos como una base de datos de n individuos a lo largo de T instantes de tiempo (un ejemplo sencillo puede ser la observación de las mismas personas en una encuesta de salarios a lo largo de 5 años). La inclusión del tiempo en la observación de los individuos hace que se precisen nuevas técnicas que permitan recoger tanto la heterogeneidad individual como la inercia temporal presente en las decisiones individuales.

Sin ánimo de ser exhaustivos, la riqueza de estos datos ha permitido la proliferación de nuevos modelos como los modelos de efectos fijos (donde la heterogeneidad entre individuos está incluida en el intercepto o término constante de la ecuación), modelos de efectos aleatorios (donde la heterogeneidad entre los individuos está incluida en el término de perturbación de la ecuación) y modelos de paneles dinámicos que incluyen la especificación de relaciones con variables en distintos instantes temporales. Todo ello ha conllevado la multiplicación de métodos de estimación distintos a los tradicionalmente utilizados en el análisis de regresión.