ECONOMETRA II

EXAMEN PARCIAL Abril 2010 Nombre y apellidos: DNI:.

1.- En una regresin para explicar el precio en euros de una vivienda se incluyeron el nmero de habitaciones (1,23,), la altura del piso (1, 2, 3), si era exterior (1-Si, 0-No) y la zona en donde se ubicaba (1 Zona de Menor Renta a 10 Zona de Mayor Renta). El analista sabe que cometi un importante error omitiendo la relevante variable de la extensin del piso (en metros cuadrados) pero no puede disponer ahora de esa informacin. a.- Qu cree que ocurrir con el parmetro estimado para el nmero de habitaciones? Marque con una X la casilla adecuada. Claramente riesgo de sesgo al alza X X X Claramente riesgo de sesgo a la baja Probablemente ser insesgado o sesgo reducido X No puede tenerse una idea a priori

Parmetro Num. habitaciones Altura Zona Interior

(En el examen no hay que explicar con texto el porqu de las cruces, pero yo ofrezco aqu la explicacin para que se entienda cul es la respuesta correcta). El sesgo por variables omitidas depende de dos factores: la relacin entre la variable omitida y la incluida y la relacin entre la variable omitida y la endgena. Ni la altura del piso ni el hecho de ser o no interior estar sustancialmente relacionado con la amplitud del piso por lo que lo ms probable es que no haya un sesgo notable. En el caso del nmero de habitaciones y la zona, si es probable un sesgo positivo (ver respuesta en la pregunta siguiente). b.- Explique tcnicamente su respuesta a la pregunta anterior slo para el caso del parmetro del nmero de habitaciones. El sesgo por variables omitidas depende de dos factores: la relacin entre la variable omitida y la incluida y la relacin entre la variable omitida y la endgena. En el caso del nmero de habitaciones, su relacin con el tamao de la casa ser positiva; por otro lado, la relacin entre el tamao y el precio tambin ser positiva. As pues, el parmetro del nmero de habitaciones estar inicialmente sesgado al alza. c.- Si, para su prximo estudio, el analista dispusiera de los datos de la extensin de los pisos y los introdujera en su regresin. Cmo cree que cambiaran las varianzas de los parmetros respecto a este primer estudio realizado sin los datos de extensin?. Probablemente se reducira X Probablemente crecera No puede tenerse una idea a priori X Los problemas son de sesgo, no de eficiencia

Parmetro Num. habitaciones Altura

Zona Interior (Si/No)

X X

(En el examen no hay que explicar con texto el porqu de las cruces, pero yo ofrezco aqu la explicacin para que se entienda cul es la respuesta correcta). La inclusin de una omitida relevante (como el tamao) generar, previsiblemente, un mejor ajuste en el modelo (menor varianza residual) por lo que, en general, la varianza se reducir. No obstante, en aquellas variables que guarden correlacin con la excluida (tamao) como son el nmero de habitaciones y la zona, la inclusin de la omitida puede generar problemas de multicolinealidad y, por consiguiente, varianzas mayores (menos precisin). En estos dos casos, no puede saberse si el efecto final sobre la varianza ser de aumento o de disminucin. d.- Explique tcnicamente su respuesta a la pregunta anterior slo para el caso del parmetro de la altura. La altura no debera correlacionar con el tamao del piso por lo que la inclusin del tamao generar un mejor ajuste del modelo que redundar en un ajuste ms preciso del parmetro de la altura. 2.- Imaginemos que el analista no puede medir la extensin de cada piso y decide utilizar, como variable proxy, la extensin media de los pisos en la zona en que se localiza cada uno. Al realizar la regresin, el analista obtiene un nuevo parmetro (el de la extensin de la zona) y no observa ningn cambio relevante en ningn parmetro de las incluidas previamente, aunque s, pequeos cambios en sus varianzas. Obviamente, la extensin de cada piso no coincidir con la media de la zona, pero el analista piensa que mejor es esta solucin que la omisin plena. Qu cree usted? 1.- Respecto al parmetro de la variable proxy, los resultados no permitirn obtener un parmetro insesgado. 2.- Respecto al resto de parmetros, el hecho de que no hayan cambiado revela que la inclusin de la proxy no ha corregido el sesgo inicial. La pequea reduccin de la varianza revela que la aproximacin es til para mejorar la precisin del modelo, pero el error de aproximacin parece seguir relacionado con las variables incluidas. 3.- Interprete tcnicamente el siguiente resultado:
White Heteroskedasticity Test: F-statistic Obs*R-squared 9.412143 118.0411 Probability Probability 0.000000 0.000000

