Cmara de Comercio de Oruro

CURSO SOBRE MODELOS ECONOMTRICOS Y

PRONSTICO
Julio Humrez Quiroz

Oruro, mayo de 2012

CURSO SOBRE MODELOS ECONOMTRICOS Y PRONSTICO

CONTENIDO DEL CURSO

1. Introduccin a la Econometra: Especificacin interpretacin
inferencia - verificacin de supuestos - variables ficticias
2. Contrastes de races unitarias: Tests convencionales - tests en
datos con quiebre estructural - tests de raz unitaria en frecuencia
estacional
3. Pronsticos con modelos univariados: ARIMASARIMA y
Funciones de Transferencia
4. Pronsticos con modelos multivariados: Modelos VAR
(Vectores Autorregresivos) - Cointegracin y Modelos de
Correccin de Errores

Cap. 1 Introduccin a la Econometra

CONTENIDO
1. Nociones preliminares
a. Variables aleatorias
b. Relaciones entre variables
c. Estadsticos y parmetros
d. Estimacin de parmetros
e. Test de hiptesis
2. Modelo de Regresin Lineal Mltiple
a. Supuestos
b. Estimacin por MCO
c. Propiedades estadsticas de los estimadores MCO

Cap. 1 Introduccin a la Econometra

CONTENIDO
d. Bondad de ajuste
e. Inferencia en el MRLM
f.

Verificacin de supuestos

g. Uso de variables ficticias

3. Regresin lineal a pedazos (Piecewise Linear Regression)

NOCIONES PRELIMINARES
Variables aleatorias
Es una funcin que mapea del conjunto espacio muestral al conjunto de
nmeros reales.

Discretas:

Puede tomar ciertos valores (generalmente valores enteros) dentro de

un determinado intervalo.

Puede ser de tipo cuantitativa o cualitativa.

Caso especial: variables dicotmicas o del tipo 0 y 1.
Continuas:

Siempre son de tipo cuantitativa.

Puede tomar cualquier valor dentro de un determinado intervalo.
5

NOCIONES PRELIMINARES
Caractersticas de las variables aleatorias
Asociado a cada variable aleatoria X existe una funcin f(x) llamada
funcin de probabilidad, que determina la probabilidad de ocurrencia
de los valores posibles de la variable aleatoria.

Esperanza Matemtica de X: La esperanza matemtica de una

variable aleatoria X es un promedio ponderado de sus valores
posibles, donde las ponderaciones corresponde a las probabilidades de
ocurrencia de cada valor de X. Se denota por E(X).

Varianza de X: Es una medida de la dispersin (o variabilidad) de los

valores posibles de X.

Var ( X ) E[ X - E ( X )]2
6

NOCIONES PRELIMINARES
Relaciones entre variables
La covarianza es til en identificar el sentido de la asociacin entre
las variables X e Y pero tiene un serio problema: el resultado numrico
depende de la escala en que estn medidas las variables.

Para evitar esta dependencia de las unidades de medida se usa el

coeficiente de correlacin. Este indicador conserva el signo de la
covarianza y es una medida que siempre vara entre 1 y -1.

El signo de la covarianza y del coeficiente de correlacin indica el

sentido de la relacin entre las variables.

NOCIONES PRELIMINARES
Es posible que el coeficiente de correlacin sea cero, en ese caso
decimos que X e Y no estn correlacionadas.

Se puede demostrar que el coeficiente de correlacin es igual a 1

en valor absoluto si y solo si existe una relacin lineal exacta entre
X e Y en cuyo caso diremos que estas variables estn
perfectamente correlacionadas.

NOCIONES PRELIMINARES
Estadsticos y parmetros
Un estadstico es una funcin que depende de los datos muestrales.
Cuando se calcula un estadstico, hay que tener presente que est
sometido a la variabilidad muestral, a diferencia de un parmetro
que es constante.

Los estimadores que veremos a lo largo de esta capacitacin son

estadsticos, y analizaremos sus propiedades a travs del muestreo.

NOCIONES PRELIMINARES
Estimacin de parmetros
A simple vista puede parecer razonable pensar que una propiedad
deseable de las estimaciones es que, en promedio, sean igual o al
menos parecidas al verdadero (desconocido) parmetro. De la misma
manera, tambin parece deseable que el error (estndar) sea lo ms
pequeo posible.

En efecto, la precisin de un estimador de un parmetro desconocido

se evala en trminos de estas dos caractersticas.

