Antunez Irgoin
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
Min ; 2 Y X Y X
X Txk
X X XY
X 11 X 12 X 1t
X
X 22 X 2t
21
X T 1 X T 2 X Tk
nk
Y X Y X
Y11
Y
21
YTx1
YT
nk
1
2
Var Cov( ) XX
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
no paramtrico.
Es lineal en los parmetros.
Es insesgado E()=
Eficiente (Varianza mnima)
Consistente plim()
Ejemplo : Modelo de Cagan linealizado
Ln ( M t ) 1 * Ln ( PBI t ) 2 * Ln (i) t
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
(H0: i =0).Con t-k grados de libertad, Indica que la variable contribuye a explicar
la variable endgena.
SE. Of regression:
SCE Y X Y X
SCR Y Y Y X Y X
Durbin-Watson
stat:
Test de Normalidad
Uno de los problema ms frecuentes al trabajar con
variables es saber si tiene distribucin Normal. Pues no
se puede aplicar los Test estadsticos si la poblacin no
es normal, en ese caso se trabajara con pruebas no
paramtricas o se puede graficara las variables para
tener una idea de la forma y de esta manera poder hacer
las transformaciones del caso para que tengan una
distribucin normal.
* Eviews 7 tiene incorporado variaras pruebas para
analizar la normalidad, yo por mi parte describir tres de
estas que considero las ms importantes para estar
seguro o tener una alta probabilidad que la variables
tenga una distribucin normal
Test de Jarque Bera
ANTUNEZ IRGOIN
Prueba de Normalidad (Quantile -CESAR
Quantile)
nakatabox@hotmail.com
T: Tamao de muestra
6
4
K: Es la kurtosis
S: Es la asimetra
k: Nmero de regresoras
2
5.99
Regla de Decisin: JB
Si el JB es menor 5.99 no se rechaza la hiptesis nula
2
(5%;2)
Diagrama de Caja
Si en el grfico la media esta en medio de la caja y los
bigotes de la caja tiene casi la misma distancia a la
caja se acepta la normalidad de la variable.
* Como sabemos este grfico se basa en la media, los
cuartiles y valores extremos. Donde la caja encierra el
rango intercuartil que encierra el 50% de los valores y
tiene una media dibujada dentro, adems el intercuartil
tiene como extremos el percentil 75 y el percentil 25.
Instruccin en Views es abrir Resid con doble click ir a
View/Graph/ Seleccionar la especificacin Boxplot.
Eviews tiene tres pruebas sobre los coeficientes del modelo y estas
son:
Pruebas de Restriccin de Coeficientes: Esta prueba se basa en la
prueba de Wald, que puede ser individual (H0: i = 0) o grupal (H0:
1 = 2 = k =0)
En la ventana de la ecuacin(nuestro caso cagan) ir a View/Coefficient
Diagnostics/Wald Test-Coefficient RestrictionsE n la ventana de
dialogo se escriben las restricciones entre comas ejemplo:
H0 :
C(1)-2*C(2) = 0
W ( Rb q) S R( X X ) R ( Rb q) 2
2
F ( q=1;T=70;0.95)
Como se observa en el
rectngulo de color rojo
que tiene una baja
probabilidad 0.02% de
no rechazar la hiptesis
nula. Rechaza H0
q: Nmero de
restricciones.
( t/ t s/ s ) / q
F( q;T k )
s /(T k )
o Pruebas de Variables Omitidas: Nos da una idea si una lista
de variable adicional podra mejorar el modelo.
Ubicamos en cuadro de la ecuacin (caso Cagan) nos dirigimos
a View/Coefficient Diagnostics /Omitted Variables TestLikelihood Ratio.
En el cuadro de dialogo se escriben
variables
a omitir
H0 : las
La variable
inter
es no (caso:
inter)
significativa para el modelo
/
s
(C(3)=0)
H0 : La variable LogPBI es
redundante para el modelo.
H1 : La variable LogPBI es
redundante para el modelo .
Con una baja probabilidad de 0 %
(menor =5%) no se acepta la
hiptesis nula.
Por lo que la variable LogPBI no es
redundante para el modelo de
Cagan
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
Multicolinealidad
La multicolinealidad en el Modelo Lineal General se presenta cuando las
variables independientes presentan alto nivel de correlacin. Por lo que
en trminos empricos hay que definir los limites de tolerancia de
colinealidad.
Siguiendo a Klein en su versin de correlacin indica un alto grado
cuando:
rX X RY
i
En el modelo de Regresin de
la Gua positiva anterior se
puede observar una alta
colinealidad (un buen ajuste
entre R^2 y F), pero la
variable X3_ no es
significativa (tiene una
probabilidad alta de 21.31%
mayor al 5%), lo que nos da
indicios de multicolinealidad
que constatara con la matriz
de correlaciones. Para
realizar el grafico de las
correlaciones seleccionemos
X1 X2 X3_ con CTRL y
despus un Click izquierdo
nos dirigiremos a la Table en
men View/Graph
seleccionaremos la opcin
que se muestra en el grfico
de Graph Options
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
Test de Farrar-Glauber
H0 : Las Xi son ortogonales entre si
H1 : Las Xi no son ortogonales entre si (Existe multicolinealidad)
2k 5
FG T 1 (
) * Log R k2( k 1) / 2
6
Autocorrelacin
Es un caso particular de MCG que se produce cuando los errores del
modelo presentan correlaciones entre ellas (esto puede deberse a
efectos inerciales del pasado como la inflacin, una crisis mundial,
rezagos de poltica, especulacin, etc). Este problema
y la
heteroscedasticidad origina que las perturbaciones no sean esfricas.
