término de error – error term

Término de Error

Primary Disciplinary Field(s): Estadística, Econometría, Modelos de Regresión

1. Definición Central

El término de error, a menudo denotado por $mu$ (mu) o $epsilon$ (épsilon) en la literatura econométrica y estadística, representa la discrepancia inherente entre el valor observado de una variable dependiente y el valor predicho o teórico según un modelo matemático o estadístico. En esencia, actúa como un cajón de sastre que encapsula todos los factores, variables y ruidos que afectan el resultado de interés, pero que no han sido explícitamente incluidos o medidos en el modelo formal. Esta definición subraya que el término de error no es simplemente un error de medición o un fallo del investigador, sino una parte integral e inevitable de la estructura de datos en las ciencias sociales y naturales.

Formalmente, en el contexto de un modelo de regresión lineal simple, la relación se expresa como $Y_i = beta_0 + beta_1 X_i + epsilon_i$. Aquí, $Y_i$ es la variable dependiente observada, $beta_0 + beta_1 X_i$ es el componente sistemático o determinístico (la parte que el modelo intenta explicar), y $epsilon_i$ es el término de error estocástico o aleatorio. La importancia de este término radica en su naturaleza probabilística: se asume que sigue una distribución de probabilidad específica, lo que permite la inferencia estadística sobre los parámetros del modelo ($beta_0$ y $beta_1$). Sin esta suposición probabilística sobre el error, los métodos de estimación y las pruebas de hipótesis carecerían de fundamento estadístico.

Es crucial entender que el término de error global refleja tres fuentes principales de variación no modelada. Primero, la omisión de variables relevantes, donde factores que realmente influyen en $Y$ no se miden o no se incluyen en $X$. Segundo, la incapacidad de medir con precisión la variable $Y$ o las variables $X$, introduciendo ruido de medición. Tercero, la propia aleatoriedad intrínseca del comportamiento humano o de los fenómenos naturales. Incluso si se conocieran todas las variables relevantes, siempre existiría un componente de incertidumbre o ruido blanco que el modelo nunca podría capturar perfectamente. Por lo tanto, el término de error es fundamental para reconocer los límites de la modelización determinística y para incorporar la naturaleza estocástica de la realidad.

2. Etimología y Desarrollo Histórico

El concepto de error y su tratamiento estadístico tiene sus raíces históricas en el estudio de la astronomía y la geodesia a finales del siglo XVIII y principios del XIX. Figuras como Carl Friedrich Gauss y Adrien-Marie Legendre estaban preocupadas por la mejor manera de combinar mediciones inconsistentes de fenómenos físicos. Fue en este contexto donde se formalizó el método de los Mínimos Cuadrados (OLS, por sus siglas en inglés), que buscaba minimizar la suma de los cuadrados de los errores (o desviaciones) entre las observaciones y la línea ajustada. Aunque inicialmente el enfoque estaba más en el “error de observación”, sentó las bases para el tratamiento formal del componente aleatorio.

El desarrollo del concepto moderno de término de error como un componente estocástico explícito dentro de la estructura de un modelo (y no solo como una desviación de la medición) se consolidó con el surgimiento de la estadística moderna y, crucialmente, de la Econometría a mediados del siglo XX. La econometría, que aplica métodos estadísticos a datos económicos, requiere modelos que manejen la complejidad y la falta de control experimental inherentes a los datos no experimentales. Autores como Ragnar Frisch y Jan Tinbergen formalizaron la necesidad de un término de perturbación aleatoria para reflejar la complejidad de los sistemas económicos.

La distinción entre el error de medición y el error de perturbación (o estocástico) se hizo vital. Mientras que el error de medición se refiere a imprecisiones en la recolección de datos, el término de error en un modelo de regresión (término de perturbación) se refiere a la influencia combinada de las variables omitidas y la aleatoriedad fundamental. La formalización de los Supuestos de Gauss-Markov por Andrey Markov proporcionó el marco teórico que justificaba el uso de Mínimos Cuadrados Ordinarios (MCO) como el Estimador Lineal Insesgado Óptimo (BLUE), siempre y cuando el término de error cumpliera ciertas propiedades estadísticas rigurosas, lo que elevó el estatus del término de error de una mera desviación a un elemento central de la inferencia estadística.

3. Supuestos Clásicos del Término de Error

Para que las estimaciones de los parámetros de regresión obtenidas mediante Mínimos Cuadrados Ordinarios (MCO) sean válidas, insesgadas y eficientes, el término de error debe satisfacer un conjunto de condiciones conocidas como los Supuestos Clásicos del Modelo de Regresión Lineal (SCMRL). Estos supuestos no son sobre los datos en sí, sino sobre la distribución y el comportamiento del componente no observable, el término de error. El cumplimiento de estos supuestos es lo que confiere validez a la inferencia estadística, como las pruebas t y F, y a los intervalos de confianza.