Sesgo: El sesgo de un estimador se define como la diferencia entre la

media de los valores posibles del estimador (a travs de todas las
muestras posibles) y el verdadero valor del parmetro desconocido:

sesgo() [ E () ]
10

NOCIONES PRELIMINARES
Un estimador es insesgado si el sesgo es igual a cero.
En otras palabras, un estimador es insesgado si la media de su
distribucin muestral es igual al valor del parmetro que se desea
estimar.

Error Cuadrtico Medio (ECM): se define como la media de las

diferencias entre cada valor posible del estimador (a travs de las
posibles muestras) y el valor del parmetro, elevadas al cuadrado:

ECM () E[ ]2

La diferencia entre el ECM de un estimador y su varianza radica en

la presencia (o no) de sesgo.

ECM () VAR () [ E () ]2
Sesgo

11

NOCIONES PRELIMINARES
Estimacin de parmetros
Generalmente se habla de lo deseable que es usar diseos muestrales que
produzcan estimaciones vlidas y confiables, por lo tanto es preciso
definir que significan estos trminos.

Confiabilidad: se refiere a cuan reproducible es un estimador si se

repite el procedimiento muestral. Asumiendo que no hay errores de
medicin, puede analizarse en base a la varianza muestral del estimador.

Validez: se refiere a cunto difiere la media de un estimador, en

repeticiones del procedimiento de muestreo y estimacin, respecto del
parmetro que esta siendo estimado. Asumiendo que no hay errores de
medicin, puede evaluarse por medio del sesgo del estimador.

Precisin: se refiere a cuan lejos se encuentra una estimacin particular

del verdadero valor poblacional, puede analizarse en base al ECM del
estimador.

12

NOCIONES PRELIMINARES
El trmino estimador se utiliza para referirse a la frmula que nos da
un valor numrico del parmetro de inters.

El valor numrico que se obtiene a partir de una muestra particular se

denomina estimacin.

Tres de los mtodos ms comunes de estimacin son los siguientes:

El Mtodo de los Momentos
El Mtodo de Mnimos Cuadrados Ordinarios.
El Mtodo de Mxima Verosimilitud
Dado que existen diversos mtodos de estimacin, Cul es el mejor
estimador?. Depende de las propiedades de cada estimador.
13

NOCIONES PRELIMINARES
Es posible analizar las caractersticas de los estimadores
considerando sus propiedades para un tamao de muestra dado o bien
de manera asinttica. Las preguntas relevantes son:

El estimador es insesgado?
El estimador es eficiente?
Cul de los estimadores presenta un ECM ms pequeo?

14

NOCIONES PRELIMINARES
Test de hipotesis
Un procedimiento muy habitual es la realizacin de test de hiptesis
para responder preguntas acerca de los parmetros desconocidos. En
trminos generales, los pasos bsicos para testear hiptesis son:

Formular dos hiptesis opuestas.

Derivar un test estadstico e identificar su comportamiento
probabilstico (distribucin muestral).

Derivar una regla de decisin y elegir una de las dos hiptesis

opuestas en base a la evidencia de una muestra.

El primer paso consiste en formular dos hiptesis opuestas, que

denominaremos hipteses nula (H0) e hipteses alternativa (H1),
respectivamente.

15

NOCIONES PRELIMINARES
Un test estadstico es una regla de decisin, basada en la informacin
proveniente de una muestra para elegir entre dos resultados posibles:
rechazar / no rechazar H0.

Se calcula un test estadstico T(x1,,xn) a partir de la muestra de

observaciones.

Conociendo la distribucin de T bajo H0 y en base al valor calculado de

T para la muestra se toma una decisin entre las dos posibilidades
anteriores.

El rango de valores de T para los cuales el procedimiento del test

recomienda rechazar H0 se denomina regin critica y el rango donde
se recomienda no rechazar H0 se denomina regin de no rechazo
(regin de aceptacin?).
16

NOCIONES PRELIMINARES
Para cualquier tipo de test hay 3 resultados posibles:
se toma una decisin correcta, es decir se rechaza una hiptesis
falsa o no se rechaza una hiptesis verdadera.

se rechaza una hiptesis verdadera.

no se rechaza una hiptesis falsa.
El error que se comete al de rechazar H0 cuando es verdadera se
denomina Error de Tipo I.

El error de no rechazar H0 cuando es falsa se denomina Error de

Tipo II.

17

NOCIONES PRELIMINARES
Asociados a cada uno de estos errores hay una probabilidad que
indicamos como P(Error Tipo I ) y P(Error Tipo II ). Idealmente,
desearamos minimizar la probabilidad de cometer ambos errores pero
esto no es posible. Lo habitual es determinar la mxima probabilidad de
Error Tipo I que estamos dispuestos a tolerar y derivar una regla de
decisin que permita minimizar la probabilidad de Error Tipo II.

