temas econometriap
DESCRIPTION
EconometriaTRANSCRIPT
-
7/17/2019 Temas EconometriaP
1/68
HIUSEF MOHAMED MOHAMED
2014
ECONOMETRIA
TEMARIO COMPLETO
-
7/17/2019 Temas EconometriaP
2/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
1
Tema 1: Introduccin a la Econometra
Econometra y modelos economtricos
Fases del mtodo economtrico
Componentes de un modelo economtrico
Naturaleza de la informacin utilizada en Econometra
1. Econometra y modelos economtricos
La Estadstica juega un papel importante en cualquier ciencia emprica
a la hora de estimular la formulacin de modelos y contrastarlos. En laciencia econmica este papel se hace especialmente importante hasta el
punto de que la necesidad de extender la Estadstica ha dado lugar al
nacimiento de una disciplina nueva que hoy goza de una gran vitalidad: la
Econometra.
La Econometra es una rama de la Economa que aglutina a la Teora
Econmica, las Matemticas, la Estadstica y la Informtica para estudiar y
analizar fenmenos econmicos. Puede decirse que constituye en s misma
una disciplina dentro de la Economa y a la vez una potente herramienta que
tanto los economistas como otros muchos investigadores sociales utilizan
para el estudio de sus problemas concretos. El principal propsito de la
Econometra es proporcionar un sustrato emprico a la Teora Econmica.
Una breve descripcin de la historia economtrica la puedes encontrar
en las lecturas recomendadas.
Definicin de Econometra
De entre las muchas definiciones existentes sobre la Econometra
destacara la siguiente:
La Econometra, usando la Teora Econmica, las Maten ticas y
La Inferencia Estadstica como fundamentos analticos, y los datos
Econmicos como la base informativa, proporciona una base para:
1. Modificar, refinar o posiblemente refutar las conclusiones en el
Cuerpo de conocimientos conocido como Teora Econmica.
2. Conseguir signos, magnitudes y afirmaciones de calidad para
-
7/17/2019 Temas EconometriaP
3/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
2
Los coeficientes de las variables en las relaciones econmicas,
De modo que esta informacin puede usarse como base para
La eleccin y toma de decisiones. Judge y otros (1985)
Modelo econmico y economtrico
Modelo econmico: Un modelo econmico es una representacin
simplificada de la realidad econmica mediante la expresin matemtica de una
determinada teora econmica.
Modelo economtrico: Un modelo economtrico es aquel modelo econmico
que contiene todos los elementos necesarios para ser estudiado desde un punto de
vista emprico. Es decir, un modelo econmico en el que se ha especificado el
tipo de relacin entre variables (en este curso lineal), el nmero de variables,
introduccin de la perturbacin aleatoria (para recoger el efecto de las variables
no incluidas fundamentalmente), etc.
As, por ejemplo, un modelo econmico es aquel en el que se especifica que
el consumo es una funcin de la renta:
Consumo = f (Renta).
Mientras el modelo economtrico ser aquel en el que se establece que la
relacin es lineal y se introduce la perturbacin aleatoria :
= + . +
2. Fases del mtodo economtrico
La elaboracin de un modelo econometrico se puede dividir en las siguientes
Fases:
Especificacin: En esta fase se propone la forma matemtica de la relacin
que liga las variables presentes en el modelo y la perturbacin aleatoria. Tambin
debe decidirse el nmero de ecuaciones y variables que forman el modelo. Todoello se realizar a partiendo de la Teora Econmica.
Estimacin: Esta fase consiste en la obtencin de valores numricos de las
cantidades constantes del modelo econometrico. Por tanto, ser a necesario
disponer de informacin emprica sobre el fenmeno (datos) y haber decidido el
mtodo de estimacin a usar.
Validacin: En esta fase se evalan los resultados obtenidos en la etapa
anterior para decidir si los mismos son o no aceptables tanto desde el punto de
vista de la teora econmica (magnitudes, signos, etc.) como desde el punto devista estadstico (validez del modelo).
-
7/17/2019 Temas EconometriaP
4/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
3
Explotacin: Si el modelo es aceptado, este puede ser usado para la
prediccin y contrastar la permanencia de la estructura estimada.
3. Componentes de un modelo economtrico
Las principales componentes de un modelo econometrico son:
Variables: Dentro de las variables podemos distinguir entre las variables
observables (aquellas de las que se disponen datos) y no observables (la
perturbacion aleatoria). Y dentro de las primeras tenemos a las variables
dependientes, explicadas o endgenas (aquellas que estn influidas por otras
variables) y variables independientes, explicativas o exgenas (aquellas que no
est influidas por otras).
Parmetros: Los parmetros son las cantidades fijas o constantes del modelo
economtrico que se desean estimar (los coeficientes de las variables y lavarianza de la perturbacin aleatoria).
Ecuaciones: Las relaciones entre las distintas variables se explicitar a
mediante una o ms ecuaciones.
4. Naturaleza de la informacin utilizada en Econometra
Los datos econmicos suelen ser de clases muy variadas, siendo los tipos
ms importantes los siguientes:
Datos de corte transversal: son un conjunto de datos formados por unidades(individuos, empresas, regiones, etc.) observados en un momento determinado
(da, mes, trimestre, ao, etc.). Por ejemplo, el consumo de varias familias en un
mes en concreto.
Datos de series temporales: son un conjunto de datos formado por
observaciones de una misma variable a lo largo del tiempo. Por ejemplo, el
consumo mensual de una familia a lo largo de todo un ao.
Datos de panel o longitudinales: son un conjunto de datos que combinan una
dimensin temporal con otra transversal. Por ejemplo, el consumo mensual de unconjunto de familias a lo largo de todo un ao.
Habr que atender al tipo de datos que se analicen ya que dependiendo de su
naturaleza se podrn aplicar unos u otros mtodos economtricos.
5. Lecturas recomendadas:
[1] Presentacin de la edicin espaola de Johnston, J. (1989). Mtodos de
Econometra. Ed. Vicens-Vives por A.G. Barbancho.
[2] Portillo, F. (2006). Introduccin a la Econometra. Logroo: autoedicin.
-
7/17/2019 Temas EconometriaP
5/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
4
6. Bibliografa
[1] Gujarati, D. (1997). Econometra. Ed. McGraw Hill. Captulo 1.
[2] Johnston, J. (1989). Mtodos de Econometra. Ed. Vicens-Vives. Presentacin de
la edicin en espaola por A.G. Barbancho.
[3] Uriel, E., Contreras, D., Molt o, M.L. y Peir o, A. (1990). Econometra. El
Modelo Lineal. Editorial AC. Captulo 1.
[4] Wooldridge, J.M. (2005). Introduccin a la Econometra: Un enfoque moderno.
Thomson. Captulo 1.
-
7/17/2019 Temas EconometriaP
6/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
5
Tema 2-3: El modelo Lineal General
Especificacin del modelo
Estimacin del modelo
Validacin del modelo
Explotacin del modelo
Ejemplos
1- Especificacin del modelo
Modelo lineal uniecuacional mltiple
El modelo lineal uniecuacional mltiple analiza la relacin lineal entre una
variable dependiente, Y, y ms de una variable independiente, ; i = 1,.., k; k>1ms un trmino aleatorio, u.
As, a partir de n observaciones para cada variable, el modelo puede ser
expresado como:
= + + + + + , = 1, , , (1)
Donde se ha considerado que hay trmino constante, es decir,
El objetivo ser estimar (es decir, obtener una aproximacin numrica)
aquellas cantidades constantes presentes en el modelo (1), as como la bondad de
la estimacin realizada. En primer lugar, se escribe dicho modelo para todas y
cada una de las observaciones:
= + + + + +
= + + + + +
.
= + + + + +
Que nos conduce a la siguiente forma matricial:
= . .+ ()
Dnde:
-
7/17/2019 Temas EconometriaP
7/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
6
Hiptesis del modelo
Consideraremos las siguientes hiptesis bsicas en el modelo lineal
uniecuacional mltiple:
El vector y se puede expresar como combinacin lineal de las
variables explicativas ms un vector de perturbacin.
La perturbacin aleatoria est centrada (!"#$= %& =1, . , eshomocedastica '("$ !"
$ ), 1, , e incorrelada
*, !" + $ %, - , , 1,. . . , . En tal
caso se dice que las perturbaciones son esfricas y se verifica que
!"$ / '( !" + $ ) + 0 .
La matriz X es no estocstica y de rango completo por columnas, es
decir, rg(X) = k (como consecuencia n > k y las columnas de X, es
decir, Xi, i = 1, . . . , n, son linealmente independientes).
No hay relacin entre variables independientes y la perturbacin aleatoria:
2- Estimacin del modelo
Estimacin mnimo cuadrtica de los coeficientes del modelo
Definiendo los errores o residuos, e, del modelo lineal uniecuacional mltiple
como la diferencia entre los verdaderos valores de la variable dependiente y su
estimacin, esto es
Donde 23 456 , siguiendo la premisa de minimizar la suma de los cuadrados
de los residuos.
-
7/17/2019 Temas EconometriaP
8/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
7
Se obtiene la estimacin del parmetro como:
Dicho mtodo recibe el nombre de mnimos cuadrados ordinarios, MCO, por
lo que los estimadores obtenidos a partir de dicho mtodo reciben el nombre de
estimadores de mnimos cuadrados ordinarios, EMCO.
