El principal objetivo de la tercera edición de Principios de Econometría es, como en las dos ediciones anteriores, ofrecer una introducción asequible a la teoría y técnicas de la econometría. Esta obra va dirigida a los estudiantes de economía, ciencias empresariales y máster en administración de empresas, así como a las ciencias sociales y conductistas en la que se utilizan técnicas econométricas, especialmente las del análisis de regresión lineal. El libro está diseñado para ayudar a los estudiantes a comprender las técnicas econométricas a través de amplios ejemplos, detenidas explicaciones y una amplia variedad de problemas. Tras las sugerencias de muchos alumnos y profesores, he reorganizado los temas analizados en el manual y ofrecido numerosos nuevos ejemplos. Cuando ha sido necesario también se han incluido los resultados de los programas informáticos. Expongo a continuación las características más notables de los diversos capítulos. La Parte I está compuesta ahora por cuatro capítulos, en vez de tres, que son los siguientes: El Capítulo 2 revisa los conceptos fundamentales de la probabilidad, las distribuciones de probabilidad y las variables aleatorias. Las nuevas incorporaciones de este capítulo son la introducción del diagrama de Venn, el teorema de Bayes, y la distinción entre función de probabilidad de masa (FPM) y función de densidad de probabilidad (FDP). Tanto en el capítulo como en sus ejercicios se presentan varios ejemplos nuevos. El Capítulo 3 analiza las características principales de las distribuciones de probabilidad, como: valor medio, varianza, covarianza, correlación, expectativa condicional, varianza condicional, asimetría y curtosis. El capítulo expone a continuación cómo se miden estas características en la práctica en determinado ejemplo, lo que lleva a un análisis de la media muestral, varianza muestral, covarianza muestral, correlación muestral, media condicional muestral y varianza condicional muestral, y asimetría y curtosis muestrales. Todos estos conceptos están profusamente ilustrados. El Capítulo 4 analiza cuatro importantes distribuciones de probabilidad que se utilizan extensamente en econometría, a saber: distribución normal, distribución de la t, distribución ji-cuadrado, y distribución de la F. Se analizan e ilustran en este capítulo las principales características de estas distribuciones. 
El Capítulo 5 analiza los temas gemelos de la estimación y la contrastación de hipótesis. Las principales ideas introducidas en este capítulo son: estimación de un punto y la estimación de un intervalo, estadístico de un test, distribución muestral del estadístico de un test, intervalo de confianza, error de tipo I, error de tipo II, propiedades de los estimadores, test de una y dos colas, hipótesis nula y alternativa, nivel de significatividad, y valor p. Todos estos conceptos se analizan e ilustran detenidamente. Las ideas introducidas en este capítulo son imprescindibles para el estudio de la econometría en el resto de la obra. La Parte II, compuesta por los capítulo 6 a 10, se ocupa del modelo de regresión lineal, la herramienta "del día a día" de la econometría. El Capítulo 6 analiza las ideas básicas de la regresión lineal en función del modelo lineal más sencillo, es decir, el modelo con dos variables, donde estudiamos el comportamiento de una variable, denominada dependiente, respecto a otra variable, la independiente o explicativa. Se hace una distinción crucial entre el modelo de regresión de la población y el modelo de regresión de la muestra, porque, en la práctica, tenemos una muestra, de alguna población. En este capítulo, mostramos cómo se estima el modelo de regresión de la población, a partir de los datos muestrales. El Capítulo 7 analiza el tema de la contrastación de hipótesis en el contexto de lo que se denomina generalmente el modelo de regresión lineal clásico (MRLC), que realiza varios supuestos simplificadores, cuya naturaleza y relevancia será estudiada detenidamente. El Capítulo 8 amplía el modelo de regresión lineal de dos variables a los modelos de regresión múltiple; es decir, modelos en los que hay más de una variable explicativa. Analizamos tanto la estimación como la contrastación de hipótesis en los modelos de regresión múltiple, trabajando aún en el marco del MRLC. El modelo de regresión lineal, ya sea de dos variables o multivariable, sólo requiere que los parámetros del modelo sean lineales; las variables del modelo no tienen por qué ser lineales ellas mismas. El Capítulo 9 analiza diversos modelos que son lineales en los parámetros (o que se puede hacer que lo sean), pero que no son necesariamente lineales en las variables. En este capítulo mostramos