RESUMEN 2 PARTE

ECONOMETRA
SEMESTRE OTOO 2014
PROFESOR: EDINSON PREZ B.
1
MODELO CLSICO DE REGRESIN LINEAL (MCRL)
1. Lineal en los parmetros. La esperanza
condicional de Y es una funcin lineal de X
i
2. Valores fijos de X, independientes del trmino de
error cov(X
i
, m
i
) = o. El supuesto implica que los
valores de X son No estocsticos. Se requiere
cov(X, m)=0
3. El valor medio de la perturbacin m
i
es igual a
cerolos valores positivos de m
i
se cancelan con los
valores negativos de m
i
los factores no
incluidos en el modelo no afectan
sistemticamente el valor de la media de Y.
2
SUPUESTOS DEL MODELO
4. Homoscedasticidad o varianza de m
i
es constante
Var(m
i
) =s
2
.
5. No hay autocorrelacin entre las perturbaciones.
la correlacin entre dos mi y mj cualesquiera es cero
Cov(m
i
;m
j
)=0, osea las perturbaciones son
aleatorias e independientes entre s.
6. El nmero de observaciones N debe ser mayor que el
nmero de parmetros b
i
a estimar (condicin
matemtica para resolver ecuaciones).
3
MODELO CLSICO DE REGRESIN LINEAL (MCRL)
SUPUESTOS
7. Los valores X en una muestra determinada NO
deben ser todos iguales, porque
(b
1
=Sx
i
y
i
/Sx
i
2
parmetros indeterminados).
Adems, no puede haber valores atpicos de la
variable X.
8. No debe haber colinealidad exacta entre las
variables X. No hay relacin lineal exacta
entre X2 y X3.
9. No hay sesgo de especificacin. El modelo
est especificado correctamente.
4
MODELO CLSICO DE REGRESIN LINEAL (MCRL)
SUPUESTOS
Usamos estadgrafo F con (k-1) y (N-k) grados de
libertad, porque nos permite probar la hiptesis
nula H
0
de que ninguna de las variables
explicativas conjuntamente ayuda a explicar la
variable Y.
Si F
c
>F
t
rechazamos H
0
; por lo tanto, todas las
variables independientes contribuyen a explicar la
variable Y.
5
PRUEBA DE SIGNIFICANCIA GLOBAL DEL MODELO
MODELO DE REGRESIN MLTIPLE
ESTIMACIN MCO
Cuando comparamos dos modelos de regresin con la
misma variable dependiente debemos usar R
2
corregido
por sus gl.
Es importante sealar que, al comparar dos modelos con
base R
2
, ajustado o no, el tamao de la muestra N y la
variable dependiente deben ser los mismos; las
variables explicativas pueden adoptar cualquier forma.
Nuestro objetivo no debe ser buscar R
2
elevado per
se, sino ms bien obtener estimadores confiables de los
verdaderos coeficientes de regresin poblacional que
permitan realizar inferencia estadstica sobre ellos.
6
BONDAD DEL AJUSTE
MODELO DE REGRESIN MLTIPLE
ESTIMACIN MCO
Para evaluar la contribucin incremental de
nuevas variables a un modelo, aparte del R
2
ajustado, se usa el anlisis formal ANOVA (test
F):
Si F
c
>F
t
rechazamos H
0
; por lo tanto las variables
incorporadas contribuyen a mejorar la prediccin
de variable Y.
7
CONTRIBUCIN INCREMENTAL DE UNA NUEVA VARIABLE
MODELO DE REGRESIN MLTIPLE
ESTIMACIN MCO
Cuando un modelo de regresin tiene
algunas restricciones, en esos casos
aplicamos MCR. El Test F nos permitir
decidir cul de los modelos conviene
mantener, sea este el restringido (R) o no
restringido (NR).
Si Fc>Ft rechazamos H
0
, significa aceptar
el modelo NR.
8
MODELO DE REGRESIN MLTIPLE
MNIMOS CUADRADO RESTRINGIDOS (MCR)
Los 2 modelos de variables cualitativas son: ANOVA
que usa slo variables cualitativas y ANCOVA con
variables cualitativas y cuantitativas.
Si una variable cualitativa con m-categoras, slo hay
que agregar (m1) variables dictomas
Para cada variable cualitativa, el nmero de variables
dictomas introducidas debe ser una menos que las
categoras de esa variable.
Todas las comparaciones se hacen respecto de la
categora de comparacin que se refleja en b
1
.
9
MODELOS CON VARIABLES DICOTMICAS
Si la multicolinealidad es perfecta entre las
variables independientes los coeficientes de
regresin sern indeterminados y sus errores
estndares infinitos.
Si la multicolinealidad es imperfecta los
coeficientes de regresin, aunque sean
determinados, poseern grandes errores
estndar, los coeficientes no podrn ser
estimados con gran precisin.
La multicolinealidad No Aplica para variables
independientes No Lineales, por ejemplo la
funcin de produccin Cobb-Douglas o una
funcin de costo marginal.