Como consecuencias de dicha estimacin se verifica que:
Advirtase que:
Teorema de Gauss-Markov
Teorema 1 (Teorema de Gauss-Markov) Los estimadores de mnimos
cuadrados ordinarios son lineales, insesgados y ptimos (ELIO), es decir, tienen
varianza mnima entre la clase de los estimadores lineales e insesgados.
En efecto, por la forma de escribirse el estimador es evidente que es lineal.
As, llamando:
-
7/17/2019 Temas EconometriaP
9/68
-
7/17/2019 Temas EconometriaP
10/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
9
Adems,
En tal caso, puesto que podemos escribir con
se tiene que , y en tal caso:
, esto es ,
Y como es definida positiva: y en tal , y en tal caso:
Adems de los coeficientes de las variables independientes, hay en el modelo una
cantidad constante que habr que estimar: la varianza de la perturbacin aleatoria, .
Un estimador insesgado de es:
ya que
Para calcular dicho estimador se dispone de la expresin:
En consecuencia, la estimacin de la matriz de varianza-covarianzas de es:
3- Validacin del modelo
Bondad de ajuste: Coeficiente de determinacin
Una vez estimado el modelo lineal uniecoacional mltiple, es decir, una vez
obtenidas las estimaciones , el siguiente paso ser estudiar la calidad de
dichas estimaciones.
As, a continuacin, obtendremos el coeficiente de determinacin, que no es
ms que una medida para estudiar la bondad del ajuste lineal determinado por los
estimadores por mnimos cuadrados ordinarios.
-
7/17/2019 Temas EconometriaP
11/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
10
Dicho coeficiente de determinacin, que se denota por , se define como el
porcentaje de variabilidad explicada por el modelo. Por tanto, este se obtendr
como el cociente entre la variedad explicada por la estimacin y la total:
Como se observa, el coeficiente de determinacin queda expresado en funcin de
la suma de cuadrados explicados y los totales
Luego, teniendo en cuanta la descomposicin ,
se tiene que
Entonces, para calcular dicho coeficiente se dispone de la expresin:
Advirtase que, siempre que el modelo lineal tenga trmino independiente,el
coeficiente de determinacin varia entre 0 y 1. El valor 0 lo toma cuando la SCE
es nula y, por tanto, el modelo no es adecuado; mientras que toma el valor 1
cuando la SCR es nula y, por tanto, el modelo es adecuado.
Coeficiente de determinacin corregido
Puesto que a medida que vamos incluyendo variables en el modelo el
coeficiente de determinacin aumenta aunque las variables que incluyamos no
sean significativas, esto supone un problema.
El coeficiente de determinacin corregid ,viene a resolver este problema
del coeficiente de determinacin. Dicho coeficiente mide el porcentaje de
variacin de la variable dependiente (al igual que el coeficiente de determinacin)
pero teniendo en cuenta el nmero de variables incluidas en el modelo. Se define
como:
En cualquier caso, estas medidas de bondad del ajuste no deben de ser
sobrevaloradas. Obtener un o cercano a 1 no indica que los resultados sean
-
7/17/2019 Temas EconometriaP
12/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
11
fiables, ya que, por ejemplo, puede ser que no se cumpla alguna de las hiptesis
bsicas y los resultados no ser vlidos. Por tanto, estos indicadores han de ser
considerados como una herramienta ms a tener en cuanta dentro del anlisis.
Criterios de seleccin de modelo
Por otro lado, se podra pensar en usar el coeficiente de determinacin para
comparar distintos modelos. En tal caso, estos deben de tener la misma variable
dependiente ya que as tendrn la misma suma de cuadrados totales. Y an as,
habra que tener cuidado con el problema ya comentado: aumenta su valor al
aadir una nueva variante explicativa, sea cual sea su aportacin al modelo.
Para evitar tales problemas, a la hora de comparar modelos para elegir uno
de ellos se usan los criterios de seleccin de modelos. Ms concretamente,
estudiaremos los criterios de informacin de Akaike (AIC), el bayesiano de
Schwarz (BIC) y el de Hannan-Quinn (HQC)
Estos criterios se obtienen a partir de la suma de cuadrados de los residuos
y de un factor que penaliza la inclusin de parmetros .As, un modelo ms
complejo (con ms variables explicativas) reducir la suma de cuadrados de los
residuos pero aumentara el factor de penalizacin.
Utilizando estos criterios se escogera aquel modelo con un menor valor de
AIC, BIC o HQC.
Criterios de seleccin de modelos: AIC,BIC y HQC
Teniendo en cuenta que: , el criterio de
informacin de Akaike responde a la expresin: ,
el de Schwarz a: , y el de Hannan-Qinn:
.
Distribucin en el muestreo de los estimadores MCO
Introduciendo la hiptesis de que la perturbacin aleatoria sigue una distribucin
normal, esto es:
En consecuencia: .
sigue una distribucin normal ya que se puede expresar en funcin de
una normal:
Se tienen calculados el vector de medidas, y matriz de
varianzas-covarianzas,
Por otro lado, ya que
-
7/17/2019 Temas EconometriaP
13/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
12
simtrica, idempotente y con se
tiene que lo que se traduce en que
Contraste de un conjunto de hiptesis lineales
A continuacin abordaremos la especificacin de contrastes sobre un conjunto de
hiptesis lineales sobre los coeficientes del modelo. Concretamente, suponiendo
restricciones lineales independientes entre s:
Plantearemos contrastar la hiptesis nula donde
Usando la distribucin
rechazaremos la hiptesis nula al nivel de significacin si
donde es el punto de una de Senedecor de grados
de libertad que deja por debajo suyo una probabilidad
Casos particulares
-
7/17/2019 Temas EconometriaP
14/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
13
Un caso particular de suma importancia sera aquel en el que se desee contrastar la
hipotesis nula
En tal caso por lo que la distr-
ibucion anterior queda simplificada como
donde es el elemento de la matriz o lo que es lo mismo, es
el elemento de , esto es la varianza estimada de
Teniendo en cuenta que la raiz cuadrada de una F-Snedecor con 1y
Grados de libertad es una t-student con grados de libertad se tiene que
Y en tal caso rechazaremos al nivel de significacion si
donde es el punto de una distribucion tde student con grados
de libertad que deja por debajo suya una probabilidad
Este caso particular es de vital importancia cuando ya que ntonces estaremos
contrastando si el coeficiente de la variable independiente es o no nulo . De forma
que al rechazar dicha hipotesis tenemos garantizado que la variable ha de estar en el
modelo, por lo que sus variaciones influyen en la variable dependiente. En tal caso se
dice que dicha variable es significativa y que el contraste es un contraste de
significacin individual.
Mnimos Cuadrados Restringidos
En el caso en el que no se rechace la hiptesis nula , sera deseable
incorporar dicha informacin al modelo. En tal caso, se obtiene un nuevo estimador:
-
7/17/2019 Temas EconometriaP
15/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
14
que recibe el nombre
de mnimos cuadrados restringidos ya que se ha obtenido con la restriccin de que a
de verificar que
Dicho estimador es lineal, insesgado siempre que la hiptesis nula :
sea cierta y optimo. Es decir, el estimador por mnimos cuadrados
restringidos tiene menor varianza que el estimador mnimo cuadrtico ordinario siempre
y cuando la restriccin (hiptesis nula) sea cierta.
Luego, cuando una restriccin lineal sobre los coeficientes de las variables
independientes es cierta, el estimador por mnimos cuadrados ordinarios deja de ser
optimo y habr que usar el estimador por mnimos cuadrados restringidos.
Adems se verifica que:
Anlisis de varianza
El anlisis de la varianza aborda el contraste que tiene por hiptesis nula que
todos los coeficientes de las variables independientes son nulos simultneamente, esto
es,
Salta a la vista que estamos ante un caso particular de un contraste sobre k 1
restricciones lineales de los coeficientes de las variables independientes. En este caso,
rechazaremos la hiptesis nula al nivel de significacin si
Para calcular dicho estadstico se suele resumir la informacin anterior en una
tabla, conocida como tabla de anlisis de la varianza (tabla ANOVA) ya que en ella serecogen las fuentes de variacin de la varianza:
Advirtase que rechazar implica que hay al menos un coeficiente no nulo, por
lo que la relacin existente entre las variables independientes y la dependiente no se
debe al azar, lo cual valida el modelo en su conjunto.
-
7/17/2019 Temas EconometriaP
16/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
15
Por otro lado, sin ms que dividir la regin de rechazo por SCT tanto en el
numerador como en el denominador se obtiene la expresin equivalente:
La importancia de esta nueva expresin para la regin de rechazo es que permite
calcular una cota, sin ms que despejar , a partir de la cual el coeficiente de
determinacin es significativo. Esto es, el coeficiente de determinacin es significativo
al nivel de significacin si si
Intervalos de confianza
A partir de las distribuciones en el muestreo para los estimadores estudiados es
inmediato obtener los siguientes intervalos de confianza al nivel 1
Intervalo de confianza para
Intervalo de confianza para
donde son los puntos de una distribucin chicuadrado
con grados de libertad que dejan a su izquierda, respectivamente, una probabilidad
1
Una forma alternativa de contrastar hiptesis es usando los intervalos de
confianza. De manera que para contrasta se calculara la regin de
confianza para si rpertenece a dicha regin, no se rechazar a la hiptesis nula.
4- Explotacin del modelo
-
7/17/2019 Temas EconometriaP
17/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
16
Prediccin Puntual Optima
Una vez validado el modelo, la siguiente fase de un modelo economtrico es la
explotacin, siendo entonces la prediccin o la permanencia estructural algunos
de sus objetivos.