La probabilidad mxima de Error Tipo I cuando H0 es verdadera se

denomina nivel de significacin y generalmente se lo expresa con la

letra .

La probabilidad de rechazar H0 cuando es falsa est dada por 1- P(Error

Tipo II ) y se llama poder del test.

En la prctica el procedimiento es encontrar una regla de decisin de

mxima potencia sujeto a la restriccin que P(eI ) , donde es
constante, generalmente fijado en los valores: 0.10, 0.05 o 0.01.
18

Modelo de Regresin Mltiple

El Modelo de Regresin Simple se puede usar para estudiar la relacin
entre 2 variables.

En general, gran parte del anlisis economtrico empieza con un anuncio

del siguiente estilo: X e Y son dos variables que representan alguna
poblacin y estamos interesados en explicar Y en funcin de X, o bien
estamos interesados en estudiar como vara Y ante cambios en X.

Yt 1 2 X t 2 3 X t 3 ... k X tk t ; t 1,..., T
Y1 1 X 12

Y2 1 X 22
Y3 1 X 32

Y 1 X
T2
T

X 13

X 23
X 33

XT 3

X 1k 1 1

X 2k 2 2
X 3k 3 3


X Tk K T

Y(T 1) X (T K ) ( K 1) (T 1)

19

Modelo de Regresin Mltiple

Supuestos:
1.

Relacin lineal entre Yt y Xit, i=1,2,...,K

2.

Xit , i=2,...,K

(Regresores no estocsticos)

3.

E(t) = 0

4.

E(t, t-s) = 0

s 0 (ausencia de autocorrelacin)

5.

E(2t) = 2

(Homocedsticidad)

6.

Rango(X) = K

(Estimacin MCO)

7.

E(t, Xit) = 0

i, t

8.

t ~ N (0, 2 )

(Inferencia)

20

Modelo de Regresin Mltiple

Estimacin por MCO
Yt
Yt 1 2 X t

(10, 23)
(Xt,Yt)

= 1,5 2 X t

et Yt Yt

(Xt, Yt )

Xt=10

Xt
21

Modelo de Regresin Mltiple

( X X ) X Y

Q
0 (CNPO)
i

(Sist. Ec. Normales)

( X ' X ) 1 X ' Y

Donde:
1

2


k ( kx1)

Xt2
X'X

X
tk

X
X

t2
2
t2

X tk X t 2

X
X X

t 2 tk

2
X tk
tk

Yt

Yt X t 2
X 'Y

Y X
t
tk

Entonces, el modelo estimado es:

Y 1 2 X t 2 3 X t 3 ... k X tk X

22

Propiedades estadsticas del estimador MCO

1. Linealidad: ( X ' X ) 1 X ' Y AY El estimador es una funcin lineal de
las observaciones de Yt.

2. Insesgamiento: E ( )
3. Eficiencia:
Teorema de Gauss-Markov : El estimador MCO es de mnima
varianza.

V ( ) V (* )

Conjunto estimadores
lineales e insesgados

23

Propiedades estadsticas del estimador MCO

4. Consistencia:

P lim( )

5. Distribucin muestral:
Para el vector de parmetros: ~ N ( , 2 ( X X ) 1 )

a11 a1k

Var ( ) 2 ( X X ) 1 2
a a
kk
k1
2
Para un parmetro individual: j ~ N ( j , a jj )
2
1
donde 2ajj es el elemento j-simo de la diagonal de ( X X )

6. Matriz de var-cov: Var ( ) 2 ( X X ) 1 , 2

ee
T k

24

Bondad de ajuste
R2 = SCE/SCT = 1- SCR/SCT

Yt

Yt 1 2 X t

e 'e
b X ' Y - TY 2
R =
= 12
Y ' Y - TY
Y ' Y - TY 2
2

0 R2 1

R2 = 1
Xt

K - 1

2
2
2
R = R - (1 - R )

T - K

Yt

Yt 1 2 X t

Yt

Yt 1 2 X t

R2 = 0
0 < R2 < 1
Xt

25

Xt

Inferencia en el MRLM
Nos interesa verificar si las observaciones muestrales son
compatibles con una determinada hiptesis / afirmacin. Por ej.