El primer y más fundamental supuesto es que el valor esperado del error es cero ($E[epsilon_i] = 0$). Esto significa que, en promedio, el error es neutral; no hay una subestimación o sobreestimación sistemática de $Y$. Si el error promedio no fuera cero, indicaría que el intercepto ($beta_0$) está mal especificado o que el modelo ha omitido alguna variable que debería estar incluida en el componente sistemático, lo que resultaría en estimadores sesgados.

El segundo supuesto clave es la Homocedasticidad, que establece que la varianza del término de error es constante para todas las observaciones ($text{Var}(epsilon_i) = sigma^2$). Si esta varianza no es constante (el caso de la heterocedasticidad), significa que la dispersión de los errores varía con el nivel de $X$. Aunque los estimadores de MCO siguen siendo insesgados en presencia de heterocedasticidad, dejan de ser eficientes (BLUE), y los errores estándar calculados serán incorrectos, invalidando las pruebas de significancia.

El tercer supuesto crítico es la ausencia de Autocorrelación (o correlación serial), que implica que los errores de diferentes observaciones son independientes entre sí ($E[epsilon_i epsilon_j] = 0$ para $i neq j$). Este supuesto es particularmente relevante en el análisis de series de tiempo, donde el error de un período puede influir en el error del período siguiente. La presencia de autocorrelación, al igual que la heterocedasticidad, no sesga los coeficientes MCO, pero sí invalida los errores estándar. Finalmente, aunque no es estrictamente necesario para el teorema de Gauss-Markov, el supuesto de Normalidad ($epsilon_i sim N(0, sigma^2)$) es esencial para realizar pruebas de hipótesis exactas en muestras pequeñas.

4. Distinción entre Error y Residual

Una fuente común de confusión en la estadística aplicada es la diferencia conceptual y práctica entre el término de error ($epsilon_i$) y el residual ($e_i$). Aunque a menudo se usan indistintamente en el lenguaje informal, son conceptos matemáticamente distintos. El término de error ($epsilon_i$) es la diferencia entre el valor observado $Y_i$ y el valor verdadero poblacional $E[Y_i | X_i]$ (el valor esperado de $Y$ dado $X$). Crucialmente, el término de error es una cantidad no observable, ya que el verdadero modelo poblacional y sus parámetros ($beta_0, beta_1$) son desconocidos.

En contraste, el residual ($e_i$) es la diferencia calculada entre el valor observado $Y_i$ y el valor estimado por el modelo de la muestra, $hat{Y}_i$ (el valor ajustado). El residual es, por definición, una cantidad observable y calculable. Una vez que el modelo ha sido estimado utilizando una muestra de datos, los valores $hat{beta}_0$ y $hat{beta}_1$ se utilizan para generar $hat{Y}_i = hat{beta}_0 + hat{beta}_1 X_i$, y el residual se calcula como $e_i = Y_i – hat{Y}_i$.

El residual es, por lo tanto, la estimación muestral del término de error poblacional. El análisis de los residuales es la herramienta principal que tienen los estadísticos y econometristas para diagnosticar si los supuestos hechos sobre el término de error no observable son plausibles. Por ejemplo, si se sospecha de heterocedasticidad, se examina el patrón de dispersión de los residuales graficados contra las variables predictoras o los valores ajustados. Si los residuales muestran un patrón sistemático (como una forma de cono), se infiere que el término de error poblacional no es homocedástico.

5. Orígenes del Término de Error Estocástico

El término de error estocástico surge de la combinación de factores que, aunque individualmente pequeños, tienen un impacto colectivo significativo en la variable dependiente. Su origen puede categorizarse en tres componentes fundamentales que justifican su tratamiento como una variable aleatoria con media cero.

El primer componente es la influencia de variables omitidas. En cualquier modelo de la realidad, es imposible incluir todas las variables que potencialmente afectan el resultado. Por ejemplo, al modelar los salarios en función de la educación, factores como la motivación individual, la calidad de la escuela o la suerte están ausentes. Si estas variables omitidas no están sistemáticamente correlacionadas con las variables incluidas (los predictores $X$), su efecto combinado se distribuye aleatoriamente y puede ser absorbido por el término de error. Si, sin embargo, una variable omitida está correlacionada con $X$, el modelo sufre de sesgo de variable omitida, y el error deja de tener una media condicional cero.

El segundo componente es el error de medición. Las variables observadas, tanto la dependiente ($Y$) como las independientes ($X$), rara vez se miden con perfecta precisión. Estos errores de medición, ya sea por fallos en la encuesta, errores de transcripción o imprecisiones instrumentales, se incorporan al término de error. Si los errores de medición son aleatorios y no sistemáticos, se integran en $epsilon_i$ sin sesgar los coeficientes de regresión, aunque pueden aumentar la varianza de las estimaciones. Si los errores de medición en $X$ son sistemáticos (error de medición en la variable predictora), esto puede llevar a la atenuación de los coeficientes (sesgo hacia cero).