La prediccin se realiza desde dos puntos de vista: a) por un lado realizaremos
una prediccin puntual dando un nico valor de prediccin para un instante en concreto;
b) por otra parte, puesto que Yes una variable aleatoria, podemos calcular su esperanza
dado un valor en concreto de las variables independientes. Siguiendo las directrices
anteriores se llega a la misma expresin algebraica en ambos casos:
donde contiene los valores de las variables independientes
para los que se quiere obtener la prediccin.
Este predictor, , mnimo cuadrtico (ya que se obtiene a partir del estimador
por mnimos cuadrados ordinarios de es lineal, insesgado y optimo (en el sentido de
mnima varianza).
Prediccin por intervalo
En este apartado calcularemos el intervalo de confianza para el valor esperado
de Ydado , es decir, para
como se distribuye segn una normal (ya que est en funcin de y
, ya que es , ya que es insesgado.
se tiene que
Ahora bien, esta distribucin no es apta para hacer inferencia puesto que depende
de la cantidad desconocida . Para resolver este problema, tipificaremos la anterior
distribucin normal y la dividiremos entre la raz cuadrada de la siguiente distribucin
chicuadrado.
-
7/17/2019 Temas EconometriaP
18/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
17
dividida a su vez entre sus grados de libertad, obteniendo la siguiente distribucint-Student:
A partir de esta distribucin, el intervalo de confianza al nivel 1 para
donde es el punto de una distribucin de student con
grados de libertad que deja a su izquierda una probabilidad
Contraste de permanencia estructural
Al explotar el modelo mediante la prediccin se est presuponiendo que la relacin
estimada se mantiene para la informacin no presente en la muestra observada.
Para confirmar este aspecto, calcularemos el intervalo de confianza para Y dado
, de forma que si la nueva informacin pertenece a dicho intervalo, la estructura del
modelo estimado permanecer.
Partiendo de que
se llega de forma anloga a la anterior a la distribucin
donde Por tanto, el intervalo de confianza al nivel 1 para es :
-
7/17/2019 Temas EconometriaP
19/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
18
5- Ejemplos
Ejemplo 1
A continuacin vamos a realizar un anlisis exhaustivo del modelo
a partir de las siguiente informacin muestral:
En primer lugar calcularemos la estimacin por mnimos cuadrados ordinarios de
los coeficientes de las variables a partir de la expresin
A partir de la informacin muestral anterior es claro que:
de forma que :
-
7/17/2019 Temas EconometriaP
20/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
19
Y entonces a partir de la formula (3):
Es decir lo cual se traduce en la siguiente
estimacin del modelo considerado:
A partir de estas estimaciones es sencillo obtener las estimaciones de Y :
y los residuos del modelo:
-
7/17/2019 Temas EconometriaP
21/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
20
Desde un punto de vista terico, dichos residuos han de sumar cero, si bien en
este caso la suma del vector anterior es igual a 00016. De igual forma, a partir de
dichos residuos se puede obtener f fcilmente la estimacin de la varianza de la
perturbacin aleatoria, ya que por definicin:
donde es la suma de los cuadrados de los residuos, n el nmero de observaciones
del modelo y el nmero de variables presentes en el mismo. En este caso:
Otra forma equivalente de obtener la estimacin anterior es:
Puesto que
Es claro que
Y a partir de esta estimacin se puede obtener la estimacin de la matriz de varianzas-covarianzas de mediante:
que ser usada para calcular la regin de rechazo de los contrastes de significacin
-
7/17/2019 Temas EconometriaP
22/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
21
individual as como para los intervalos de confianza de cada coeficiente de la regresin.
Para medir la bondad del ajuste realizado mediante la estimacin anterior
calcularemos el coeficiente de determinacin:
Para la primera expresin de (7), teniendo en cuenta que:
Se tiene que
Adems en tal caso:
Mientras que para la segunda expresin:
A partir de este coeficiente podemos afirmar que el ajuste realizado permite
explicar un 97326301% de la variabilidad de la variable dependiente, que si bien se
encuentra muy prximo al 100%, ms adelante comprobaremos si es significativo y, por
tanto, si es suficiente para validar el modelo.
Una vez estimadas las cantidades constantes del modelo, a continuacin se
estudiar la validez del mismo a partir de:
contrastes de significacin individual.
contraste de significacin conjunta.
significacin del coeficiente de determinacin.
Para abordar los contrastes de significacin individual tendremos en cuenta que se
rechaza .
donde es el elemento de la matriz o, lo que es lo mismo,
es la raz cuadrada del elemento de la matriz
-
7/17/2019 Temas EconometriaP
23/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
22
conservando (6) es claro que
teniendo en cuenta que
se obtiene que :
Como es evidente, rechazamos y no rechazamos es
decir, la variable influye en mientras que la no lo hace. En tal situacin
se dice la segunda variable es significativa y que la tercera no es significativa.
Para el contraste de significacin conjunta se rechaza la
hiptesis nula si
donde es el punto de una F de Snedecor con grados
de libertad que deja a su izquierda una probabilidad 1
SCE denota
a la suma de cuadrados explicada y SCR a la suma de los cuadrados de los residuos
(cantidades que ya han sido calculadas con anterioridad al obtener el coeficiente de
determinacin).
En este caso, para calcular la regi on de rechazo recurriremos a la tabla ANOVA:
Y como es evidente que se rechaza la hiptesis
nula. Esto es, existe al menos un coeficiente que es no nulo de manera que entonces se
puede afirmar que hay algn tipo de asociacin (que no se debe al azar) entre las
variables independientes y la dependiente.
Para terminar con la validacin del modelo, estudiaremos si el coeficiente de
determinacin obtenido con anterioridad es significativo o no. Teniendo en cuenta que :
-
7/17/2019 Temas EconometriaP
24/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
23
la regin de rechazo anterior se puede expresar como:
y sin ms que despejar el coeficiente de determinacin, se obtiene que el modelo
es significativo si
Esto es, se tiene una cosa a partir de la cual el coeficiente de determinacin
es significativo.
Puesto que en este caso:
Recordemos que = 097326301, que claramente es significativo al ser superior
a la cota inferior de significacin Esto es, el coeficiente de
determinacin obtenido implica que el modelo es explicativo. Por todo lo anterior,
parece claro que el modelo es vlido y, por tanto, apto para la prediccin.
Supongamos ahora que se tiene nueva informacin para las variables
independientes y que se desea obtener una prediccin puntual y
por intervalo a partir de ella para la variable dependiente.
A partir de dicha informacin, la prediccin puntual optima ser:
Mientras que para la prediccin por intervalo ser necesario calcular:
-
7/17/2019 Temas EconometriaP
25/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
24
de forma que el intervalo de confianza para el valor esperado de Y ser:
y el intervalo de confianza para Y ser:
Adems, a partir de este ultimo intervalo (conocido como permanencia estructural), si se
sabe que acompaando a se tiene a puesto que este valor pertenece al
intervalo calculado, se puede afirmar (al nivel de confianza considerado) que la relacin
estimada para las variables se sigue verificando (permanece la estructura) para la nueva
informacin.
Por ultimo, con el objetivo de aplicar la estimacin con informacin a priori al
modelo considerado vamos contrastar la hiptesis nula As, en el
caso de no rechazarla obtendremos el estimador por mnimos cuadrados restringidos.
Como es sabido, se rechazar a la hiptesis nula si
Donde es el punto de una F de Snedecor con grados
de libertad que deja a su izquierda una probabilidad 1
A partir de se obtiene que de forma que
-
7/17/2019 Temas EconometriaP
26/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
25
Y en tal caso, , donde recordamos que
Por otro lado, puesto que, es evidente que no se
rechaza la hiptesis nula, es decir, no rechazo que los coeficientes de las variables
verifiquen la relacin
En tal caso, habr que incorporar dicha informacin al modelo con el fin de obtener
un mejor estimador (cuando se dispone de informacin a priori el estimador por
mnimos cuadrados ordinarios ya no es optimo). En esta situacin el estimador
insesgado con mnima varianza es el de mnimos cuadrados restringidos, el cual
responde a la siguiente expresin:
De la expresin anterior se conoce:
Faltando calcular
Entonces a partir de (8) se obtiene que:
A partir de esta estimacin es fcil comprobar que se obtiene:
-
7/17/2019 Temas EconometriaP
27/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
26
Ejemplo 2
Dado el modelo (9) donde: (9) donde:
Y es el consumo familiar mensual (medido en miles de euros).
X2 es la renta familiar mensual (medida en miles de euros).
X3es una variable ficticia que toma el valor 1 si la familia correspondiente
tiene una deuda en forma de un prstamo para la compra de una viviendao coche, y el valor 0 en caso contrario
X4 es el nmero de hijos de una familia
Se pide analizar el modelo sabiendo que para 22 familias se ha obtenido que:
En primer lugar obtendremos la estimacin de las cantidades constantes del modelo,
es decir, de
-
7/17/2019 Temas EconometriaP
28/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
27
Donde se ha usado que
Adems, a partir de la estimacin de se obtiene una estimacin para la matriz de
varianzas-covarianzas de
Esta matriz tiene importancia de cara a los contrastes de significacin individual
ya que entonces se usaran sus elementos de la diagonal principal. Pasamos a
continuacin a calcular la bondad del ajuste realizado, es decir, el coeficiente de
determinacin:
Como SCR = 15657 ya ha sido calculada en la estimacin de la varianza de la
perturbacin aleatoria, tan slo hay que calcular:
-
7/17/2019 Temas EconometriaP
29/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
28
donde se ha usado que a partir del primer elemento de
esto es, la estimacin realizada explica un 9353% de la variabilidad de Y .