El test de White indica que el riesgo de error asociado a rechazo de la nula (Homocedasticidad) es del 0% as que podemos rechazar la nula de Homocedasticidad con una confianza del 100%. Consideramos, por tanto, que existe riesgo de heterocedasticidad. 4.- Y este otro.
Breusch-Godfrey Serial Correlation LM Test: F-statistic Obs*R-squared 4.003157 7.630266 Probability Probability 0.023715 0.022035

El test de BG indica que el riesgo de error asociado a rechazo de la nula (Autocorrelacin) es del 2,3% as que podemos rechazar la nula de No Autocorrelacin con una confianza del 97,7%. Consideramos, por tanto, que existe riesgo de autocorrelacin. 5.- Porqu la autocorrelacin es especialmente peligrosa en los modelos dinmicos (aquellos que usan la endgena retardada como explicativa). Porque adems de los problemas genricos de ineficiencia y sesgo en la varianza de los parmetros, la autocorrelacin induce problemas de sesgo en el parmetro de la endgena retardada. 6.- Comente esta frase: Dado que la correccin de los problemas de autocorrelacin y heterocedasticidad afecta a la eficiencia (no al sesgo) si en un modelo estimado con MCO los parmetros son ya estadsticamente muy significativos no merece la pena corregir autocorrelacin y heterocedasticidad, porque la mejora en la eficiencia no es necesaria. No es cierto. La autocorrelacin y/o la heterocedasticidad no slo provocan ineficiencia de los MCO sino que adems generan errores de clculo en la varianza MCO de los parmetros de modo que un buen resultado de los contrastes de significatividad puede en realidad ser un espejismo provocado por la autocorrelacin y/o la heterocedasticidad. 7.- Si un modelo estimado por MCO tiene autocorrelacin AR(1) con un DW=0.6, cmo transformara los datos para corregir el problema con MCGF. Los
* jt

datos

requieren

diferencias

(o

semidiferencias)

del

tipo

yt* yt yt 1

x x jt x jt 1 . El valor del coeficiente puede obtenerse a partir del DW como

DW 21 1 DW que en este caso arroja un valor de 0.7. 2

8.- Comente esta frase: En la prctica, y en previsin de problemas con la perturbacin, utilizar por defecto el estimador MCG es siempre recomendable, dado que frente a MCO, MCG es siempre eficiente. No es verdad. La utilizacin de MCG slo genera una superioridad tcnica en el caso en que se disponga de la matriz de varianzas y covarianzas SIGMA (). En la prctica, no dispondremos ms que de una aproximacin a () de modo que no usaremos MCG sino MCGF, para la que ser necesario un diagnstico preciso. En todo caso, dado que usaremos una aproximacin, las propiedades tericas sobre el papel pueden no verse confirmadas. 9.- Qu ventaja ofrece el test LM de Bresch Godfrey frente al DW o el test t de Wooldridge?. Permite controlar de forma consistente la presencia de regresores estocsticos en el diagnstico de la autocorrelacin. 10.- Qu le sugieren los siguientes grficos residuales: Grfico positiva 1: Autocorrelacin Grfico 2: Homocedasticidad Grfico 3: Heterocedasticidad

200

80000

80000 60000

100

40000

60000
20000

RESID^2

40000

-20000 -40000

-100

20000

-60000 -80000 2 4 6 8 10 12 14 16 18

-200
0 10000 10500 11000 11500 12000 12500 EDAD

-300 5 10 15 20 25 30 35 40 45 50 55 60 IBEX35 Residuals

G ID Residuals