Captulo 17.

MODELO DE REGRESIN LINEAL

GENERALIZADO.............................................................. 647

17.1. Introduccin .......................................................... 647

17.2. Mnimos Cuadrados Generalizados ........................... 648

17.3. Heterocedasticidad ................................................. 651
Contraste de Goldfeld y Quandt (1965) .......................... 652
Contraste de Breusch y Pagan (1979) ............................ 654
Contraste de White (198) ........................................... 655

17.4. stimacin !a"o Heterocedasticidad .......................... 657
a# Mnimos cuadrados $eneralizados %onderados ............... 658
!# stimador de &'ite .................................................... 663

17.5. (utocorrelacin...................................................... 664
Contraste de autocorrelaci!n de "ur#in$Watson (1951) ... 667

17.6. stimacin !a"o (utocorrelacin .............................. 672
a# Mnimos cuadrados $eneralizados )acti!les. ................. 674
!# M*todo de +ur!in ..................................................... 675
c# M*todo de Coc'rane,-rcutt ....................................... 676



CASOS DE ESTUDIO, PREGUNTAS Y PROBLEMAS ........... 677
.ro!lema 17.1/ Heterocedasticidad en series de datos de corte
trans0ersal .................................................................... 677
.ro!lema 17.2/ Contrastes so!re la %ertur!acin aleatoria .. 677
.ro!lema 17.3/ s%eci)icacin 1 stimacin de modelos lineales
................................................................................... 677



BIBLIOGRAIA ............................................................... 677




648




Captulo 17. MODELO DE REGRESIN LINEAL GENERALIZADO


17.1. Introduccin
n esta unidad 0eremos cmo com%ro!ar el cum%limiento de los su%uestos
del modelo lineal $eneral so!re el t*rmino de %ertur!acin 1 cmo estimar
un modelo donde estos su%uestos no se cum%len. l tema desarrollado en
este ca%tulo se articula con el anterior al %resentar los contrastes %ara el
com%onente aleatorio en la construccin del modelo econom*trico.
2na 0ez construido el modelo de re$resin tendremos 3ue contrastar4
adem5s de los su%uestos so!re la %arte sistem5tica 3ue 1a analizamos4 las
'i%tesis 'omocedasticidad 1 no autocorrelacin so!re los residuos del
modelo.
l an%lisis gr%fico de los residuos 0a a %resentar una %rimera in)ormacin
so!re estas 'i%tesis/
l de los 0alores de
t
e contra los 0alores de t 4 si detectamos una
tendencia creciente o decreciente en el $r5)ico4 %uede e6istir
autocorrelaci!n.
l de los 0alores de
t
e contra los 0alores de
t
Y

4 si com%ro!amos una
tendencia de cual3uier ti%o en el $r5)ico4 %uede e6istir
autocorrelacin4 1a 3ue 'a!r5 correlacin entre los residuos.
l de los 0alores de
2
t
e contra los 0alores de
t
Y

4 si 0eri)icamos una
tendencia de cual3uier ti%o en el $r5)ico4 %uede e6istir
heterocedasticidad.
l de los 0alores de
t
e contra los 0alores de
t
X 4 si detectamos una
tendencia creciente o decreciente en el $r5)ico4 %uede e6istir
autocorrelaci!n4 1a 3ue los residuos no ser5n orto$onales res%ecto a
las 0aria!les e6%licati0as.
l de los 0alores de
2
t
e contra los 0alores de
t
X 4 si 0eri)icamos una
tendencia de cual3uier ti%o en el $r5)ico4 %uede e6istir
heterocedasticidad o no linealidad 7'a!r5 relacin entre la 0arianza
del t*rmino del error 1 las 0aria!les e6%licati0as#.




648
17.2. Mnimos Cuadrados Generalizados
8ecordemos 3ue las 0arianzas 1 co0arianzas de las %ertur!aciones de!en
ser
T , , j , ) / ( V
j
K 1
2
= =

X 7Homocedasticidad#
j i , ) / ( Cov
j i
= 0 X 79o autocorrelacin#
stos su%uestos descri!en la in)ormacin so!re las 0arianzas 1 co0arianzas
entre las %ertur!aciones 3ue es %ro%orcionada %or las 0aria!les
inde%endientes. s decir4 las %ertur!aciones4 %or ellas mismas4 no
%ro%orcionan dic'a in)ormacin.
:a"o estas condiciones4 la matriz de 0arianzas 1 co0arianzas de la
%ertur!acin ser5 escalar4 es decir/
( )
T
E I
' 2
=
ste su%uesto ;se %uede rela"ar< %ara reco$er situaciones m5s $enerales en
donde las 0arianzas de las %ertur!aciones son distintas 1=o las co0arianzas
no nulas. >i no im%onemos nin$una restriccin a %riori4 la )orma $eneral de
la matriz de 0arianzas 1 co0arianzas de las %ertur!aciones4 es/
( )
'
=
(
(
(
(
(
(
(
(
(
(