Ahora bien, como es sabido, cuanto ms cercano al 100% mejor ser a el
coeficiente de determinacin y, por tanto, la estimacin realizada. Est en este caso
suficientemente cerca del 100% como para que la estimacin realizada sea
significativa?
Como respuesta afirmativa a esta pregunta, el coeficiente de determinacin ha de
ser superior a la siguiente cota:
donde se ha usado que F3,18(095) = 315991. Puesto que el R2obtenido es superior a
dicha cota inferior podemos afirmar que el coeficiente de determinacin es significativo,
es decir, valida al modelo.
Esta validacin del modelo se puede establecer tambin a partir del contraste de
significacin conjunta. Bajo el supuesto de normalidad en el modelo rechazaremos :
Para calcular la regin de rechazo y tomar una decisin en este contraste planteamos
la tabla ANOVA:
El nico elemento no calculado hasta el momento de la tabla anterior es SCE =
SCT SCR = 24214 15657 = 226483. En tal caso, se tiene para la regin de rechazo
que: 867747 > 315991 ,de forma que es evidente que se rechaza la hiptesis nula de
-
7/17/2019 Temas EconometriaP
30/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
29
que todos los coeficientes pueden ser nulos de forma simultnea. Por tanto, se tiene que
la relacin existente entre las variables independientes y la dependiente no se debe al
azar, validando el modelo.
Para finalizar estudiaremos los contrastes de significacin individual. Como es
sabido se rechazar la hiptesis
Donde es la raz cuadrada del elemento de la matriz y
En todos los casos se rechaza la hiptesis nula, lo que se interpreta como que las
variables X2, X3y X4son significativas.
Como es sabido, para llegar a estas conclusiones tambin se podran haber
obtenido los intervalos de confianza de cada coeficiente:
As por ejemplo, para el ultimo coeficiente se tiene que el intervalo de confianza
al 95% es: 02287 210092 00671 = (008772827, 03696717).
Como el cero no pertenece a dicho intervalo se concluir a que el coeficiente
correspondiente ser distinto de cero. El intervalo de confianza al 95% para el segundo
coeficiente es: 04862 210092 00387 = (04048944, 05675056). Al igual queantes se concluir que el coeficiente correspondiente ser a distinto de cero.
-
7/17/2019 Temas EconometriaP
31/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
30
Para finalizar con el clculo de intervalos de confianza, obtendremos a
continuacin el intervalo para la varianza de la perturbacin aleatoria:
Por todo lo expuesto hasta ahora se tiene que el modelo estimado es vlido y que
las variables de renta familiar, deuda y nmero de hijos influyen positivamente en el
consumo de las familias. Es decir, a mayor renta, deuda y nmero de hijo mayor
consumo familiar. Adems, al ser la variable correspondiente a la deuda una variable
ficticia, habremos estimado la diferencia esperada en el consumo familiar entre familias
con deuda y sin deuda con el mismo nivel de renta y nmero de hijos. En este caso se
obtiene que dicha estimacin es positiva, por lo que aquellas familias que tienen algn
tipo de deuda consumen ms que aquellas que no la tienen.
Ejemplo 3
Supongamos que adems del modelo del ejemplo anterior se tienen en cuenta estos
otros dos modelos:
de forma que para el modelo (12) se tiene la siguiente informacin:
mientras que para el modelo (13):
-
7/17/2019 Temas EconometriaP
32/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
31
Se pide seleccionar el modelo ms adecuado.
Para el modelo (9) se tiene que n = 22, k = 4 y SCR = 15657, por lo que:
Por tanto:
Para los modelos (12) y (13) seguirn siendo vlidos los valores de yt y, n y k,
sin embargo, habr que obtener la suma de cuadrados de los residuos de cadamodelo.
Para el modelo (12) se verifica que:
En tal caso
Para el modelo (13) se verifica que:
En tal caso
-
7/17/2019 Temas EconometriaP
33/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
32
Atendiendo a la informacin anterior (resumida en la siguiente tabla), podemos observar
que el modelo con menores valores para los criterios de seleccin es el (9). Por tanto,
nos quedaramos con este modelo a la hora de analizar el consumo familiar.
6- Lecturas recomendadas
[1] Salmern, R. y Garca, C. (2010). Experiencia docente en la asignatura de
Mtodos Cuantitativos para la Economa y la Empresa para su adaptacin
al Espacio Europeo de Educacin Superior. XXXII Congreso Nacional de
Estadstica e Investigacin Operativa. A Corua 14-17 septiembre 2010.
[2] Salmern, R., Lpez, M. y Garca, C. (2011). Uso de las Tics en la docencia
de la Econometra. XXV Congreso Internacional de Economa Aplicada -
ASEPELT, 8-11 junio 2011.
[3] Salmern, R. y Tamayo, J. (2012). Incidencia de la calidad en la produccin
explotacin y exploracin de las empresas. I International workshop on
Difusin
Process and Multivariate Analysis. Granada 6 Julio 2012.
[4] Salmern, R. (2012). Entorno de programacin R y la econometra: funcin
MUM (online).
[5] Novales, A. (1993). Economertia. McGraw Hill. Captulo 1 (repaso
matrices).
Puedes encontrarlas en la direccin web:
http://www.ugr.es/local/romansg/material/WebEco/index.html
7- Bibliografa
-
7/17/2019 Temas EconometriaP
34/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
33
[1] Esteban, M.V., Moral, M.P., Orbe, S., Regulez, M., Zarraga, A. y Zubia, M.
(2009).Econometra bsica aplicada con Gretl. Sarriko-On, Universidad del
Pas Vasco. Captulos 2, 3, 4 y 7.
[2] Gujarati, D. (1997).Econometra. Ed. McGraw Hill. Captulos 2, 3, 4, 5 y 7.
[3] Johnston, J. (1989).Mtodos de Econometra. Ed. Vicens-Vives. Captulos
2, 4, 5 y 6.
[4] Novales, A. (1993).Econometra . McGraw Hill. Captulos 3 y 4.
[5] Uriel, E., Contreras, D., Molt, M.L. y Peir o, A. (1990).Econometra. El Modelo
Lineal. Editorial AC. Captulos 2, 3, 4, 5, 6 y 8.
[6] Wooldridge, J.M. (2005).Introduccin a la Econometra : Un enfoque moderno.
Thomson. Captulos 2, 3, 4 y 6, y Apndices.
-
7/17/2019 Temas EconometriaP
35/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
34
Tema 4 Multicolinealidad
Concepto y causas
Multicolinealidad exacta: efectos
Multicolinealidad aproximada: efectos
Deteccin de la Multicolinealidad
Soluciones al problema de multicolinealidad
1.
Concepto y causas
Multicolinealidad
El problema de multicolinealidad consiste en la existencia de relaciones lineales
entre dos o ms variables independientes del modelo lineal uniecuacional mltiple.
Dependiendo de cmo sea dicha relacin lineal hablaremos de multicolinealidad
perfecta o aproximada.
Las principales causas que producen multicolinealidad en un modelo son:
relacin causal entre variables explicativas del modelo.
escasa variabilidad en las observaciones de las variables independientes.
reducido tamao de la muestra.
En definitiva, la multicolinealidad suele ser un problema muestral que se
presenta normalmente en datos con el perfil de series temporales.
As, por ejemplo, la edad y la experiencia suelen presentar una alta relacin
ya que ambas evolucionan conjuntamente: a mayor edad se presupone mayor
experiencia. Por tal motivo ser difcil separar el efecto de cada una sobre la variable
dependiente y que se produzca multicolinealidad debido a la relacin causal existente
entre dichas variables (series temporales).
Supongamos ahora que nos pasan una encuesta donde hay que valorar las
siguientes afirmaciones en una escala de 1 a 5 donde 1 significa que estamos totalmente
en desacuerdo y 5 totalmente de acuerdo:
Seguro que saco un 10 en Econometra.
No me gusta la Econometra.
-
7/17/2019 Temas EconometriaP
36/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
35
Para la primera afirmacin, variable que llamaremosX, tendremos valores
concentrados alrededor del 1, mientras que para la segunda, que llamaremos Y,
obtendremos valores alrededor del 5. Por tanto, tendramos dependencia lineal ya que
Estas variables se podran usar en un modelo donde la variable dependiente es la
calificacin obtenida en la asignatura de Econometra: X podra ser un indicio de la
calificacin esperada e Ydel grado de afinidad a la materia.
Como se puede observar, la multicolinealidad de este ejemplo se debe a
problemas con las observaciones disponibles (escasa variabilidad o reducido tamao de
la muestra). Por tanto, si se es capaz de mejorar estos problemas muestrales se evitar la
presencia de multicolinealidad entre dichas variables.
2. Multicolinealidad exacta: efectos
La multicolinealidad exacta o perfecta hace referencia a la existencia de una
relacin lineal exacta entre dos o ms variables independientes.
Dicho tipo de multicolinealidad se traduce en el incumplimiento de una de las
hiptesis bsicas del modelo uniecuacional mltiple: la matriz X no es de rango
completo por columnas, esto es,
El incumplimiento de dicha hiptesis no permite invertir la matriz , por lo
que el sistema normal es compatible indeterminado, es decir, es
imposible obtener una solucin nica para (hay infinitas).