10
MULTICOLINEALIDAD
NATURALEZA
Mtodo de recoleccin de datos: muestras en un
intervalo demasiado limitado de valores.
Restricciones en el modelo: Por ejemplo, el consumo
de electricidad con el ingreso y el tamao de las
viviendas.
Especificacin del modelo: por ejemplo, cuando la
especificacin funcional no corresponde a la del marco
terico.
Modelo sobredeterminado: esto sucede cuando el
modelo tiene ms variables explicativas (X) que el
nmero de observaciones (N).
Eleccin de la muestra: en el sentido que, aunque las
variables X no estn linealmente co-relacionadas en la
poblacin, pueden estarlo en una muestra en particular.
11
CAUSAS
MULTICOLINEALIDAD
Con multicolinealidad imperfecta los estimadores
MCO siguen siendo MELI, puesto que
continan siendo insesgados, con varianza
mnima.
No obstante que los estimadores son MELI,
presentan varianzas y covarianzas grandes
que dificultan la estimacin precisa.
Los intervalos de confianza tienden a ser mucho
ms amplios, lo cual propicia una aceptacin ms
fcil de la H
0
, invalidando los test t.
12
MULTICOLINEALIDAD
CONSECUENCIA
13
MULTICOLINEALIDAD
R
2
elevado y pocas test t significativas.
Altas correlaciones entre parejas de regresoras X.
Regresiones auxiliares (regresiones entre las X) para
detectar R
2
elevados.
Regla de Klein si en alguna regresin auxiliar R
2
(entre las Xs) > R
2
(con Y)sntoma colinealidad alta.
FIV superior a 10
Diagramas de dispersin entre pares de variables.
14
MULTICOLINEALIDAD
MTODO DE DETECCIN PRCTICO
Siendo un problema inherente a la muestra, a veces
no es posible corregir el problema.. slo mejorar la
muestra. datos nuevos.
Si se cuenta con informacin previa, entonces usarla
(investigacin anterior, la teora, etc.).
Combinar datos de corte transversal y series de
tiempo.
Eliminar una(s) variable(s), cuidando no introducir
sesgo de especificacin.
Transformar variables (p.ej. primeras diferencias en
series de tiempo y razones per cpita).
15
QU HACER?
MULTICOLINEALIDAD
Curva de Aprendizaje: p. ej. Caso dactilgrafas
Cambio comportamiento: p.ej. a medida que aumenta
ingreso aumenta la discrecionalidad de su uso
Comn en estudios de corte transversal es que se
analizan grupos de diferentes tamaos: empresas, ingresos
personas, consumo.
Los Datos como fuente causa:
datos de corte transversal
tcnica recoleccin de datos
Incorrecta transformacin de los datos
presencia de datos atpicos.
N pequeo.
Errores en la especificacin del modelo (omisin
variables relevantes, forma funcional, incorrecta
transformacin datos):
16
HETEROSCEDASTICIDAD
E(m
i
2
)=s
2
homoscedasticidad
E(m
i
2
)=s
i
2
heteroscedasticidad
CAUSAS
Los estimadores MCO siguen siendo lineales, insesgados
y consistentes, es decir, al aumentar N el estimador tiende
a su valor verdadero
Sin embargo, los estimadores s dejan de ser de
varianza mnima, pierden propiedad de eficiencia
inferencia estadstica que realicemos puede estar errada
El problema surge porque el Su
2
/(N-k) deja de ser un
estimador insesgado de s; el sesgo puede ser positivo o
negativo
17
CONSECUENCIAS
HETEROSCEDASTICIDAD
E(m
i
2
)=s
2
homoscedasticidad
E(m
i
2
)=s
i
2
heteroscedasticidad
^
Observacin de los residuos m
i
2
vs Y
i
estimado y
tambin sobre X
Antecedentes de estudios previos: corte transversal la
heteroscedasticidad suele estar presente.
Prueba de Park
lnm
2
= a+ b lnX
i
+ n
i
Si b es estadsticamente significativoHeteroscedasticidad
Prueba de Glejser (til para muestras grandes)
Sugiere regresin sobre los valores absolutos de m.
Prueba de White: Considera como potenciales
variables explicativas de heteroscedasticidad a todas
las variables X del modelo principal.
18
HETEROSCEDASTICIDAD
^
MTODO DE DETECCIN PRCTICO Y FORMAL
^
Si conocemos s
2
i
aplicamos MCG (mnimos cuadrados
generalizados/ponderados)
Y
i
= b
1
X
0i
+b
2
X
2i
+m
i
/ 1/s
i
Y
i
/s
i
= b
1
X
0i
/s
i
+b
2
X
2i
/s
i
+ m
i
/s
i,
Estimadores obtenidos sern MELI de varianza constante
Cuando se conoce patrn de s
2
i
se transforma la
informacin para reflejar los tipos especficos de
heteroscedasticidad, para que en datos transformados
no haya heteroscedasticidad.
Cuando se desconoce s
2
i
y la muestra es grande se
usa mtodo de White para obtener estimadores de las
varianzas y errores estndar que sean consistentes para
as aplicar MCO.
19
HETEROSCEDASTICIDAD
QU HACER?