=
2
2 1
2
2
2 21
1 12
2
1
T T T
T
T
E



L
L L L L
L
L

sto es4 0amos a tra!a"ar dentro del marco m5s $eneral del modelo de
re$resin lineal con &atrices de 'arian(as y co'arian(as no escalares)
( ) =
'
E
3ue se suele denominar4 en la literatura econom*trica4 &odelo de regresi!n
lineal generali(ado.
n %rimer lu$ar4 analizaremos 3u* consecuencias tiene so!re los
estimadores MC- de los coe)icientes de re$resin4 la rela"acin del su%uesto
de *ertur#aciones esf+ricas.
>e$uidamente4 introduciremos un m*todo de estimacin alternati0o al MC-
3ue tendr5 en cuenta la in)ormacin 3ue reco$e la matriz de co0arianzas
ste m*todo se conoce con el nom!re de &,ni&os cuadrados generali(ados4
MCG.


649
Como 0eremos4 en el caso %articular de 3ue
T
I
2
= 4 am!os m*todos de
estimacin coinciden.

O!"#$%a&'(). >ea el modelo de re$resin lineal $eneralizado si$uiente/
X y + =
+onde ( ) ( )
'
0 = = E , E 1 X 4 es una matriz no estoc5stica de ran$o k .
:a"o los su%uestos del modelo4 el estimador MC- de 4 es lineal e inses$ado con
matriz de 0arianzas 1 co0arianzas dada %or4
( )
1 1
X
'
X X
'
X X
'
X V

|

\
|
|

\
|
=
MCO

>e %uede demostrar 3ue si la matriz de co0arianzas de las %ertur!aciones no es
escalar4 el estimador 'a!itual de la matriz de 0arianza ( ) ( )
1
X
'
X V

=
2

4 es un
estimador ses$ado de la misma.
sto tiene $ra0es consecuencias a la 'ora de realizar contrastes de 'i%tesis so!re
el 0ector de coe)icientes 4 %or3ue los estadsticos 'a!ituales4 no se distri!u1en
como una F de >nedecor4 ni como una t de >tudent4 de )orma 3ue si se com%ara
el 0alor del estadstico muestral con el corres%ondiente a esas distri!uciones4 se
%uede lle$ar a una mala eleccin de la re$in crtica 1 a conclusiones errneas.
.or otro lado4 el estimador MC- de 4 es %timo si se cum%len todos los su*uestos
#%sicos del modelo de re$resin lineal. (l rela"ar uno de los su%uestos4 no se %uede
a%licar el teorema de G(2>>,M(8?-@ 1 nada nos $arantiza 3ue el estimador MC-
de 4 del modelo es%eci)icado4 sea el de menor 0arianza dentro de la clase de
estimadores lineales e inses$ados. Intuiti0amente4 es razona!le %ensar 3ue
%odemos o!tener un estimador m5s e)iciente incor%orando la nue0a in)ormacin
3ue tenemos en el modelo a tra0*s de la matriz de co0arianzas no escalar
( )
'
= E 1 3ue no es tenida en cuenta %or el m*todo de MC-.

l m*todo de estimacin de mnimos cuadrados $eneralizados4 se !asa en el
criterio de estimacin mnimo cuadr5tica4 %ero la )uncin de distancia a
minimizar es distinta a la de este criterio4 1a 3ue incor%ora la in)ormacin
adicional4 en la matriz de 0arianzas 1 co0arianzas4 de las %ertur!aciones .
Aa )uncin o!"eti0o 3ue 0amos a minimizar4 0iene dada %or
( ) ( ) X Y X Y
1
'

Min

o e3ui0alentemente4 si escri!imos =
2
4 donde es conocida 1
2
es
un )actor de escala
( ) ( ) X Y X Y
1
'

Min

2

650
( lo lar$o de este ca%tulo 0amos a tra!a"ar indistintamente con la matriz
o
2
.
l )actor de escala
2
no es rele0ante a la 'ora de minimizar la suma de
cuadrados %onderada con res%ecto a . Ao 3ue si es rele0ante4 es la
in)ormacin incor%orada en .
n el criterio MC-4 la )uncin o!"eti0o consta Bnicamente de la suma de
cuadrados de las des0iaciones ( ) X Y

