Problema

¿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.

iii) Omitir una variable explicativa importante.

Porque?

Taller

1. Solucione los siguientes problemas.

1.1 considere el siguiente modelo de regresión lineal

𝑌𝑖 = 𝛽1𝑋1𝑖 + 𝛽2𝑋2𝑖 + 𝛽3𝑋3𝑖 + 𝑢𝑖 (𝑖 = 1, … … . , 𝑛)

Y los siguientes datos elaborados a partir de una muestra de tamaño n=33

∑𝑋1𝑖 2 = 2 ∑𝑋2𝑖 2 = 10 ∑𝑋3𝑖 2 = 1 ∑𝑌𝑖 2 = 35

∑𝑋1𝑖𝑋2𝑖 = 1 ∑𝑋2𝑖𝑋3𝑖 = 0 ∑𝑋1𝑖𝑋3𝑖 = 1

∑𝑋1𝑖𝑌𝑖 = 5 ∑𝑋2𝑖𝑌𝑖 = 10 ∑𝑋3𝑖𝑌𝑖 = 4

Calcular la estimación MCO de 𝛽 y de 𝜎𝑢 2 y la matriz de varianzas y covarianzas de 𝛽̈.

∑𝑋1𝑖 2 = 2

∑𝑌𝑖= 𝛽1∑ 𝑋1𝑖+ 𝛽2∑𝑋2𝑖 +𝛽3∑𝑋3𝑖+n 𝑢𝑖= 𝛽11,41+ 𝛽21,41+ 𝛽3*1+33*1

∑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

∑𝑋1𝑖𝑌𝑖 =𝛽1*2+ 𝛽2*1+ 𝛽3*0+1=2 𝛽1+𝛽2+ 𝛽3*0+1

∑ 𝑋2𝑖𝑌𝑖= 𝛽1*1+ 𝛽2*10+ 𝛽3*1+1=𝛽1+10𝛽2+ 𝛽3+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

𝑌𝑖 = 2,30𝑋1𝑖 + 3,615𝑋2𝑖 + 34,84𝑋3𝑖

1.2 Sea el modelo 𝑌𝑡 = 𝛽1 + 𝛽2𝑋2𝑡 + 𝛽3𝑋3𝑡 + ; 𝑡 = 1, … . . ,25 donde ( ) = 0 ∀𝑡, 𝐸(𝑢𝑡 2 ) = 𝑡 y

𝐸(𝑢𝑡𝑢𝑠 ) = 0∀𝑡 ≠ 𝑠. Complete las matrices:

¿Qué características presentan las perturbaciones de este modelo?

  El modelo lineal general correctamente especificado presenta heterocedasticidad pura
cuando los errores tienen distinta varianza, E(u2i = σ2 i (el subíndice de σ2i indica que la
varianza cambia con la observación i).
 El modelo de regresión con heterocedasticidad es un caso especial del modelo de
regresión con perturbaciones no esféricas.
 Por tanto, en presencia de heterocedasticidad, el estimador de mínimos cuadrados
ordinarios es lineal, insesgado y consistente, pero deja de ser eficiente. Para aplicar
mínimos cuadrados generalizados necesitamos proponer una forma para la
heterocedasticidad de las perturbaciones.
 Resulta interesante disponer de métodos de detección que nos indiquen si los residuos
de un modelo son homocedasticos o heterocedasticos, y, en su caso, la forma de la
heterocedasticidad.

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

También se sabe que:

(𝑢1𝑢3 ) = (𝑢3𝑢1 ) = 1

(𝑢1𝑢4 ) = (𝑢4𝑢1 ) = −1

(𝑢3𝑢5 ) = (𝑢5𝑢3 ) = 1

(𝑢2𝑢4 ) = (𝑢4𝑢2 ) = 1

(𝑢1𝑢1 ) = (𝑢1𝑢1 ) = 𝐸(𝑢2𝑢3 ) = 𝐸(𝑢3𝑢2 ) = 0

(𝑢1𝑢5 ) = (𝑢5𝑢1 ) = 𝐸(𝑢2𝑢5 ) = 𝐸(𝑢5𝑢2 ) = 0

(𝑢3𝑢4 ) = (𝑢4𝑢3 ) = 𝐸(𝑢4𝑢5 ) = 𝐸(𝑢5𝑢4 ) = 0

Y dada la información anterior obtenga la matriz de varianzas y covarianzas.

