¿Cuál de las causas siguientes puede hacer que los estadísticos t usuales de MCO no sean válidos
(es decir, que no tengan una distribución t bajo H0)?
En términos generales, hacer que las estadísticas de t notenga una distribución bajo H0. Se da
una Homocedasticidad en cuanto a una de las hipótesis del Modelo Lineal. Una variable
importante omitida viola la aceptación del MRL. Las hipótesis del Modelo Lineal no contienen
mención de las correlaciones entre las variables independientes de la muestra, excepto para
descartar el caso en que la correlación es uno
i) Heterocedasticidad.
ii) Que exista un coeficiente de correlación muestral de .95 entre dos variables independientes del
modelo.
Porque?
Taller
∑𝑋1𝑖 2 = 2
∑𝑋1𝑖𝑌𝑖= 𝛽1∑ 𝑿𝟐 i+ 𝛽2∑ 𝑋1𝑖 𝑋2𝑖+ 𝛽3 ∑𝑋2𝑖 𝑋3𝑖+ 𝑢𝑖= 𝛽1*2+ 𝛽2*1+ 𝛽3*0+1
∑ 𝑋2𝑖𝑌𝑖= 𝛽1∑ 𝑋1𝑖 𝑋2𝑖+ 𝛽2∑𝑿𝟐 2𝑖+ 𝛽3∑𝑿𝟐 3𝑖+ 𝑢𝑖= 𝛽1*1+ 𝛽2*10+ 𝛽3*1+1
∑𝑌𝑖= 𝛽11,41+ 𝛽21,41+ 𝛽3*1+33*1= 1,41𝛽1+1,41 𝛽2+ 𝛽3+33
2 𝛽1+𝛽2+ 𝛽3*0=-1
𝛽1+10𝛽2+ 𝛽3=-1
SOLUCIÓN
𝛽1=-4050/1759= 2,30
𝛽2=6359/1759= 3,615
𝛽3=-61290/1759= 34,84
1.3 Sea el modelo 𝑌𝑡 = 𝛽1 + 𝛽2𝑋𝑡 + 𝑢𝑡 donde (𝑢𝑡 2 ) = 𝑡𝑋𝑡 2 conociendo cinco observaciones de
𝑌𝑡 y 𝑋𝑡 . Obtenga la estimación MCO del modelo planteado.
T 1 2 3 4 5
Yt 1 1 0 -1 -
1
Xt 1 -1 1 1 1
1
(𝑢1𝑢4 ) = (𝑢4𝑢1 ) = −1
(𝑢3𝑢5 ) = (𝑢5𝑢3 ) = 1
(𝑢2𝑢4 ) = (𝑢4𝑢2 ) = 1
Observaciones X Y
1 1 1
2 -1 1
3 1 0
4 1 -1
5 1 -1
Observaciones X Y
1 1 1
2 -1 1
3 1 0
4 1 -1
5 1 -1
0,9
Varianza=0,9
Columna 1 Columna 2
Columna 1 0,64
1.4 Explique con sus propias palabras que sucede con la matriz de varianzas y covarianzas en el
método de Mínimos Cuadrados Generalizados. ¿Cuál es la utilidad del uso de Mínimos
Cuadrados Generalizados?
Bajo los supuestos del MRLC los estimadores MCO son los mejores estimadores lineales, e
insesgados, pues son los que tienen varianza mínima: son eficientes. En el caso de que exista
heteroscedasticidad (o autocorrelación) en el modelo las principales consecuencias son las
siguientes:
1) Los estimadores MCO siguen siendo lineales, insesgados, consistentes y con distribución
normal pero ya no tienen varianza mínima. Esto es así incluso en grandes muestras.
2) Las formulas habituales para calcular las varianzas de los estimadores dejan de
sercorrectas y suelen dar varianzas sesgadas.
2.2 Si una serie de tiempo es I (3), ¿Cuántas veces tiene que diferenciarse para hacerla
estacionaria? donde es la tendencia, es la componente estacional e es la componente aleatoria.
Las series temporales se pueden clasificar en: a.- Estacionarias.- Una serie es estacionaria cuando
es estable a lo largo del tiempo, es decir, cuando la media y varianza son constantes en el tiempo.
2.3 ¿Qué es la regresión espuria? Un caso bien conocido de relación espuria puede encontrarse en
la literatura de series de tiempo, donde una regresión espuria es una regresión que proporciona
pruebas estadísticas engañosas de una relación lineal entre variables independientes no
estacionarias.
2.4 ¿Qué es el mecanismo de corrección de errores (ECM)?, sirve para conciliar el comportamiento
de corto plazo de una variable económica con su comportamiento de largo plazo.
2.5. Realice un mapa conceptual explicando los enfoques para la predicción económica:
El método considera cuatro pasos: Paso 1. Identificación. Es decir, encontrar los valores
apropiados de p, d y q. En seguida veremos la forma como el correlograma y el correlograma
parcial ayudan en esta labor. Paso 2. Estimación. Tras identificar los valores apropiados de p y q, la
siguiente etapa es estimar los parámetros de los términos autorregresivos y de promedios
móvilesincluidos en el modelo. Algunas veces, este cálculo se efectúa mediante mínimos
cuadrados ordinarios, pero otras hay que recurrir a métodos de estimación no lineal (en
parámetros). Paso 3. Examen de diagnóstico. Después de seleccionar un modelo ARIMA particular
y de estimar sus parámetros, tratamos de ver si el modelo seleccionado se ajusta a los datos en
forma razonablemente buena, pues es posible que exista otro modelo ARIMA que también lo
haga. Es por esto que el diseño de modelos ARIMA de Box-Jenkins es un arte más que una ciencia;
se requiere gran habilidad para seleccionar el modelo ARIMA correcto. Una simple prueba del
modelo seleccionado es ver si los residuales estimados a partir de este modelo son ruido blanco; si
lo son, aceptamos el ajuste particular; si no lo son, debemos empezar de nuevo. Por tanto, la
metodología BJ es un proceso iterativo Paso 4. Pronóstico. Una razón de la popularidad del
proceso de construcción de modelos ARIMA es su éxito en el pronóstico. En muchos casos, los
pronósticos obtenidos por este método son más confiables que los obtenidos de modelos
econométricos tradicionales, en particular en el caso de pronósticos de corto plazo. Por supuesto,
cada caso debe verificarse.
la estacionalidad cambia en el tiempo, como ocurre, por ejemplo, con el clima ... política
económica el estudio se lleva a cabo, en general, sobre series ... generalizada la
desestacionalización de series (quizás cientos o miles todos los .... r-1 se asigna la serie al grupo
de las no estacionales.
REFERENCIAS
Prof. Dr. José Luis Gallego Gómez,Departamento de Economía. Universidad de Cantabria
Apuntes de Econometría. LADE y LE. Curso 2008-2009. Material publicado bajo licencia Creative
Commons.
https://es.wikipedia.org/wiki/Proceso_estoc%C3%A1stico
https://archive.cnx.org/contents/e3f8443a-3791-4d40-85b9-fc515bf8b81a@1/procesos-
aleatorios