. n la ;nue0a< )uncin o!"eti0o
a%arece4 como matriz de %onderaciones4 la in0ersa de C inclu1endo4 de
esta manera4 la in)ormacin e6istente so!re la dis%ersin 1 correlacin de
las des0iaciones ( ) X Y

.
+e las condiciones de %rimer orden del %ro!lema de minimizacin4
( ) ( ) { } 0

2
=

X Y X Y
1
'

( ) ( ) { } 0

2
=

X Y X Y
1 1
'
0

' '

' ' '

'

' '

2
2
=

X X X Y Y X Y Y
1
Y X
1 1 1
1
4 4 4 4 3 4 4 4 4 2 1
{ } 0

) ' ( 2 ' ' 2

2
= +

X X Y X
1 1

se o!tiene el sistema de k ecuaciones normales/
( ) Y X X X
1 '
MCG
1 '
=


Cu1a solucin4 es el estimador de &,ni&os cuadrados generali(ados
( ) ( ) Y X X X
1 '
1
1 '
MCG

>e %uede demostrar 3ue el estimador MCG de 4 es lineal4 inses$ado 1
%timo dentro del marco del modelo de re$resin lineal $eneralizado.
ste resultado4 se conoce con el nom!re de -eore&a de ./-012 1 es una
$eneralizacin del -eore&a de G.34456.7089:
Aa matriz de 0arianzas 1 co0arianzas del estimador
MCG

4 es
( ) ( )
1
1 '
MCG
X X V

=
2

2n estimador inses$ado de la matriz de 0arianzas 1 co0arianzas 0iene dado
%or


651
( ) ( )
1
1 '
MCG
X X V

=
2

MCG

+onde el estimador inses$ado del )actor de escala
2
4 es
( ) ( )
k T

MCG

MCG
1
'
MCG
X y X y
2

>i su%onemos 3ue la %ertur!acin si$ue una distri!ucin normal4 se
%uede o!tener la si$uiente distri!ucin %ara el estimador MCG/
( ) |

\
|

1
1 '
MCG
X X ~
2
, N

%or lo 3ue %odemos contrastar restricciones lineales so!re los coe)icientes
del ti%o R :
0
H con el estadstico/
( ) ( ) ( )
( ) k - T q, F ~

q /

F
MCG
2

r R R X X R r R
MCG
1
'
1
1 '
'
MCG
|

\
|

=

>i$uiendo las re$las de decisin 'a!ituales.
l estimador
MCG

es )uncin de 14 %or lo tanto4 %ara o!tenerlo es

%reciso conocer esta matriz de 0arianza 1 co0arianzas.
>e %uede demostrar )5cilmente 3ue si
T
I = 4 el estimador
MCG

es i$ual al
estimador
MCO

. D.or 3u*E



17.3. Heterocedasticidad
>i la 0arianza del t*rmino de %ertur!acin del modelo de re$resin lineal no
es constante %ara todas las o!ser0aciones se dice 3ue es 'eteroced5stica4 o
3ue e6iste 'eterocedasticidad en las %ertur!aciones.
Aa 'eterocedasticidad %uede sur$ir en numerosas a%licaciones econmicas4
aun3ue es m5s comBn en el an5lisis de datos de corte trans0ersal.
ntre las causas 3ue ori$inan 'eterocedasticidad se encuentran/
s%eci)icacin errnea del modelo
Cam!io estructural
(lta dis%ersin4 a!soluta 1 relati0a4 a medida 3ue crece el tamaFo de
la muestra


652

"em%lo 17.1. n los estudios 3ue analizan el consumo o $asto )amiliar4
es )recuente encontrar una ma1or 0aria!ilidad del $asto realizado %or
)amilias de renta alta 3ue %or )amilias de renta !a"a. sto se de!e a 3ue
un ma1or ni0el de renta %ermite un ma1or mar$en %ara la realizacin de
$astos4 1 %or lo tanto4 una ma1or 0arianza. Ao mismo ocurre en estudios
so!re !ene)icios de las em%resas4 cu1a 0arianza %uede de%ender del
tamaFo de la em%resa4 de la di0ersi)icacin de su %roducto4 de las
caractersticas del sector industrial al 3ue %ertenezca4 etc.4 1 %or lo tanto4
%uede 0ariar a tra0*s de las distintas em%resas.