cómo y dónde se pueden utilizar estos modelos. Las variables explicativas incluidas en un modelo de regresión suelen ser de naturaleza cualitativa, como el género, el color y la religión. El Capítulo 10 muestra cómo se pueden medir estas variables, y qué papel desempeñan en los modelos con regresiones. La Parte III, compuesta por los Capítulos 11 a 14, analiza diversos aspectos prácticos del modelo de regresión lineal. El MRLC parte de varios supuestos simplificadores que, puede que no se cumplan, en una aplicación práctica. En esta parte intentamos averiguar qué es lo que ocurre si se incumplen uno o más de los supuestos del MRLC. Ya que uno de los supuestos del MRLC es que el modelo elegido en la práctica está correctamente especificado, la pregunta fundamental consiste en averiguar cuál es el modelo correcto. En el Capítulo 11, analizamos este tema con cierto detalle, fijando los primeros atributos de un "buen" modelo, y averiguando después las consecuencias de ajustar un modelo erróneo. Analizamos diversos tipos de errores de especificación del modelo. Uno de los supuestos del MRLC es que las variables explicativas introducidas en un modelo no están relacionadas linealmente. Si existe este tipo de correlación entre las variables explicativas, nos encontramos con un problema de multicolinealidad. En el Capítulo 12, analizamos las consecuencias de la multicolinealidad, que se suele encontrar frecuentemente en el análisis de regresión. Otro supuesto del MRLC es que el término de error del modelo de regresión lineal tiene una varianza constante (técnicamente, este supuesto es el de la homoscedasticidad). En los datos de sección cruzada es posible que no siempre se pueda mantener este supuesto. Si la varianza del error no es constante, estamos en una situación de heteroscedasticidad cuyas consecuencias analizaremos detenidamente en el Capítulo 13. Otro supuesto del MRLC es que el término de error del modelo de regresión lineal no está correlacionado con sus valores anteriores. Si existe esta correlación, estamos en un caso de autocorrelación. En el Capítulo 14 mostramos que es posible que no se cumpla este supuesto con datos de series temporales, y analizamos detenidamente las consecuencias de la autocorrelación. En los Capítulos 11 a 14 adoptamos un formato común: primero analizamos la naturaleza del problema; después vemos cuáles son sus consecuencias y, a continuación, analizamos las herramientas de diagnóstico utilizadas para detectar la presencia del problema para, finalmente, sugerir medidas que lo corrijan. La Parte IV analiza dos cuestiones avanzadas. El Capítulo 15 se centra en el tema de los modelos de ecuaciones simultáneas, y el Capítulo 16 analiza diversos modelos de regresión de una única ecuación. El material de estos capítulos puede ser algo avanzado para el principiante, por lo que el profesor puede decidir que sean material optativo. El Capítulo 15 sobre los modelos de regresión con ecuaciones simultáneas estudia situaciones en las que hay una interacción entre las variables, de forma que la diferencia entre una variable dependiente y otra independiente no suele estar clara. En estos casos, necesitamos métodos de estimación que vayan más allá de los métodos de mínimos cuadrados ordinarios utilizados habitualmente. El Capítulo 16 analiza varios temas en el campo cada vez más importante de la econometría con series temporales. En los datos de series temporales, el concepto esencial es el de series temporales estacionarias. En este capítulo analizamos el modelo logit, en el que la variable dependiente es una variable dummy que toma un valor de 1 ó 0. En el Capítulo 10 ya hemos visto cómo se pueden resolver los modelos con variables explicativas que son variables dummy. Sin embargo, a diferencia del Capítulo 10, cuando la variable dependiente es una variable dummy, se dan algunos problemas particulares, que analizamos explicando cómo se pueden resolver con el modelo logit, que se utiliza con frecuencia en la investigación aplicada.

REQUISITOS MATEMÁTICOS
Al presentar los diversos temas, hemos utilizado la mínima cantidad posible de álgebra matricial o cálculo matemático. Creo firmemente que se puede enseñar econometría al principiante de manera intuitiva, sin recurrir al álgebra matricial o al cálculo matemático. Además, no he ofrecido demostración alguna, a no ser que se pudiera comprender fácilmente, ya que una persona no especializada no tiene por qué estar sobrecargada con detalladas demostraciones. Por supuesto el profesor puede ofrecer las que sean necesarias si la situación así lo exige. Algunas de estas demostraciones se encuentran en Gujarati, Basic Econometrics (McGraw-Hill, 4.ª edición, 2003).