Inercia de las Macrovariables.
Errores especificacin del modelo y
construccin de datos.
Manipulacin inadecuada de datos:
promedios, interpolaciones, extrapolaciones, etc.
Transformacin inadecuada: la autocorrelacin
puede inducirse como resultado de transformar el
modelo original.
Fenmeno de la Telaraa.
Rezagos.
20
CAUSAS
AUTOCORRELACIN
cov(u
i
, u
j
|x
i
, x
j
) = E(u
i
u
j
) 0 ij
Los estimadores sern lineales e insesgados, pero
no tendrn varianza mnima.
Se amplan los intervalos de confianza aceptar
equivocadamente la H
0
Si usamos MCO el rea aceptacin H
0
se ample.
Los test t y F dejan de ser vlidos y, de aplicarse, es
probable que conduzcan a conclusiones errneas.
Es posible que la Var (u) estimada se subestime, por
lo que el R
2
puede ser artificialmente alto. Este
efecto tambin se trasmite a las Var (b)ee
sesgados.
21
AUTOCORRELACIN
cov(u
i
, u
j
|x
i
, x
j
) = E(u
i
u
j
) 0 ij
CONSECUENCIAS
Corregimos aplicando MCG con
AR(1): u
t
=ru
t-1
+e
t
que incorpora la
autocorrelacin de los errores:
Esta correccin genera estimadores MELI.
22
AUTOCORRELACIN
QU HACER?
Observacin de los residuos
Pruebas de las Rachas.
Prueba d de Durbin-Watson
d 2[1- r]
si r= 0 d = 2 no hay autocorrelacin
si r= 1 d = 0 hay autocorrelacin positiva
si r=-1 d = 4 hay autocorrelacin negativa
23
DETECCIN
AUTOCORRELACIN
Prueba d de Durbin-Watson. Se define como la razn de la
suma de las diferencias al cuadrado de los residuos sucesivos sobre la SCR
d 2[1- r]
24
DETECCIN
AUTOCORRELACIN
Autocorrelacin
Positiva
Sin Autocorrelacin
Autocorrelacin
Negativa
Si conocemos r (coeficiente de correlacin de 1er orden).
La solucin consiste en transformar la regresin en
diferencias rezagadas (u
t
= ru
t1
+
t
):
Y
t
=
1
+
2
X
t
+ u
t
(1)
Y
t1
=
1
+
2
X
t1
+ u
t1
(2)
rY
t1
= r
1
+ r
2
X
t1
+ ru
t1
(2) multiplicando por r
Y
t
-rY
t1
=
1
(1-r) +
2
(X
t
-rX
t1
) + e
t
(3) = (1) - (2)
Y
*
t
=
*
1
+
2
X
*
t
+ e
t
e
t
satisface supuestos MCOlos estimadores sern MELI
25
QU HACER?
AUTOCORRELACIN
Si no conocemos r
Aplicar primeras diferencias:
Y
t
-Y
t1
=
2
(X
t
-X
t1
) + e
t
= DY
t
=
2
DX
t
+ e
t
La transformacin de primeras diferencias puede resultar
adecuada si el coeficiente de autocorrelacin es muy alto, por
ejemplo, superior a 0,8 (d muy bajo).
Estimar si no podemos utilizar la
transformacin de primeras diferencias:
r 1d/2 estimador
Estimarlo por regresin
Procedimiento iterativo de Cochrane-Orcutt,
26
QU HACER?
AUTOCORRELACIN
^
Omisin variables X relevantes
Inclusin de variables superfluas
Errores de medicin
Incorrecta especificacin funcional
27
ERRORES DE ESPECIFICACIN DEL MODELO
RESUMEN DE EFECTOS DE ERRORES ESPECIFICACIN
28
ERRORES DE ESPECIFICACIN DEL MODELO
Errores de medicin
En la variable dependiente (Y) las varianzas
estimadas son ms grandes que cuando no existen
tales errores de medicin, aunque sus
estimadores son insesgados.
En las variables independientes (X) producen
estimadores sesgados e inconsistentes, es
decir, permanecen sesgados aunque el tamao de
la muestra aumente indefinidamente.
29
ERRORES EN ESPECIFICACIN DEL MODELO
Incorrecta Especificacin Funcional
Los errores de especificacin funcional son
asimilables a los cometidos por omitir variables
relevantes en que los estimadores MCO sern
sesgados e inconsistentes.
30
ERRORES EN ESPECIFICACIN DEL MODELO
La utilidad de examinar la grfica de residuos es clara: si
hay errores de especificacin, los residuos presentan
patrones distinguibles.
Las pruebas usuales t o F. Ayudan a averiguar la relevancia
verdadera de una o ms variables explicativas.
El estadstico d de Durbin-Watson. Tambin se usa para
detectar errores de especificacin de modelos
Prueba RESET de Ramsey. Su utilidad radica en que sirve
como indicador general no es particularmente buena para
detectar alguna alternativa especfica para un modelo propuesto.
31
DETECCIN
ERRORES EN ESPECIFICACIN DEL MODELO