Aa consecuencia de esto es 3ue la matriz de 0arianzas 1 co0arianzas de las
%ertur!aciones no es escalar. >u%oniendo 3ue no e6iste autocorrelacin en
las %ertur!aciones4 la 'eterocedasticidad im%lica la si$uiente estructura de
la matriz de 0arianzas 1 co0arianzas/
( )
(
(
(
(
(

= =
2
2
2
2
1
0 0
0 0
0 0
T
...... ..........
E

L
L
L

'

9ormalmente4 en la %r5ctica4 no sa!emos de antemano si 'a1 o no
%ro!lemas de 'eterocedasticidad en las %ertur!aciones4 %or lo 3ue se 'an
desarrollado un $ran nBmero de m*todos %ara contrastar la 'i%tesis nula
de i$ualdad de 0arianzas u 'omocedasticidad.
sta $ran 0ariedad4 se de!e a 3ue la es%eci)icacin de la 'i%tesis
alternati0a de 'eterocedasticidad4 no suele ser conocida 1 %uede ser m5s o
menos $eneral.
( continuacin se e6%lican al$unos de los contrastes m5s utilizados en la
literatura.


Contraste de Goldfeld y Quandt (1965)
n determinados conte6tos4 aun3ue no conozcamos la )orma de la
'eterocedasticidad4 tenemos sos%ec'as de 3ue las 0arianzas4 T , , i ;
i
K 1
2
=
mantienen una relacin montona con los 0alores de al$una 0aria!le Z.



653
E*#+plo 17.,. n el an5lisis del $asto )amiliar4 %odemos su%oner 3ue la
0arianza del $asto de%ende del ni0el de renta de cada )amilia4 es decir4
3ue ) R ( G
i i
2 2
= 4 donde ) ( G es una )uncin creciente con la renta
)amiliar 1
2
es un )actor de escala.

>u%on$amos 3ue nuestra 'i%tesis alternati0a es ( ) , G
i
Z
2
2
2
1
= 4 donde
) ( G 4 es una )uncin montona creciente en
i
Z 3ue %uede ser o no uno de
los re$resores incluidos en el modelo de re$resin.
Aos %asos 3ue se si$uen %ara realizar el contraste4 son/
1., -rdenar las o!ser0aciones de la ta!la de datos4 si$uiendo el orden
creciente de la 0aria!le
i
Z .
2., liminar * o!ser0aciones centrales dando lu$ar a dos !lo3ues de
( ) 2 / p T o!ser0aciones4
1
T 1
2
T res%ecti0amenteC las o!ser0aciones
centrales 3ue se eliminan %ermiten ma1or inde%endencia entre los dos
$ru%os. l nBmero de o!ser0aciones en cada $ru%o 'a de ser ma1or 3ue el
nBmero de %ar5metros 3ue tenemos 3ue estimar. .ulido 71G8G# indica 3ue
si se tienen 3H o!ser0aciones en la muestra de!en eliminarse 8
o!ser0acionesC a %artir de un tamaFo de muestra de 6H es su)iciente
eliminar 16 o!ser0aciones.
3., stimar el modelo de re$resin se%aradamente %ara cada $ru%o de
o!ser0aciones. n el %rimer $ru%o se concentran las o!ser0aciones con
menor 0alor nominal de ZC mientras 3ue4 en el se$undo $ru%o4 se
encuentran las de ma1or 0alor nominal. Con la estimacin del modelo en
cada $ru%o se o!tienen los errores.
4., Construir el estadstico de contraste. :a"o la 'i%tesis nula de
'omocedasticidad
2 2
2
2
1 0 T
: H = = = L
1 su%oniendo 3ue la %ertur!acin se distri!u1e como una normal de media
cero 1 no est5 serialmente correlacionada4 el estadstico GI si$ue una
distri!ucin ; de >nedecor/
( ) J
2
K J4
1
K L

= ~
1
2
k T
k T
GQ
1
'
1
2
'
2
e e
e e

donde4
2
'
2
e e es la suma de cuadrados de residuos de la re$resin de M
so!re N en el se$undo $ru%o de o!ser0aciones4 1
1
'
1
e e es la suma de
cuadrados de residuos de la re$resin M so!re N utilizando el %rimer $ru%o
de o!ser0aciones.


654
Mientras 3ue4 !a"o la 'i%tesis nula4 las 0arianzas de!en ser i$uales4 !a"o la
'i%tesis alternati0a4 crecer5n de un $ru%o a otro. Cuanto m5s di)ieran
estas sumas de cuadrados4 ma1or ser5 el 0alor del estadstico4 1 %or lo
tanto4 ma1or e0idencia 'a!r5 en contra de la 'i%tesis nula.
8ec'azaremos H
H
4 a un ni0el de si$ni)icacin 4 si/
( ) k T , k GQ >
2
F
1
T

ste contraste se %uede utilizar4 en %rinci%io4 %ara detectar
'eterocedasticidad de )orma $eneral4 aun3ue est5 ;%ensado< %ara
alternati0as es%ec)icas donde se su%one un crecimiento de las 0arianzas en
)uncin de una determinada 0aria!le.
>i en realidad el %ro!lema no es ese4 sino 3ue e6iste otra )orma de
'eterocedasticidad4 el estadstico %uede no ca%tarla 1 no ser si$ni)icati0o.