Por lo que la matriz de varianzas y covarianzas de las perturbaciones
sean distintas a cero.
ts
Planteamiento Formal
Yt xt t
Autocovarianza
E ( t s , t ) s 0
2
2
E
(
s 0
Coeficientes de Autocorrelacin
Cov( t s , t )
s
r
Var ( t s )Var ( t )
0
s 0,1,-2,...
1 T 1
1 T 1
0
1
1
0
T
2
1
T
2
2
Var( t ) E ( t , t/ )
T 1 T 2 1
T 1 T 2 0
Se utilizar MCG o reparametrizados de los coeficientes de
autocorrelacinpara estimar los parmetros
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
Yt xt t
t t 1 ut
Ho : 0 no existe autocorrelacin de primer orden
T
DW=
(
t 2
t 1 )
t 1
2(1 )
Crtica:
* Slo es valido para la autocorrelacin de la perturbacin
autorregresiva de orden 1 (AR(1)).
* Requiere de una muestra mnima de 15, para obtener resultados
fiables.
* Presenta zonas de indeterminacin
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
Yt xt t
t 1 t 1 2 t 2 ... r t r ut
H 0 : 1 2 ... r 0
(ausencia de Autocorrelacin)
H1 : 1 2 ... r 0
AR (r) o MA (r)
LM TR 2
r2
Q T ri 2 r2
i 1
ri
t 1
T
t i
t
t 1
2
2
T
73
= 0.2341los valores
que sean iguales o
mayor ha este valor
nos indicara el orden
de AR(r).
Correccin de la
Autocorrelacin
Introduciremos el componente
autoregresivo al modelo
estimado.
Heteroscedasticidad
La heteroscedasticidad significa que la varianza de las
perturbaciones no es constante a lo largo de las
observaciones, violando un supuesto bsico del modelo
( E( 2 ) i2 )
Consecuencias
Una perdida de eficiencia de los estimadores mnimos
cuadrados.
La varianza del estimador por MCO no es mnima.
Solucin
Reparamtrizar el modelo para encontrar la ley de
formacin de la varianza para cada periodo.
* Como veremos a continuacin Eviews tiene
incorporado varias pruebas para detectar la
heteroscedasticidad de los errores
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
Supuesto Formal
Yt xt t
12 0 0
2
0
0
2
Var( t ) E ( t , t/ )
2
0 0 T
Deteccin de H
Este anlisis se basa en los residuos
i) Representacin grfica de residuos estimados versus la
variable dependiente proyectada o tras variables conocidas,
para explicar el comportamiento de la varianza y poder extraer
su ley.
ii) Prueba general de (Goldfeld y Quant, Breusch y Pagan ,
White)
* Si representamos grficamente los residual elevados al
cuadrado con la variable dependiente pronosticada (o con cada
uno de los regresores ordenados )
CESAR
ANTUNEZ
IRGOIN
* Si en el cuadro de comando digitamos:
genr
resid_2=resid^2
nakatabox@hotmail.com
hemos
( s
/ s1 ) 2 ;(T r ) / 2;(T r ) / 2
Prueba de White
Este contraste es el ms general por que no especifica
concretamente la heteroscedasticidad.
H 0 : i2 2 No existe Heteroscedasticidad
H1 : no se verifica H 0
White sin termino cruzado (no cross terms)
2i
i 1 N
kt
H o : 1 k 11 kk 12 k 1,k 0
LM T * R 2 22k
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
rechaza
Formas de Corregir la
Heteroscedasticidad
Un manera es realizar Mnimos Cuadrados
Ponderados , donde la ponderacin se puede
elegir mediante White o el anlisis de residuos.
Correccin
* Correccin White (Heteroskedasticy Consiste
Covariances)
* Correcin de Newey West (HAC Consistent
Covariances)
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
Mnimos Cuadrados
Ponderados(MCP)
Modelo con problemas de Heteroscedasticidad
Yt xt t
V : Ponderador
12 0 0 1 0 0
2
/
0 2 0 0 2 0 VV
E
(
t t
2
0 0 T 0 0 T
de Heteroscedasticidad
1
0 1/ 2
V
Yt xt vt
MCO X X X Y
1 / T
Correccin de Heteroscedasticidad
Correccin de White: Corrige la matriz de Var Cov por
heteroscedasticidad.
T
T
1
W
X X t2 XX ( X X )1
T k
t 1
T k
q
T 2
T
v
X t t X tv X t v t v t X
t XX 1
T k t 1
q 1
v 1
q 4(T / 100 ) 2 / 9
q: Representa un nmero entero
CESAR ANTUNEZ IRGOIN
nakatabox@hotmail.com
Estimacin en Eviews
En la ventana de resultados hacemos click en estimate y
luego en options