AYUDAS COMPLEMENTARIAS Y EL PLANTEAMIENTO PARA LA RESOLUCIÓN DE PROBLEMAS*
Los suplementos incluyen un Manual de Soluciones para el Alumno, con respuestas detalladas a las más de 300 preguntas y problemas al final de los capítulos. Los alumnos pueden comprarlo y es gratuito, para los profesores que adopten el manual, en un CD o en el Instructors Center de la página web. Además de ofrecer datos a los alumnos y soluciones a los profesores, el sitio web en www.mhhe.com/economics/gujaratiess3 incluye datos del texto en diversos formatos y valiosos vínculos para el alumno. Para el profesor hay soluciones a las preguntas y problemas del texto, y presentaciones en Powerpoint con gráficos del texto. Además del CD de datos que se ofrece con el texto, hay un CD de Eviews con una versión para el alumno de Eviews y los datos del problema en formato Eviews.

INFORMÁTICA Y ECONOMETRÍA
No se puede destacar bastante que lo que ha hecho que la econometría sea accesible para los principiantes es la disponibilidad de diversos programas informáticos estadísticos fáciles de utilizar. Los problemas ilustrativos de este manual se han resuelto utilizando programas informáticos de estadística como Eviews, EXCEL, MINITAB, y STATA. Es fácil encontrar versiones para los estudiantes de estos programas. Los datos publicados en el sitio web y en el CD se pueden leer en muchos programas informáticos estándar, como LIMDEP, RATS, SAS, y SPSS. En el Apéndice B mostramos los resultados de Eviews, EXCEL, MINITAB y STATA, utilizando un conjunto de datos común. Cada uno de estos programas tiene características exclusivas, aunque algunas de las rutinas estadísticas son bastante parecidas. CONCLUSIÓN En resumen, al escribir Principios de Econometría, mi objetivo primordial era presentar el maravilloso mundo de esta materia al principiante, de forma relajada pero formativa. Espero que el conocimiento obtenido con este manual sea de un valor duradero en la futura carrera profesional o académica del lector, y que los conocimientos aprendidos puedan ampliarse aún más leyendo obras más avanzadas y especializadas de econometría. Algunos de estos libros se pueden encontrar en las Referencias bibliográficas que se ofrece al final de éste.

AGRADECIMIENTOS
Mi mayor agradecimiento es para los siguientes revisores que han hecho sugerencias muy valiosas para mejorar la calidad de este libro: Jin Man Lee, University of Illinois, Chicago Houston Stokes, University of Illinois, Chicago Yin-Wong Cheung, University of California at Santa Cruz Harumi Ito, Brown University Donald Waldman, Colorado University at Boulder Reuben Kyle, Middle Tennessee State University Harvey D. Palmer, University of Mississippi Robert J. Gitter, Ohio Wesleyan University Stephen Stageberg, Mary Washington College Shady Khody, California State University at Pomona Necati Aydin, Florida A&M University Norman Swanson, Rutgers University Richard Startz, University of Washington Rachel Friedberg, Brown University Por su apoyo y ánimo constantes, me siento agradecido a los siguientes compañeros del Departamento de Ciencias Sociales de West Point: Brigadier General Daniel Kaufman Coronel Russ Howard Coronel Mike Meese Mayor Paul Kucik Mayor John Hansen Dudley Dean Dennis Smallwood Don Snider Estoy muy agradecido a Andrew Paizis por su ayuda en la preparación del Manual de Soluciones y a Jo May por su ayuda con el libro. Estoy en deuda con Lucille Sutton, mi editor en McGraw-Hill, por ayudarme con todas las ediciones de este manual. También estoy agradecido a Jackie Grabel, asistente editorial en McGraw-Hill, por mantenerme en el camino y ayudarme de muchas maneras. Estaría en falta si no reconociera mi deuda con Jan Nickels, mi editor de copias, por hacer un maravilloso trabajo al editar un manuscrito muy exigente, con todos los subíndices, supra-índices, símbolos, siglas y, cómo no, mi lenguaje coloquial. Finalmente, quiero dar las gracias a mi mujer Pushpa, y a mis hijas Joan y Diane, mi cuñada Sushila Buschi-Gidwani, mi cuñado Joseph Buschi, y mi yerno Charles Chesnut, por toda su ayuda entre bastidores, y por sus ánimos en la preparación de esta edición. Resulta difícil agradecer suficientemente el apoyo familiar.