H 0 : i b
H a : i b (Prueba de dos colas)

Para eso desarrollamos un procedimiento que nos permita decidir

si se rechaza o no esa hiptesis en base a la informacin
muestral.
El enfoque ms utilizado es la Prueba de significancia.
26

Inferencia en el MRLM
Enfoque de prueba de significancia
El procedimiento se basa en utilizar un estimador y su distribucin,
suponiendo que sta se cumple bajo Ho.
i i
~ t(T k )

Se sabe que

entonces bajo Ho:

i b
~ t(T k )

i

La distribucin del estadstico se divide en dos regiones: regin de

no rechaza y regin crtica (regin de rechazo).
Bajo Ho:
i b
~ t(T k )

i

No rechazo Ho
(1 - )

Zona de rechazo

Zona de rechazo

/2
/2

/2
/2
.22

.24

.26

Si | t | > | tc | Rechazamos Ho

.28

-tc

.30

.32

.34

.36

.38

.40

.42

tc

.44

.46

.48

27

Inferencia en el MRLM
Valor-p
O nivel de significancia emprico del contraste, es el dato obtenido a
partir del valor del estadstico del contraste estimado a partir de una
muestra y nos informa sobre cul sera el nivel de significancia () ms
pequeo que nos hubiera permitido rechazar la H0.
Si p < (5%), rechazamos Ho
SI p > (5%), No rechazamos Ho
Cuanto ms pequeo es valor-p mayor la evidencia en contra de H0.

28

Inferencia en el MRLM
Significancia conjunta de los parmetros
Ho: 2 = 3= ...= k = 0

(Todos los parmetros pendiente son iguales a cero)

Ha: 2 0 ,..., k 0

(Algn parmetro es distinto de cero)

a) SCE/2 ~2(k-1)
b) e'e/ 2 = SCR/ 2 ~ 2(T- k)
c) (a) y (b) son independientes

0.7

0.6

0.5

SCE / 2
(T K ) SCE
F K 1 2
~ F( K 1,T K )
SCR /
( K 1) SCR
T K

Si valor-p(F) < , RHo

0.4

0.3

0.2

No rechazo Ho
(1 - )|

0.1

Zona de rechazo

0
0

F()

29

Inferencia en el MRLM
Tests de restricciones lineales
Sea el modelo: Yt 1 2 X t 2 3 X t 3 t

(Funcin de Prod.)

a) Significancia individual
Ho: 2 = 0

Vs.

Ha: 2 0

b) Hiptesis terica (Rendimientos constantes a escala)

Ho: 2 + 3 = 1

Vs.

Ha: 2 + 3 1

c) Significancia conjunta
Ho: 2 = 3 = 0

Vs.

Ha: 2 0, 3 0
30

Inferencia en el MRLM
Mediante el clculo de residuos libres y restringidos
Ho: El modelo con restricciones es correcto
Ha: El modelo sin restricciones es correcto.

( SCRr SCRn ) / q
F
~ F ( q, T k )
SCRn / T k
SCRr

= suma de cuadrados de los residuos del modelo con restricciones.

SCRn

= suma de cuadrados de los residuos del modelo sin restricciones (libre)

= nmero de restricciones.

Si valor-p(F) < , Rechazamos Ho

31

Verificacin de supuestos
Distribuciones para tests de diagnstico

Frecuentemente se dispone de tests: F y 2.

El test F requiere de la estimacin de las versiones restringida y no

restringida de la regresin auxiliar del test y comparar la SCR.

El test 2 se conoce a veces como el test LM, y tiene solamente un

parmetro de grados de libertad: el nmero de restricciones a ser
contratado, m.

Asintticamente, ambos tests son equivalentes dado que la distribucin

2 es un caso especial de la distribucin F:

2 m
m

F m, T k a medida que T k

Para muestras pequeas, es preferible el test F.

32

E(ut) = 0
El supuesto dice que la media de las perturbaciones es cero.
Para todos los tests de diagnstico, no observamos las perturbaciones
por lo que aplicamos los contrastes a los residuos de la regresin.
La media de los residuos siempre ser cero si la regresin incluye al
intercepto.
TRANS = -0.031 + 0.041LOG(TOTEXP) - 5.79910-5AGE - 0.013NK
.6
.5
.4

u 3.411016

.3
.2
.1
.0
-.1
-.2
250

500

750

1000

1250

1500

33

Multicolinealidad

El problema se presenta cuando las variables explicativas no son

ortogonales (cuando las variables explicativas estn altamente
correlacionadas), lo que impide la identificacin de los efectos de
cada Xti sobre Yt.

Si la multicolinealidad es perfecta rango (X'X)-1 = L < K no se

puede estimar .