Finalmente, el tercer componente es la aleatoriedad intrínseca. Muchos fenómenos, especialmente aquellos que involucran el comportamiento humano (como las decisiones de compra o las elecciones políticas), contienen un elemento de imprevisibilidad que no puede ser capturado por ninguna variable observable. Este ruido inherente, a menudo referido como “ruido blanco” o “perturbación pura”, asegura que incluso los modelos perfectamente especificados tendrán un componente de error. Este componente justifica la necesidad de utilizar métodos de inferencia probabilística en lugar de determinística.

6. Consecuencias de la Violación de los Supuestos

La violación de los supuestos del término de error tiene consecuencias directas y perjudiciales para la validez de los resultados econométricos y estadísticos. Estas violaciones no necesariamente invalidan el modelo, pero sí alteran las propiedades deseables de los estimadores MCO.

La violación del supuesto de Homocedasticidad (es decir, la presencia de heterocedasticidad) implica que la varianza de los errores no es constante. Esto hace que los estimadores MCO, aunque sigan siendo insesgados, dejen de ser los más eficientes (pierden la propiedad BLUE). Lo más grave es que las fórmulas estándar utilizadas para calcular los errores estándar de los coeficientes son incorrectas. Esto lleva a conclusiones erróneas sobre la significancia estadística, ya que las pruebas t y F no son fiables. La solución común es el uso de errores estándar robustos (como los de White), que corrigen la inconsistencia sin requerir la especificación correcta de la forma de la heterocedasticidad.

La violación del supuesto de ausencia de Autocorrelación es un problema grave, especialmente en datos de series de tiempo. Si los errores están correlacionados en el tiempo, la información de una observación anterior “se filtra” en la observación actual, violando la independencia de las observaciones. Al igual que con la heterocedasticidad, esto no sesga los coeficientes $hat{beta}$, pero subestima gravemente los errores estándar (haciendo que los resultados parezcan más significativos de lo que realmente son). Para abordar esto, se pueden utilizar métodos como el estimador de Newey-West para calcular errores estándar robustos a la autocorrelación y la heterocedasticidad, o bien, modelar explícitamente la estructura temporal del error (por ejemplo, con modelos ARMA).

Finalmente, la violación más seria es el sesgo de variable omitida, que ocurre cuando una variable importante que afecta a $Y$ se omite y, crucialmente, está correlacionada con una variable $X$ incluida en el modelo. En este caso, el supuesto de media condicional cero del error ($E[epsilon_i | X_i] neq 0$) se viola. Esto resulta en estimadores MCO que son sesgados e inconsistentes. A diferencia de la heterocedasticidad y la autocorrelación, que solo afectan la eficiencia y la inferencia, el sesgo de variable omitida afecta la interpretación fundamental de los coeficientes, ya que el efecto estimado de $X$ ahora incluye erróneamente el efecto de la variable omitida. La solución requiere métodos más avanzados, como la inclusión de la variable omitida (si es posible) o el uso de Variables Instrumentales.

7. El Término de Error en Modelos de Series Temporales

En el análisis de series de tiempo, el tratamiento del término de error es particularmente sofisticado debido a la dependencia temporal inherente de los datos. Si bien en los modelos de corte transversal (cross-sectional) el foco principal está en la heterocedasticidad y el sesgo de variable omitida, en las series de tiempo, la autocorrelación y la dinámica temporal del error se vuelven centrales.

En muchos modelos de series de tiempo, especialmente en los modelos ARIMA o ARMA, el término de error no se asume simplemente como ruido blanco, sino que se modela explícitamente para capturar la estructura de dependencia temporal. Por ejemplo, en un modelo autorregresivo (AR), la variable dependiente actual se explica por sus valores pasados, y el error remanente se espera que sea ruido blanco. Si el error no es ruido blanco, indica que la estructura de dependencia temporal no se ha capturado completamente.

Un concepto fundamental en este campo es el de un proceso de ruido blanco. Un proceso de ruido blanco es una secuencia de variables aleatorias que tienen media cero, varianza constante y son serialmente incorrelacionadas. En la modelización de series de tiempo, el objetivo principal es transformar o especificar el modelo de tal manera que el error resultante (el residual) se comporte como un ruido blanco. Si los residuales muestran autocorrelación significativa, esto es una señal de que el modelo está mal especificado y no ha capturado completamente la dinámica de la serie.

8. Lecturas Adicionales

• Regresión lineal (Wikipedia en español)
• Econometría (Wikipedia en español)
• Supuestos de Gauss-Markov (Wikipedia en español)
• Greene, W. H. (2018). Econometric Analysis. Pearson Education.
• Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach. Cengage Learning.