Qu hacer ante esta situacin? Evidentemente no se podrn estimar los
coeficientes de las variables independientes, sin embargo, si se podr estimar una
combinacin lineal de los mismos. Y en tal caso no tenemos garantizado que se puedan
recuperar a partir de estas las estimaciones de los parmetros originales.
Ejemplos
Consideremos el modelo donde entonces
sin ms que sustituir en el modelo original:
obtenemos que las combinaciones lineales estimables de los parmetros originales son:
-
7/17/2019 Temas EconometriaP
37/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
36
3. Multicolinealidad aproximada: efectos
La multicolinealidad aproximada hace referencia a la existencia de una relacin
lineal aproximada entre dos o ms variables independientes.
En este caso, no se incumplir a la hiptesis bsica de que la matriz X sea
completa por columna s ,por lo que se podr invertir y obtener los
estimadores por mnimos cuadrados ordinarios. Sin embargo, el determinante de
Ser muy prximo a cero, porque tendera a tener valores altos .
En consecuencia, cuando existe un problema de multicolinealidad no perfecta
se presentan los siguientes problemas:
las varianzas de los estimadores son muy grandes.
al efectuar contrastes de significacin individual no se rechazar a la hiptesis
nula, mientras que al realizar contrastes conjuntos si.
los coeficientes estimados sern muy sensibles ante pequeos cambios en los
datos.
un coeficiente de determinacin elevado
4. Deteccin de Multicolinealidad
Basarse en los sntomas enumerados anteriormente para la deteccin de la
multicolinealidad no es un procedimiento fiable ya que es subjetivo.
Por tal motivo, para la deteccin de la multicolinealidad usaremos los mtodos:
Numero de condicin
Factor de agrandamiento de la varianza
El nmero de condicin, se define como la raz cuadrada del cociente entre el
auto valor ms grande de y el ms pequeo Esto es:
Si dicho nmero de condicin toma un valor entre 20 y 30 estamos ante un problema
de multicolinealidad probable y se considera seguro si supera 30.
El factor de agrandamiento de la varianza, FAV, se define para cada uno de los
coeficientes como:
donde es el coeficiente de determinacin obtenido al efectuar la regresin de
sobre el resto de las variables independientes del modelo.
-
7/17/2019 Temas EconometriaP
38/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
37
El FAV se interpreta como la razn entre la varianza observada y la que habr sido en
caso de que estuviera incorrelacionada con el resto de variables independientes del
modelo, es decir, muestra en qu medida se agranda la varianza del estimador como
consecuencia de la relacin de los regresores. Valores del FAV superiores a 10 hacen
pensar en la posible existencia de multicolinealidad en el modelo.
5. Soluciones al problema de Multicolinealidad
Soluciones
Algunas de las posibles soluciones al problema de multicolinealidad son las siguientes:
mejora del diseo muestral extrayendo la informacin mxima de la
variables observadas. eliminacin de las variables que se sospechan son causantes de la
multicolinealidad.
en caso de disponer de pocas observaciones, aumentar el tamao de la
muestra
utilizar la relacin extramuestral que permita realizar relaciones entre los
parmetros (informacin a priori) que permita estimar el modelo por
mnimos cuadrados restringidos.
Por otro lado, algunos autores sugieren tratar el problema de la multicolinealidad de
forma mecnica y puramente numrica proponiendo una tcnica conocida como
regresin alomada. Sin embargo, esta tcnica tiene dos problemas importantes:
es arbitraria y los estimadores obtenidos no son interpretables.
Lecturasrecomendadas
[1] Salmern, R. y Gmez, S. (2012). Relacin entre los factores institucionales y el
emprendimiento: anlisis mediante tcnicas cuantitativas. Revista de Mtodos
Cuantitativos para la Economa y la Empresa, Nmero 13, Paginas54-72.
[2] Novales, A. (1993).Econometrical. McGraw Hill. Captulo 1 (obtencin de auto
valores de una matriz).
Puedes encontrarlas en la direccin web:
http://www.ugr.es/local/romansg/material/WebEco/index.html
-
7/17/2019 Temas EconometriaP
39/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
38
Bibliografa
1] Gujarati, D. (1997).Econometrical. Ed. McGraw Hill. Captulo 8.
[2] Novales, A. (1993).Econometra. McGraw Hill. Captulo 10.
[3] Uriel, E., Contreras, D., Malt, M.L. y Peir, A. (1990).Econometra. El Modelo
Lineal. Editorial AC. Captulo 7.
-
7/17/2019 Temas EconometriaP
40/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
39
Tema 5 Heteroscedasticidad
Naturaleza del problema
Causas y consecuencias de la heteroscedasticidad
Procedimientos de Deteccin
Estimacin en los modelos con heteroscedasticidad
1. Naturaleza del problema
Heteroscedasticidad
En el modelo lineal general, se supone que la perturbacin aleatoria es talque lo cual implica que :
( Varianza constante=
homocedasticidad)
Cuando se incumple el supuesto de homocedasticidad, es decir, la varianza no es
constante sino que vara con la observacin se dice que hay
heteroscedasticidad.
Consideramos entonces el modelo lineal general
tal que es una matriz diagonal con
no constante.
Advirtase que en este caso se dice que el modelo tiene una matriz de
varianzas-covarianzas no escalar o con perturbaciones no esfricas (ya que la matriz de
varianzas-covarianzas de la perturbacin aleatoria ya no es igual al producto de una
constante por la matriz identidad).
Ejemplo: (Novales-Econometra)
Este problema aparece especialmente cuando se disponen de datos de seccincruzada,
es decir, cuando se disponen de observaciones que miden una variableen un momento
determinado para distintas entidades (individuos, familias, empresas, etc.).
-
7/17/2019 Temas EconometriaP
41/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
40
As, por ejemplo, en un modelo de consumo en funcin de los ingresos,
es esperable que aquellas familias con mayores ingresos tengan mayor
varianza que aquellas otras con ingresos inferiores. Esto es debido a que tienen un
mayor excedente sobre el que decidir qu parte ahorrar y cual gastar.
Parecida interpretacin se puede realizar sobre un modelo que estudie los dividendos
que reparte una empresa a partir sus beneficios, Las empresas
con mayores beneficios tendrn mayor margen al fijar su poltica de dividendos, por lo
que es esperable que la varianza de la perturbacin aleatoria dependa del nivel de
beneficios de cada empresa .
2. Causas y consecuencias de la heteroscedasticidad
Causas de la heteroscedasticidad
Las principales causas de la presencia de heteroscedasticidad en un modelo lineal
mltiple son:
Naturaleza del fenmeno: en situaciones en las que se disponen de datos de
seccin cruzada (como las del ejemplo anterior: consumo de bienes de lujo e ingresos
familiares, poltica de dividendos y ganancias empresariales o poltica de inversin y
ganancias empresariales) es factible la presencia de heteroscedasticidad.
Usar datos agregados: cuando las observaciones de la variable dependiente
pueden dividirse en grupos (por ejemplo, una persona que reside en una provincia, un
grupo de empresas que pertenecen a un mismo sector, etc.) y se usan como datos los
promedios proporcionados por tales grupos es factible la presencia de heterosce-
dasticidad.
Si se omite una variable relevante en el modelo, es esperable que la perturbacin
aleatoria dependa de dicha variable omitida, por lo que su varianza difcilmente ser
constante.
Ejemplo ( Novales-Econometra )
Supongamos que en lugar de considerar el modelo se
especifica este otro
Si la variedad omitida es realmente relevante, la perturbacin aleatoria
depender de por lo que se puede establecer que en tal caso:
-
7/17/2019 Temas EconometriaP
42/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
41
Como es evidente, la varianza de la perturbacin aleatoria no es constante sino que varia
con cada observacin.
Consecuencias de la heteroscedasticidadPuesto que en el mtodo de estimacin por MCO no influye la matriz de varianzas-
covarianzasde la perturbacin aleatoria es claro que el estimador por MCO del
modelo con perturbaciones no esfricas ser:
Dicho estimador sigue siendo lineal e insesgado, ya que las condiciones que
conducen a verificar dichas propiedades en el modelo con perturbaciones esfricas no se
han modificado (las demostraciones son idnticas a tal caso). Sin embargo, ya no se
tiene asegurado que la varianza sea mnima, ya que ahora:
distinta a la del modelo con perturbaciones esfricas:
Por tanto, la consecuencia de la presencia de heteroscedasticidad en un modelo
lineal es que los estimadores obtenidos, aunque sern lineales e insesgados, no sern
ptimos.
3. Procedimiento de deteccin
Procedimiento de deteccin
Para detectar la heteroscedasticidad en un modelo lineal mltiple disponemos
de distintos procedimientos.
En primer lugar usaremos mtodos grficos a partir de los cuales intentaremos
intuir cules son las variables que provocan la existencia de heteroscedasticidad en el
modelo. Concretamente, estudiaremos los grficos de los residuos y de dispersin.
Puesto que tomar una decisin a partir de un procedimiento grfico no es muy
adecuado ya que son fcilmente manipulables, recurriremos a mtodos analticos para
determinar la presencia de heteroscedasticidad en el modelo. Los test estudiados son el
de Glesjer, Goldfeld-Quandt, Breusch-Pagan y White. Los dos primeros se deben usarcuando la muestra es pequea y una variable es la causa de la heteroscedasticidad,
-
7/17/2019 Temas EconometriaP
43/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
42
mientras que los otros dos cuando la muestra es grande y no se sabe la o las variables
que provocan el problema. Adems, la hiptesis nula de todos estos contrastes es
siempre que el modelo es homocedstico.