Modelo: yt = 1 + 2x2t + 3x3t + 4x4t + ut

donde suponemos p.e.. x3 = 2x2

Si la multicolinealidad es aproximada se pueden estimar los

parmetros, pero su precisin disminuye enormemente: var(j)
grande:

Intervalos de confianza muy amplios.

Los estadsticos-t no son vlidos.

34

Multicolinealidad
Pautas para detectar el problema:

R2 1 y F grande, pero, t pequeos.

Los estimadores de varan enormemente ante cambios pequeos de

la muestra.

Signos incorrectos de los parmetros y/o magnitudes de los

parmetros inusuales.
Tests:

Correr por MCO regresiones para cada una de las variables

explicativas en funcin de las restantes variables explicativas.

X jt 1 2 X 2t ... j 1 X j 1,t j 1 X j 1,t ... k X kt t

H 0 : 2 3 ... k 1 0
H a : algn j 0

35

Multicolinealidad
Y calculamos el estadstico:
Fj

R 2j / (k - 2)
2
j

(1- R ) / (T - (k -1))

~ F (k - 2, T - (k -1))

Si valor-p(F) < , Rechazamos Ho

Factor de Inflacin de Varianza (VIF)

VIF ( i )

1
1 Ri2

Si VIF > 10 (5), indicios de multicolinealidad

36

Multicolinealidad
Soluciones:
Var ( j )

Aumentar tamao de la muestra:

aumentar la frecuencia de los datos.

2
T Var ( X jt )(1 R 2j )

y/o

Transformar las variables altamente correlacionadas en

razones.
Uso de informacin no muestral: uso de estimacin del parmetro
de la variable que causa la multicolinealidad a partir de otra
informacin diferente.
Eliminar la(s) variable(s) explicativa(s) que se supone(n) est(n)
correlacionada(s) con otra(s) variable(s) explicativa(s). Sin
embargo, este procedimiento puede dar lugar a otro problema
mayor, el de especificacin que genera sesgo.
37

Heterocedasticidad
Incumplimiento del supuesto de la varianza del trmino de error es
constante (Var(t) = 2 t). En este caso Var(t) = 2t , t = 1,2,,T, o lo
que es lo mismo, la matriz de var-cov tendr valores distintos a lo largo
de su diagonal principal:

Var (ut ) UU

12 0

2
0

2
E (UU )

0 0

0
2 2 IT

2
T

Ejemplos:
Seccin cruzada: Pautas de consumo en economas domsticas: el
error ser mayor en familias de ingreso ms elevado (un ingreso ms
alto permite una variabilidad mayor en bienes consumidos y ahorro)
Series temporales: varianza cambiante en periodos de incertidumbre
econmica.
38

Heterocedasticidad
(Homocedasticidad)

et2

(Heterocedasticidad)

et2

x2t

X jt

(Heterocedasticidad)

et2

et2 (Heterocedasticidad)

X jt

X jt

39

Heterocedasticidad
Consecuencias de la heterocedasticidad

Los estimadores MCO continan siendo insesgados, pero ya no son

MELI.

Esto implica que si continuamos utilizando MCO en presencia de

heterocedasticidad, los errores estndar seran inapropiados y por lo
tanto cualquier inferencia que realicemos sera erroneo.

Si los errores estndar estimados son muy pequeos o muy grandes,

depender de la forma de la heterocedasticidad.

40

Heterocedasticidad
Contraste de White
Es uno de las tcnicas ms comunes para determinar la presencia de
heterocedasticidad.
Pasos:
a) Estimar por MCO el modelo original y obtener los residuos t

b) Estimar por MCO:

t2 0 j X j jl X j X i j X 2j t
j

j l

H 0 : los coeficientes pendiente son conjuntamente nulos

H 0 : algn coeficiente pendiente es distinto de cero

c) Bajo Ho, TR2 ~2(m) (m = N de regresores de la regresin auxiliar).

Otros contrastes:

Park, Glejser, Golfeld Quandt, Breush-Pagan, ARCH

41

Heterocedasticidad
Solucin
Transformar el modelo de modelo que el nuevo modelo sea
homocedstico. Mnimos Cuadrados Ponderados consiste en dividir
las variables del modelo por la desviacin tpica de las
perturbaciones; de esa manera se asigna una mayor ponderacin a
aquellas observaciones cuya varianza sea menor.
t
1 2
... k

i
i
i
i i
Yt

X i2

X ik

El modelo transformado se expresa como

Yt * 1 2 X t*2 3 X t*3 ... k X tk* t*

Limitacin: debemos conocer la desviacin estndar de las

perturbaciones. Ej. i2 kX tj2

42

Heterocedasticidad
Otras aproximaciones para tratar la heterocedasticidad

Otras soluciones incluyen a:

1. Transformacin de las variables en logaritmos o reducir mediante
alguna medida de tamao.
2.

Utilizar las estimaciones de los errores estndar robustos a la

heterocedasticidad de White.
El efecto de usar la correccin de White es que aumentan los errores
estndar de los coeficientes pendiente en relacin a los errores
estndar MCO.
Esto hace que los tests de hiptesis sean ms conservadores, de
modo que podramos requerir ms evidencia en contra de la hiptesis
nula antes de rechazar la misma.
43

Autocorrelacin
Las perturbaciones del modelo estn correlacionadas consigo misma
en diferentes momentos del tiempo: Cov(t, s) 0, t s
+

u t

u t

u t 1

Time

Autocorrelacin positiva se caracteriza por el comportamiento cclico a

travs del tiempo.

44

Autocorrelacin
ut

+
u t

Autocorrelacin
negativa

u t 1

-+

u t

Ausencia de
autocorrelacin

Time

u t

u t 1

45

Autocorrelacin
Estadstico de Durbin-Watson
t t 1 t

Modelo: Yt 1 2 X t 2 3 X t 3 ... k X tk t
T

Estadstico de contraste: DW

(
t 2

t 1

2
t

Ha: DW 2

= -1 DW 4

?
LI

2(1 )

Ho: DW = 2

= +1 DW 0

)2

= 0 DW 2

A+

t 1

No existe
Autocorrel.

?
A-

LS

4 - LS

4 - LI

DW
46

Autocorrelacin
Test de Breusch Godfrey (test LM)
a) Estimar el modelo y obtener los residuos estimados t
b) Regresin auxiliar:

t 0 j X j j t j t
j

c) TR2 ~ 2(p), donde p es nmero de rezagos de las perturbaciones.

El estadstico t del coeficiente del residuo rezagado tambin es un
contraste vlido.
Solucin:
MCG: transformar las variables para que incluyan la estructura de
autocorrelacin y los nuevos errores cumplan Cov(*t, *s)=0, t s
47

Autocorrelacin
Si el coeficiente se conoce, una forma de implementar el mtodo
MCG es mediante la metodologa de Cochrane-Orcutt.
Este procedimiento para corregir la autocorrelacin requiere un
supuesto acerca de la forma de autocorrelacin.
Si este supuesto es invlido, el remedio puede ser ms peligroso que
la enfermedad (Hendry and Mizon, 1978).
Sin embargo, es poco probable que se conozca la forma de
autocorrelacin, por lo que un enfoque ms moderno es que la
autocorrelacin representa una oportunidad para mejorar la regresin.

48

Especificacin
Uno de los supuestos de la regresin clsica es forma funcional
lineal, supuesto que no siempre se cumple.

Test RESET de Ramsey

Es un test general para los siguientes tipos de errores de

especificacin:
Variables omitidas
Forma funcional incorrecta
Correlacin entre X y (debido a errores de medida en X,
sesgo de simultaneidad, combinacin de yt-j y errores
autocorrelacionados).

49

Especificacin

Ho:

~ N(0, 2I)

Ha:

~ N(, 2I), 0

(Especificacin correcta del modelo)

(Especificacin incorrecta)

En esencia, el mtodo trabajo aadiendo trminos de valores

predichos de orden (i.e., yt2 , yt3 ) mayor en la regresin auxiliar.

Ecuacin auxiliar: y = X + y m + , m=1,2

Ho: = 0

(Modelo correctamente especificado)

Si el valor del estadstico TR2 es mayor que 2 ( p 1) se

rechaza Ho y la forma funcional es correcta.
En muestra pequeas se prefiere el test F.

50

Especificacin

El test RESET no da una gua respecto la mejor especificacin.

Una posible causa del rechazo de Ho es cuando el verdadero modelo

es:

yt 1 2 x2t 3 x22t 4 x23t ut

En este caso la solucin es obvia.

Otra posibilidad es transformar los datos en logaritmos; esto

transforma los modelos multiplicativos en modelos aditivos.

yt Axt eut ln yt ln xt ut
51

Normalidad
Estadstico Jarque-Bera

1 T ( X t X )3
A
T t 1
3

f(x)

Asimetra: A=0

N(0,2I)

Curtosis: K=3

1 T (X t X ) 4
K
T t 1
4

f(x)

Distribucin
asimtrica

Distribucin normal

x 52

Normalidad
Ho: Normalidad
Ha: Distribucin distinta a la normal

T k 2 ( K 3) 2
2

JB
A

(2)
6
4

donde:
T = tamao de la muestra.
k = nmero de parmetros estimados
A = coeficiente de asimetra.
K = coeficiente de apuntamiento (Curtosis)

53

Normalidad
Qu debemos hacer si no encontramos normalidad?