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

Columna 2 -0,4 0,8

COVARIANZA

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.

3) Como consecuencia, los contrastes de hipótesis y los intervalos de confianza basados en

el la t y F ya no son válidos. Por tanto, existe la posibilidad de extraer conclusiones
erróneas si se utilizan los procedimientos convencionales de contrastación de hipótesis.

2. Defina los siguientes conceptos:

2.1.Defina lossiguientes:

 Procesos estocásticos:concepto matemático que sirve para usar magnitudes aleatorias

que varían con el tiempo o para caracterizar una sucesión de variables aleatorias que
evolucionan en función de otra variable, generalmente el tiempo.
 procesos aleatorios: Un Proceso Aleatorio se define como el conjunto de señales
provenientes de realizar un determinado experimento o de un evento de la naturaleza.
La naturaleza aleatoria del experimento proviene del desconocimiento de cuál de las
señales se obtendrá al realizar el experimento.
 procesos puramente aleatorios: El proceso temporal puramente aleatorio ( ) es el más
simple de los procesos estocásticos estacionarios y también el más importante
teóricamente, puesto que en él se fundamentan el resto de procesos estocásticos.
 procesos no estacionarios: Un proceso estocástico no estacionario es aquel cuya
distribución de probabilidad varía de forma no constante. Si una serie de números se
comporta de forma totalmente caótica, podríamos decir que es aleatorio no
estacionario.
 variables integradas: Las series integradas son un caso particular de series no
estacionarias.
 modelos de caminata aleatoria: La caminata aleatoria o paseo aleatorio o camino
aleatorio, abreviado en inglés como RW (Random Walks), es una formalización
matemática de la trayectoria que resulta de hacer sucesivos pasos aleatorios. Por
ejemplo, la ruta trazada por una molécula mientras viaja por un líquido o un gas, el
camino que sigue un animal en su búsqueda de comida, el precio de una acción
fluctuante y la situación financiera de un jugador pueden tratarse como una caminata
aleatoria.
 Cointegracion: La cointegración se da cuando existe una relación fuerte a largo plazo
entre las variables. Que dos variables estén cointegradas implica que aunque crezcan a
lo largo del tiempo, lo hacen de forma sincronizada.
 tendencias determinísticas y estocásticas: Tendencia determinística: Implica que no hay
incertidumbre alguna sobre la evolución futura de la tendencia. Conocido el pasado es
posible prever su futuro. NO ES REALISTA.
 No hay certidumbre a futuro. SON MÁS
 Tendencia estocástica:No hay certidumbre a futuro. SON MÁSREALISTAS.
 prueba de raíz unitaria: Una raíz unitaria es una característica de los procesos que
evolucionan a través del tiempo y que puede causar problemas en inferencia estadística
en modelos de series de tiempo.

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.

¿Cuál es su relación con la cointegración? La cointegración es una característica estadística de las

variables en las series de tiempo donde dos o más series de tiempo están cointegradas si
comparten una tendencia estocástica común.

2.5. Realice un mapa conceptual explicando los enfoques para la predicción económica:

2.6 Explique la elaboración de modelos AR, MA y ARIMA para series de tiempo.

un modelo autorregresivo integrado de promedio móvil o ARIMA (acrónimo del inglés

autoregressive integrated moving average) es un modelo estadístico que utiliza variaciones y
regresiones de datos estadísticos con el fin de encontrar patrones para una predicción hacia el
futuro. Se trata de un modelo dinámico de series temporales, es decir, las estimaciones futuras
vienen explicadas por los datos del pasado y no por variables independientes.
2.7 Explique la metodología de BOX-JENKINGS (BJ).

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.

3. Investigue como se lleva a cabo un proceso de desestacionalizacion e R y de un ejemplo.

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.

Cuarto curso de Administración y Dirección de Empresas Profesores:Jesús Cavero

Álvarez,Carmen Lorenzo Lago,Mercedes Prieto Alaiz.

https://es.wikipedia.org/wiki/Proceso_estoc%C3%A1stico

https://archive.cnx.org/contents/e3f8443a-3791-4d40-85b9-fc515bf8b81a@1/procesos-
aleatorios