Mtodos GrficosDentro de los procedimientos grficos consideraremos:
Grfico de los residuos: es un grfico de dispersin de los residuos o residuos al
cuadrado, frente a Si en dichos grficos observamos grupos de observaciones
con distinta varianza, podemos pensar en la presencia de heteroscedasticidad.
Grfico de dispersin: consiste en el diagrama de dispersin de los residuos o residuos
al cuadrado frente a la variable independiente que sospechamos que puede
causar la heteroscedasticidad. Si la variabilidad de los residuos aumenta o disminuye
conforme aumenta el valor de la variable independiente, entonces podemos pensar quela varianza de la perturbacin aleatoria depende de dicha variable y, por tanto, habra
presencia de heteroscedasticidad .
Ejemplo
.
Supongamos que para el ejemplo anterior
en el que deseamos analizar los dividendos de una empresa en funcin
de sus beneficios disponemos de las 20 observaciones de la tabla 1.
Tras realizar la estimacin por MCO se obtiene que: 102229
+ 00638456 (135823) (0011223) con = 0642 y donde entre
parntesis se especifica la desviacin tpica estimada de cada
coeficiente estimado.
Dada la naturaleza del problema, tal y como se ha indicado, sospechamos la
posible presencia de heteroscedasticidad en el modelo. Por tal motivo, en primer lugar
usaremos los mtodos grficos para intentar detectarla.
-
7/17/2019 Temas EconometriaP
44/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
43
En el grfico de los residuos de la figura 1 podemos observar que los grupos de
observaciones dados por 1-7, 8-13 y 14-20 tienen distinta varianza. Al mismo tiempo,
en el grfico de dispersin de la figura 2 observamos que la varianza de los residuos al
cuadrado aumenta conforme lo hace la variable dividendos.
Todo lo anteriormente expuesto nos hace pensar en la presencia de heterosce-
dasticidad en el modelo. Si bien, para confirmar este hecho recurriremos a los
distintos mtodos analticos que disponemos.
Algunos de dichos procedimientos analticos presuponen que la heterosce-
Dasticidad est provocada por una variable independiente en concreto. Dicha
-
7/17/2019 Temas EconometriaP
45/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
44
informacin se puede obtener a partir de los procedimientos grficos.
Test de Glesjer
1. Ajustar el modelo original por MCO y obtener los residuos,
2. Ajustar por MCO la regresin auxiliar que tiene como variable dependiente elvalor absoluto de los residuos anteriores y como independiente la variable que se
supone provoca la heteroscedasticidad elevada a . Esto es:
Los valores ms comunes para son
3. Observar los contrastes de significacin individual de la pendiente de la regr-
esin auxiliar. Si rechazamos indicar a presencia de heteroscedasticidad.
Al rechazar entonces los residuos dependern de por lo que habr
heteroscedasticidad en el modelo y podemos considerar que
Ejemplos
Tras realizar la estimacin por MCO del modelo original (ejemplo
anterior) hemos obtenido los errores o residuos de la tabla 2. A partir
de los cuales hemos ajustado las siguientes regresiones auxiliares:
En todos los casos rechazamos por lo que hay heteroscedasticidad. Adems,
como el mejor modelo es el quinto (mayor coeficiente de determinacin), pensamos que
Test de Goldfeld-Quantd
1. Ordenar de menor a mayor las observaciones respecto de la variable queconsideramos que produce la heteroscedasticidad.
-
7/17/2019 Temas EconometriaP
46/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
45
2. Eliminarmobservaciones centrales (normalmente un tercio de la muestra).
3. Ajustar por MCO los dos grupos de observaciones restantes y calcular su suma de
cuadrados de los residuos (SCR1para el primer grupo y SCR2para el segundo).
4. Calcular el estadstico de contraste que sigue una distribucin FdeSnedecor con grados de libertad en el numerador y en el denominador.
5. Si rechazamos la hiptesis nula de homocedasticidad .
Advirtase que algunos textos consideran que los grados de libertad de la F de
Snedecor son Nosotros usaremos cualquiera de las dos versiones.
Ejemplos
Tras reordenar de forma creciente los datos con respecto a la
variable que provoca la heteroscedasticidad (beneficios), ajustamos
por MCO las regresiones formadas por las 7 primeras observaciones
y las 7 ultimas, ya que suprimimos las 6 observaciones centrales:
Como entonces recha-
zamos la hiptesis nula de homocedasticidad. Esto es, hay heteroscedasticidad en el
modelo considerado.
Test de White
1. Ajustar el modelo original por MCO y obtener los residuos,
2. Ajustar por MCO la regresin auxiliar en la que la variable dependiente son los
residuos al cuadrado y las independientes todas las variables del modelo original, sus
cuadrados y todos los posibles productos cruzados (omitiendo las repeticiones).
-
7/17/2019 Temas EconometriaP
47/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
46
3. Calcular el estadstico de contraste es el coeficiente de
determinacin de la regresin auxiliar, que sigue una distribucin chi-cuadrado con
grados de libertad donde p es el nmero de regresores de la regresin auxiliar.
4. entonces rechazamos la hiptesis nula de homocedasticidad. El
test de Breusch-Pagan coincide con este test con la nica diferencia de que la regresin
auxiliar normalmente solos se consideran como independientes todas las variables del
modelo.
Ejemplos
Al aplicar el test de Glesjer ya hemos ajustado el modelo original por MCO y
obtenido los residuos, por lo que procedemos a ajustar directamente la regresin
auxiliar:
Puest !ue entonces
rechazamos la hiptesis nula de homocedasticidad y, por tanto, en el modelo conside-
rado hay presencia de heteroscedasticidad.
Para el test de Breusch-Pagan la regresin auxiliar sera:
En tal caso, entonces
rechazamos la hiptesis nula de homocedasticidad.
4. Estimacin en los modelos con heteroscedasticidad
Mnimos Cuadrados Ponderados
Hemos comprobado que en un modelo con perturbaciones no esfricas el
estimador por mnimos cuadrados ordinarios es lineal e insesgado pero no tenemos
asegurado que sea optimo (en el sentido de varianza mnima).Para resolver este
problema surgen los mnimos cuadrados generalizados.
Dicho mtodo consiste en transformar un modelo con perturbaciones no esfri-
cas en otro con perturbaciones esfricas, de forma que al aplicarle a este ltimo el
mtodo de mnimos cuadrados ordinarios se obtenga un estimador lineal, insesgado y
ptimo.
-
7/17/2019 Temas EconometriaP
48/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
47
En dicha transformacin es fundamental el teorema de Aitken, el cual afirma
que al ser una matriz simtrica definida positiva entonces existe una matriz regular,
P, tal que ( en tal caso se verifica que de donde se deduce
que
Esto es, premultiplicando el modelo con perturbaciones no esfricas por una
matriz no estocstica, P, se obtiene que donde
Entonces:
Consideremos el modelo lineal general
es decir, la perturbacin aleatoria es incorrecta, y
heterocedastica,
por cuestin de notacin consideraremos:
Por tanto, se ha considerado que la varianza de la perturbacin aleatoria tiene la
siguiente estructura:
Esta suposicin final es fundamental para que el modelo pueda ser estimado.
En principio, si suponemos que todas las varianzas son distintas entre s, tendramos que
estimar k + nparmetros: kcorrespondientes a los coeficientes de las variables indepen-dientes y n correspondientes a la varianza de la perturbacin aleatoria. Ante esta situac-
-
7/17/2019 Temas EconometriaP
49/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
48
in, habra ms parmetros a estimar que observaciones disponibles, n. Estimacin abs-
olutamente imposible.
Ahora bien, teniendo en cuenta que estar a relacionado con las variables
independientes (tal y como se ha puesto de manifiesto en los mtodos analticos), simpl-emente habra que estima. Por tanto, hemos pasado a estimar un slo parmetro en
lugar de n. Es decir, hay que estimar en el modelo k+1parmetros. Cuestin que ahora
si es asumible.
Para resolver el problema de heteroscedasticidad, como hemos indicado, hay
que encontrar una matriz Pno estocstica tal que . En este caso, puesto que
es claro que
Comprendemos que el modelo transformado a partir de la matriz P anterior
donde
es un modelo con perturbaciones esfricas. En efecto, es claro que
-
7/17/2019 Temas EconometriaP
50/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
49
Y entonces
Es evidente que el modelo transformado es un modelo con perturbaciones esfricas, por
lo que las estimaciones obtenidas a partir del mismo sern lineales, insesgadas y
ptimas.
Advirtase que en el modelo transformado se ponderan los datos inversamente
al valor de la desviacin tpica de las perturbaciones. Por tal motivo, el mtodo de
mnimos cuadrados generalizados (MCG) recibe en este caso el nombre de mnimos
cuadrados ponderados (MCP).
Ejemplo
En el modelo considerado sobre al anlisis de los dividendos de las empresas en
funcin de sus beneficios hemos constatado, a partir de 20 observaciones, la presencia
de heteroscedasticidad en dicho modelo. Por tanto, las estimaciones obtenidas
no son optimas.
Gracias al test de Glesjer hemos supuesto que es decir, la perturb-
vacin aleatoria depende directamente de los beneficios. Por tanto, lo que en teora se
denotaba como corresponde a la variable beneficios, Luego para transformar los
datos habr que dividir por la raz cuadrada de dicha variable:
Ejemplo
A partir de los datos transformados(ver la tabla 4) se obtiene
la siguiente estimacin por MCO del modelo transformado:
-
7/17/2019 Temas EconometriaP
51/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
50
con (advirtase que los valores numricos de las nuevas estimaciones no difieren
mucho de las originales).