No es obvio, qu debemos hacer.

Podramos utilizar un mtodo de estimacin que no requiera del

supuesto de normalidad, pero cules son sus propiedades?

A menudo la presencia de (pocos) valores extremos llevan a rechazar

la Ho de normalidad.

En este caso una alternativa es utilizar variables dummy pulso,

donde sta toma el valor 1 en la fecha en que se observa el valor
extremo.

54

Normalidad
ut
+

Valor extremo 3

Oct
1987

Time

Creamos una variable dummy pulso: D87M10t = 1 en octubre 1987 y 0

e.o.c.
Esta variable elimina la observacin en la fecha especificada; pero se
requiere de razones tericas para aadir este tipo de variables.
55

Omisin de variables importantes o inclusin de variables

irrelevantes
Omisin de variables importantes
Consecuencia: Los coeficientes estimados de todas las variables
sern sesgados e inconsistentes, a menos que la variable excluida
est incorrelacionada con todas las variables incluidas.

An cuando esta condicin se satisfaga, el estimador del intercepto

ser sesgado.

Los errores estndar tambin estarn sesgados.

Inclusin de una variables irrelevantes

Los coeficientes estimados sern insesgados y consistentes, pero
sern ineficientes.

56

Estabilidad de Parmetros
Test de Chow
RESERVAS INTERNACIONALES BRUTAS DEL BCB
(1996Q1 - 2010Q4)
10,000

9730

DficitBoP

8,000

SupervitBoP

6,000

4,000

Yt 12 22 X 2t 32 X 3t t

Yt 11 21 X 2t 31 X 3t t

2,000
1171
0
1996

1998

2000

2002

2004

2006

2008

2010

Ho:

11 12 , 21 22 ,...., k1 k2

(Estabilidad de parmetros, K restricciones)

Ha:

11 12 , 21 22 .... k1 k2

(Ruptura total)
57

Estabilidad de Parmetros

Para realizar el contraste es necesario especificar un modelo

restringido (una sola regresin para toda la muestra) y un modelo sin
restricciones (una regresin para cada sub-muestra).

Modelo con restricciones (Para toda la muestra)

Yt 1 2 X 2t 3 X 3t t

Modelo sin restricciones (libre):

Yt 11 21 X 2t 31 X 3t t

t 1, 2,..., T1

Yt 12 22 X 1t 32 X 3t t

t T1 1,..., T

Estadstico de prueba:

Requisito:
T1>>k
T2>>k

SCRr SCRs SCRr ( SCR1 SCR2 )

q
q

~ F( q ,T -2 K )
F
( SCR1 SCR2 )
SCRs
58
T - 2K
T -K

Contrastes grficos de estabilidad

(Brown, Durbin y Evans, 1975)

H 0 : 1 2 ... k

12 22 ... T2

(Modelo
estructuralmente
estable)

Test Cusum (Contraste de suma acumulada)

Los valores de las sumas acumuladas, bajo Ho de estabilidad,

deberan oscilar entre las lneas de significacin.

59

Contrastes grficos de estabilidad

40
30
20
10
0
-10
-20
-30
-40

CUSUM
5% Significance

-50
1965

1970

1975

1980

1985

1990

1995

2000
60

Contrastes grficos de estabilidad

1.2
1.0

CUSUM of Squares
5% Significance

0.8
0.6
0.4
0.2
0.0
-0.2
1965

1970

1975

1980

1985

1990

1995

2000

61

Contrastes grficos de estabilidad

N Pasos (Test de Chow recursivo)
N-Step Probability
Recursive Residuals

.06
.04
.02
.00
-.02

.000
-.04

.025
.050
.075
.100
.125

No requiere la
especificacin del periodo
de quiebre; computa
automticamente todos los
casos posibles,
comenzando con el tamao
de muestra mnimo
necesario.
Grafica los residuos
recursivos en la parte
superior y las
probabilidades
significativas en la parte
inferior.

.150
1965

1970

1975

1980

1985

1990

1995

2000

62

Contrastes grficos de estabilidad

Grafica la evolucin de
las estimaciones de
cualquier coeficiente
utilizando cada vez
tamaos de muestra
ms grandes.

Coeficientes recursivos
.10
.08

Recursive C(3) Estimates

2 S.E.

Si muestra variaciones
significativas a medida
que se utilizan ms
observaciones, es una
indicacin de
inestabilidad.