Para estudiar si se ha resuelto el problema de heteroscedasticidad, realizaremos el
contraste de White para su deteccin:
No se rechaza la hiptesis nula de homocedasticidad. Por tanto, se ha resuelto el
problema.
Lecturas recomendadas
[1] Salmern, R. y Tamayo, J. (2010). Tcnicas cuantitativas aplicadas al anlisis de la
flexibilidad en la produccin, la explotacin y la exploracin en las empresas. Revista
Estadstica Espaola, Volumen 52, Numero 175, Pginas 529-567.
[2] Gmez, S. y Salmern, R. (2011). Influencia del entorno institucional en el desarr-
ollo del emprendimiento espaol. Un anlisis emprico. Revista Venezolana de
Gerencia, Volumen 16, Nmero 54, Pginas 191-208.
[3] Salmern, R., Gutirrez, R., Lpez, M.M. y Garca, C. (2012). Evaluando la evalu
acin contina. III Jornadas sobre Innovacin Docente y Adaptacin al EEES en las
Titulaciones Tcnicas. Granada 20-21 septiembre 2012. Puedes encontrarlas en la
direccin web:
http://www.ugr.es/local/romansg/material/WebEco/index.html
Bibliografa
[1] Gujarati, D. (1997).Econometria. Ed. McGraw Hill. Captulo 9.
[2] Johnston, J. (1989).Mtodos de Econometra. Ed. Vicens-Vives. Captulo 8.
[3] Novales, A. (1993).Econometria. McGraw Hill. Captulo 6.
[4] Uriel, E., Contreras, D., Malt, M.L. y Peir, A. (1990).Econometra. El Modelo
Lineal. Editorial AC. Captulo10.
[5] Wooldridge, J.M. (2005).Introduccin a la Econometra: Un enfoque moderno.
Thompson. Captulo 8.
-
7/17/2019 Temas EconometriaP
52/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
51
Tema 6 Autocorrelacin
Naturaleza del problema
Causas y consecuencias de la autocorrelacin
Procedimientos de Deteccin
Estimacin en los modelos con autocorrelacin
1. Naturaleza del problema
En el modelo lineal general, se supone que la perturbacin aleatoria es tal
que lo cual implica que:
(Varianza constante = homocedasticidad )
( Incorrelacin)
Cuando se incumple el supuesto de incorrelacin, es decir, la covarianza de la
perturbacin aleatoria es no nula para dos instantes de tiempo distintos,
equivalentemente, se dice que hay auto-
correlacin.
En tal caso, los elementos de fuera de la diagonal principal de la matriz de
varianzas-covarianzas no son todos nulos (hay al menos un elemento no nulo). Este
problema aparece especialmente cuando se disponen de datos de series temporales, es
decir, cuando se disponen de observaciones que miden una variable de una entidad
(individuos, familias, empresas, etc.) a lo largo del tiempo.
Ejemplo
As, por ejemplo, al estudiar la productividad de una empresa, la aparicin de
una nueva mquina en un momento determinado, adems de producir un efecto en dicho
instante de tiempo, lo producir tambin en sucesivos. No es factible pensar que dicho
efecto vaya a desaparecer en instantes de tiempo sucesivos.
Esto implicar a que las perturbaciones en ambos momentos estn correlacionados entre
s.
Uriel, E. y otros (1990). Econometra. El modelo lineal.
-
7/17/2019 Temas EconometriaP
53/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
52
Similar interpretacin merece el fichaje de un jugador estrella por un equipo de
ftbol. El incremento (deseable) en ventas de camisetas con el dorsal que llevar el
nuevo jugador, adems de afectar al momento del anuncio de su fichaje, se presupone
que influir tambin en la venta en el futuro.
... este es mo
Autocorrelacin
Consideraremos entonces el modelo lineal general tal que
donde es una matriz cuya diagonal principal es
constantemente 1 y de los elementos que no pertenecen a dicha diagonal principal hay al
menos un elemento no nulo.
Al igual que en el tema anterior, se dice que el modelo tiene una matriz de
varianzas-covarianzas no escalar o con perturbaciones no esfricas (ya que la matriz de
varianzas-covarianzas de la perturbacin aleatoria es distinta al producto de una
constante por la matriz diagonal).
2. Causas y consecuencias de la auto correlacin
Las principales causas que provocan autocorrelacin en un modelo lineal son:
Existencia de variables endgenas retardadas.
Omisin de variables relevantes: la perturbacin aleatoria contendr a la variable
excluida ocasionando un patrn de correlacin.
Si se especifica una relacin funcional errnea (por ejemplo, una relacin lineal
cuando no lo es), el trmino de perturbacin captar tal efecto provocando
Autocorrelacin en el modelo.
Las tcnicas de manipulacin de datos (interpolacin, promedios, etc.) pueden
introducir un patrn sistemtico en el modelo que conduzca a la autocorrelacin.
Naturaleza del fenmeno: con datos correspondientes a series de tiempo (se
observa una variable a lo largo del tiempo) es probable que observaciones
sucesivas sean dependientes entre s provocando autocorrelacin.
La presencia de autocorrelacin en un modelo lineal provoca, al igual que en el caso de
la heteroscedasticidad, que los estimadores obtenidos no sean ptimos (aunque si sean
lineales e insesgados).
Ejemplo
-
7/17/2019 Temas EconometriaP
54/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
53
Supongamos que el modelo correcto para explicar es
Y que errneamente se especifica el modelo
En tal caso, el trmino de error del segundo modelo depender de la variable
omitida (por ejemplo Tal relacin conducir a la presencia de
autocorrelacin en el modelo:
donde se ha tenido en cuenta que la perturbacin aleatoria del primer modelo tiene
media cero y esta incorrelada.
3. Procedimientos de deteccin
Para detectar la autocorrelacin en un modelo lineal mltiple disponemos dedistintos procedimientos.
En primer lugar usaremos mtodos grficos a partir de los cuales intentaremos
intuir cuales son las variables que provocan la existencia de autocorrelacin en el
modelo. Ya que las perturbaciones aleatorias no son observables, usaremos los residuos
de la estimacin por MCO (al igual que para detectar la heteroscedasticidad).
Concretamente, analizaremos el grfico temporal de los residuos y el grfico de
dispersin de los mismos frente a algn retardo suyo.
Puesto que tomar una decisin a partir de un procedimiento grafico no es muy
adecuado ya que son fcilmente manipulables y sera totalmente subjetiva, recurriremos
a mtodos analticos para determinar la presencia de heteroscedasticidad en el modelo.
De todos los mtodos analticos disponibles, el ms utilizado, y que
estudiaremos, es el de Durbin-Watson. Adems, como este mtodo no es adecuado
cuando existen variables retardadas como explicativas (ya que entonces tiende a indicar
ausencia de autocorrelacin), se estudia entonces el contraste hde Durbin. Tambin
usaremos el contraste de Ljung-Box.
-
7/17/2019 Temas EconometriaP
55/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
54
Mtodos grficos
Dentro de los procedimientos grficos consideraremos:
Grfico temporal de los residuos: si los residuos estn incorrelados deben
distribuirse de forma aleatoria alrededor de su media (el cero). Sin embargo, si estn
correlacionados:
observaremos rachas de residuos por debajo y por encima de la
media (correlacin positiva).
observaremos una alternancia en el signo de los residuos
(correlacin negativa).
Grficos de dispersin: el grfico de dispersin de los residuos, frente algn
retardo suyo, (normalmente se considera k = 1),puede mostrar la existencia de
autocorrelacin positiva (tendencia creciente en el grfico) o negativa (tendenciadecreciente).
Funciones de autocorrelacin y autocorrelacin parcial: Si dichas funciones,
ACF y ACP, corresponden a ruido blanco, se concluir que la perturbaciones
incorrelada.
Ejemplo
Consideremos los datos de la tabla 1 para ajustar un modelo que
analice el consumo de energa elctrica (en miles de TEP) a
partir del PIB a precios constantes (millones de euros).
Dada la naturaleza del problema (serie temporal), tal y
como se ha indicado, sospechamos la posible presencia de autoc-
orrelacin en el modelo. Por tal motivo, en primer lugar usaremos
los mtodos grficos para intentar detectarla.
Usaremos con tal objetivo los residuos de la estimacin
por MCO del modelo:
-
7/17/2019 Temas EconometriaP
56/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
55
En el grfico de la figura 1 observamos rachas de residuos por encima y por
debajo de la media (cero), mientras que en el de la figura 2 observamos una tendencia
claramente creciente. Por tanto, podemos pensar que hay presencia de autocorrelacin
positiva en el modelo.
Para confirmar este hecho recurriremos a los procedimientos analticos delcontraste de Durbin-Watson y de Ljung-Box.
-
7/17/2019 Temas EconometriaP
57/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
56
Contraste de Durbin-Watson
Supongamos que la autocorrelacin de la perturbacin aleatoria viene definida por un
proceso autoregresivo de primer orden, esto es:
Luego para contrastar si realmente hay autocorrelacin en el modelo hay que
plantear los siguientes contrastes de hiptesis:
Para tomar una decisin en los contrastes anteriores utilizaremos el estadstico
de Durbin-Watson, que se define como:
donde denota a los residuos del modelo estimado por MCO.