.06
.04
.02
.00
-.02
-.04
-.06
1965

1970

1975

1980

1985

1990

1995

2000

El coeficiente
experimenta saltos
importantes cuando la
ecuacin postulada
intenta explicar cambios
estructurales.

63

Uso de variables Ficticias

Tipos de variables independientes (regresores):

Variable cuantitativa = f(variables cuantitativas)
Variable cuantitativa = f(variables cualitativas)
Binarias / dicotmicas
(Sexo, religin, nacionalidad, nivel de educacin,
estacionalidad, etc.)

Variable cuantitativa = f( variables cuantitativas, var. cualitativas)

64

Uso de variables Ficticias

Modelo:

Qt Pt Dt (Dt Pt ) t
Donde:

0 Periodo normal
Dt =
1 Periodo de crisis

Dt = 0 (periodo normal) E(Qt) = + Pt

Dt = 1 (periodo de crisis) E(Qt) = ( +)+ (+)Pt

65

Uso de variables Ficticias

Caso 1: Ausencia de cambio estructural

H o : 0, 0
H a : 0, 0
a) Bajo la hiptesis nula
P

b) Bajo la hiptesis alterna

P

E(Qt | Pt ) Pt

E(Qt | Pt ) Pt t

E (Qt | Pt ) ( ) ( ) Pt

<0
>0

Q
66

Uso de variables Ficticias

Caso 2: Interceptos distintos

Ho : 0
Ha : 0
Bajo la hiptesis alterna
P

E(Qt | Pt ) ( ) Pt , 0

E (Qt | Pt ) Pt

Q
67

Uso de variables Ficticias

Caso 3: Pendientes distintas

Ho : 0
Ha : 0
Bajo la hiptesis alterna
P

E (Qt | Pt ) ( ) Pt , 0

E (Qt | Pt ) Pt

68

Uso de variables Ficticias

Variables ficticias estacionales
Caso: Datos trimestrales

M t 1 2 Pt 3Yt 4it 1Q1t 2Q2t 3Q3t t

E ( M t | Q4t 1, Q1t 0, Q2t 0, Q3t 0, X ) 1 2 Pt 3Yt 4it
E ( M t | Q1t 1, Q2t 0, Q3t 0, Q4t 0, X ) ( 1 1 ) 2 Pt 3Yt 4it
E ( M t | Q2t 1, Q1t 0, Q3t 0, Q4t 0, X ) ( 1 2 ) 2 Pt 3Yt 4it
E ( M t | Q3t 1, Q1t 0, Q2t 0, Q4t 0, X ) ( 1 3 ) 2 Pt 3Yt 4it
69

Regresin lineal a pedazos (Piecewise Linear Regression)

Las variables ficticias tambin son tiles para modelar relaciones no

lineales que pueden ser aproximadas mediante varias relaciones
lineales (Piecewise Linear Regression).

Supongamos que se quiere aproximar mediante este tipo de regresin

la relacin entre impuesto al ingreso, que es progresivo, esto es, a
mayor salario mayor impuesto. Asumamos que estamos interesados
en describir cmo el impuesto pagado (Y) est relacionado con el
ingreso total (bruto) de los hogares (X) y especificamos el siguiente
modelo:

Y A BX U

(1)

Para transformar (1) en una piecewise linear regression, necesitamos

definir 2 variables ficticias que describan en cul seccin lineal se
encuentra el hogar.
70

Regresin lineal a pedazos (Piecewise Linear Regression)

1 ingreso bruto se halla en el intervalo X1 X X 2
D1
0 e.o.c.
1 Ingreso bruto es mayor que X 2
D2
0 e.o.c.

71

Regresin lineal a pedazos (Piecewise Linear Regression)

Luego, re-especificamos el intercepto y la pendiente de (1):

A A0 A1D1 A2 D2

(2)

B B0 B1D1 B2 D2

(3)

Sustituyendo en (1), tenemos

Y ( A0 A1 D1 A2 D2 ) ( B0 B1D1 B2 D2 ) X U
A0 A1D1 A2 D2 B0 X B1D1 X B2 D2 X U

Las relaciones estimadas en los 3 rangos de ingreso son:

cuando X X 1
cuando X 1 X X 2
cuando X X 2

Y a0 b0 X
Y (a0 a1 ) (b0 b1 ) X
Y (a a ) (b b ) X
0

72

Cmara de Comercio de Oruro

CURSO SOBRE MODELOS ECONOMTRICOS Y

PRONSTICO
Julio Humrez Quiroz

Oruro, mayo de 2012