Aproximacion al estadstico de Durbin-Watson
Teniendo en cuenta que para un numero de observaciones grande podemos establecer
que y denotando es claro que :
Obsrvese que corresponde a la pendiente ( y coeficiente de correlacin) de la
regresin
-
7/17/2019 Temas EconometriaP
58/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
57
Interpretacin estadstico de Durbin-Watson
Teniendo en cuenta que es el coeficiente de correlacin de los residuos, se tiene que:
habr correlacin negativa en los residuos cuando est prximo a -1, lo cual se
traduce en que dsea prximo a 4.
habr incorrelacion en los residuos cuandoest prximo a 0, lo cual se traduce
en que dsea prximo a 2.
habr correlacin positiva en los residuos cuando est prximo a 1, lo cual se
traduce en que dsea prximo a 0.
Pero, cmo de prximo a los valores 0, 2 y 4 se ha de estar? Durbin y Watson
encontraron unas cotas, dLy dU, tales que:
si d < dL, entonces habr autocorrelacion positiva.
si dU< d < 4 dU,entonces hay incorrelacion.
si d > 4 dL, entonces hay autocorrelacion negativa.
en cualquier otro caso el contraste no es concluyente.
Cotas del estadstico de Durbin-Watson
Representando grficamente la informacin anterior se obtiene:
Ejemplo
Considerando el modelo que ajusta el consumo energtico en funcin del BIP, tras
estimarlo por MCO
-
7/17/2019 Temas EconometriaP
59/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
58
Y calcular sus residuos, podemos obtener la siguiente informacin:
Ejemplo
A partir de dicha informacin se puede calcular el valor del estadstico de Durbin-
Watson:
Y de su aproximacin:
Comparando estos valores con las cotas de Durbin-Watson para 16 observaciones al 5%
de significacin, se tiene que hay autocorrelacion
positiva ya que
H de Durbin
El contraste de Durbin-Watson es vlido cuando la autocorrelacin de los errores
es autoregresiva de orden 1 y cuando la regresin no incluye entre las variables
explicativas algn retardo de la variable dependiente.
En este segundo caso se recurre al contraste h de Durbin. Esto es, en modelos
-
7/17/2019 Temas EconometriaP
60/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
59
del tipo
donde para contrastar
Utilizaremos el estadstico de forma que se
rechazara la hiptesis nula si
Contraste de Ljung-Box
Si los residuos son independientes, sus primeras m autocorrelaciones son cero, paracualquier valor de m. El contraste de Ljung-Box contrasta, entonces, la hiptesis nula de
que las primeras mautocorrelaciones, m, son cero. Esto es:
Se rechaza la hiptesis nula ( de incorrelacion) si
es el coeficiente de autocorrelacion muestral de orden k.
Si las observaciones son independientes (incorrelacion), los coeficientes r(s)
sern prximos a cero, por lo que no se rechazara la hiptesis nula. Por otro lado, el
valor dempuede ser fijado arbitrariamente aunque no debe de ser grande.
Ejemplo
Consideremos el modelo que ajusta el consumo energtico en funcin del PIB
para aplicar el anterior contraste para m = 3.
De este ejemplo ya sabemos que Adems, a partir delos residuos podemos
construir la siguiente tabla:
-
7/17/2019 Temas EconometriaP
61/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
60
A partir de la cual podemos obtener:
De forma que:
Como no rechazo la hiptesis nula de
incorrelacion.
Advirtase que para
por tanto, en tal caso si se rechazara la hiptesis nula de incorrelacion.
4. Estimacin de los modelos con autocorrelacion
-
7/17/2019 Temas EconometriaP
62/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
61
Estimacin bajo autocorrelacion
Consideremos el modelo lineal uniecuacional mltiple donde
(homocedasticidad) y
( autocorrelacion)
Por tanto, la matriz de varianzas-covarianzas de la perturbacin aleatoria ser
Para resolver el problema de autocorrelacion hay que aplicar el mtodo de
mnimos cuadrados generalizados al modelo, para lo cual debemos obtener una
matriz no estocstica Ptal que .
Para conseguir el objetivo anterior supondremos que la estructura de autocorrelacion
viene marcada por un proceso autorregresivo de orden 1, esto es,
En tal caso:
Por lo que repitiendo el clculo de forma iterativa:
Entonces, la matriz de varianzas-covarianzas de la perturbacin aleatoria viene
determinada por la matriz:
-
7/17/2019 Temas EconometriaP
63/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
62
Advirtase que la suposicin de que la perturbacin aleatoria sigue el esquema de
un proceso AR(1) es fundamental para que se pueda estimar el modelo. Teniendo en
cuenta la matriz original, tendramos que estimar parmetros: de la
matriz , 1 correspondiente a y kde los coeficientes de los regresores.
Por tanto, se tendran mas parmetros a estimar que observaciones. Cuestin que
no es viable.
Sin embargo, a partir de la suposicin realizada sobre la perturbacin aleatoria
habra que estimar k + 2parmetros: 1 de la matriz (que es ), 1 correspondiente
a y k de los coeficientes de los regresores. Por lo que la estimacin si sera viable.
Entonces teniendo en cuenta que:
La matriz buscada para realizar la transformacin es:
El modelo transformado a partir de la matriz Panterior , es tal que
-
7/17/2019 Temas EconometriaP
64/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
63
Por lo que las nuevas observaciones responden a las expresiones:
Ahora bien, para obtener estos valores del modelo transformado es necesario estimar,
pero para esto hay que estimar tambin los coeficientes. Cmo resolver este problema?
Mediante el proceso iterativo de Prais-Winsten que describimos a continuacin.
Proceso iterativo de Prais-Winsten:
1. Estimar el modelo original por MCO.
2. Utilizar los residuos del ajuste anterior para estimar .
3. Utilizar la estimacin de para obtener
4. Estimar el modelo transformado por MCO volviendo al paso 1.
Repetir este proceso hasta que la diferencia entre dos estimaciones consecutivas de
sea menor que un valor prefijado (de orden 10-3
normalmente). En los casos en los que
se disponga de un nmero de observaciones suficientemente grande se puede despreciar
la primera observacin (perdindola) transformando los datos segn
Para En tal caso se puede establecer un proceso iterativo similar
al anterior que recibe el nombre de Cochrane-Orcutt.
Finalmente, comprobemos que con esta transformacin realmente se ha eliminado
el problema en el modelo.
Para t=1, se tiene que por lo que:
-
7/17/2019 Temas EconometriaP
65/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
64
Mientras que para t>1, se tiene que y entonces:
Por tanto, el modelo transformado tiene una perturbacin aleatoria con media cero,
varianza constante, , e incorrelada. Luego el problema ha sido resuelto.
Ejemplo
Dado el modelo que analiza el consumo energtico a partir del PIB, en el que sabemos
que hay autocorrelacin positiva, vamos a transformarlo de forma adecuada para
subsanar dicho problema.
A partir de la estimacin por MCO del modelo original y considerando los residuos de
dicho ajuste, obtenemos una estimacin desin ms que ajustar el modelo de frente a
obtenindose:
Es decir
Como se dispone de pocas observaciones, transformaremos los datos conforme
al proceso de Prais-Winsten:
-
7/17/2019 Temas EconometriaP
66/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
65
Los datos del modelo transformado sern
A partir de los valores transformados se obtiene la estimacin
y un valor del estadstico de Durbin-Watson, d, de 1208017. Puesto que dL< d < dU, el
contraste de Durbin-Watson no es concluyente.
A continuacin, siguiendo el proceso iterativo, habra que volver a estimar a
partir de este modelo transformado y volver a transformar los datos. Y as
sucesivamente hasta que el proceso converja.
En este caso es necesario realizar 12 iteraciones para la convergencia
obtenindose la estimacin:
y un valor del estadstico de Durbin-Watson, d, de 1400435. Puesto que dU< d < 4
dU, el contraste de Durbin-Watson confirma la ausencia de autocorrelacin en elmodelo.
-
7/17/2019 Temas EconometriaP
67/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
66
Nota sobreP
Al calcular la aproximacin del estadstico de Durbin-Watson se obtuvo que =
04665722, mientras que al hacer la regresin de frente a hemos obtenido que
= 0531275. Si ambos mtodos de obtener el valor de son equivalentes, a qu se debe
esta diferencia?
Si partimos de la regresin de los residuos se tiene que:
Luego la diferencia comentada se debe a que tericamente se ha supuesto que
Lecturas recomendadas
[1] Salmern, R. (2012). El modelo lineal general mediante Gretl (online).
[2] Notas sobre los Mnimos Cuadrados Generalizados (MCG).
[3] Econometra en YouTube: http://www.youtube.com/watch?v=xVRRUdk-N8Q
Puedes encontrarlas en la direccin web:
http://www.ugr.es/local/romansg/material/WebEco/index.html
Bibliografa
[1] Gujarati, D. (1997)..Econometra Ed. McGraw Hill. Captulo 10.
[2] Johnston, J. (1989).Mtodos de Econometra .Ed. Vicens-Vives. Captulo 8.
[3] Novales, A. (1993).Econometra McGraw Hill. Captol 7.
[4] Uriel, E., Contreras, D., Molt, M.L. y Peir, A. (1990).Econometra. El Modelo
-
7/17/2019 Temas EconometriaP
68/68
HIUSEF MOHAMED MOHAMED ECONOMETRIA
Lineal. Editorial AC. Captulo 11.
[5] Wooldridge, J.M. (2005).Introduccin a la Econometra: Un enfoque moderno.
Thomson. Captulo 12.