Contraste de Breusch y Pagan (1979)
:reusc' 1 .a$an4 deri0an un contraste de 'eterocedasticidad donde la
'i%tesis alternati0a es !astante $eneral
( )
i i A
G : H Z
'
+ =
0
2 2

Z
'
es un 0ector de 0aria!les e6$enas 3ue %ueden ser las e6%licati0as del
modelo 1 la )uncin ) ( G no se es%eci)ica.
Aa 'i%tesis nula del contraste es la de 'omocedasticidad 3ue4 dada la
alternati0a4 im%lica contrastar/
0 = : H
0

2na )orma o%erati0a de realizar el contraste4 es la si$uiente/
1. stimar el modelo
i i k k i i i
X X X Y + + + + + = L
3 3 2 2 1
%ara o!tener los
errores
2. 2tilizando los residuos
MCO
X Y e

= se constru1e la si$uiente serie
T , , i
e
r
i
i
L 1
2
= =
e e
'

3. s%eci)icar 1 estimar el modelo
T , , i r
i i i
L 1
0
= + + = Z
'



655
+e a3u se o!tiene la suma de cuadrados e6%licada 7>C#.
4. >e utiliza como estadstico del contraste >C=24 3ue !a"o 'i%tesis nula
se distri!u1e asintticamente ) S (
2
4 donde S son los $rados de li!ertad
i$ual al nBmero de 0aria!les en Z
'
. 8ec'azaremos 'i%tesis nula a un ni0el
de si$ni)icacin 7#4 si el 0alor muestral del estadstico e6cede el cuantil
( ) S
2

.


Contraste de White (198)
Con este m*todo %odemos contrastar la 'i%tesis nula de 'omocedasticidad
)rente a una alternati0a $eneral de 'eterocedasticidad.
.ara la construccin del estadstico de contraste no se necesita una
es%eci)icacin concreta de la 'eterocedasticidad !a"o la alternati0a.
&'ite4 deri0 este contraste com%arando dos estimadores de la 0arianza de
los estimadores MC-/
( ) ( )
( ) ( ) ( )
1 1
1
2
2
1

=
=
X X X X X X )

( V .
X X

.
' ' '
WHITE
'
S


+onde4 S es una matriz dia$onal cu1os elementos son los residuos mnimo,
cuadr5ticos ordinarios al cuadrado
( )
2 2
2
2
1
, , ,
T
e e e diag L = S
l estimador )

( V
WHITE
es consistente siem%re 3ue la matriz sea
dia$onalC es decir4 en a3uellas situaciones en las 3ue el modelo ten$a
%ertur!aciones 'eteroced5sticas %ero no autocorrelacionadas.
:a"o la 'i%tesis nula de 'omocedasticidad4 am!os estimadores4 1 1 24 son
consistentes4 mientras 3ue !a"o la alternati0a de 'eterocedasticidad4 el
estimador ( ) V

no lo es.
Aa )orma o%erati0a de realizar el contraste consiste en/
1. stimar el modelo !a"o estudio
i i k k i i i
X X X Y + + + + + = L
3 3 2 2 1

%ara o!tener los errores4 #.


656
2. &'ite su%one 3ue el cuadrado de los errores estimados se com%ortan
de la si$uiente manera
1

T , , i
i
K
k
K
k
K
k l
li i k kl
i k
k
K
k
i k k
i
L 3 2 1
1
1
1 1
2
1
H
2
= + + + + =

=

= + = =
X X X X e
sto si$ni)ica 3ue se es%eci)ica un modelo donde el cuadrado de los
errores se e6%lica %or las 0aria!les inde%endientes del modelo4 el
cuadrado de ellas 1 su %roducto cruzado/
T , , i
i li i k kl i i i i
i k
k
i i
i k k i i
i
L L
L L
3 2 1
4 2 24 3 2 23
2 2
3
3
2
2
2 3 3 2 2 H
2
= + + +
+ + + + + + + + + =
X X X X X X
X X X X X X e



E*#+plo 17.-. +e este modo4 si tu0i*ramos 3ue contrastar a tra0*s de
este test un modelo 3ue tu0iera tres 0aria!les e6%licati0as4
%rocederamos a realizar la si$uiente re$resin
T , , i
i i i i i i i
i i i
i i i
i
L 3 2 1
4 3 34 4 2 24 3 2 23
2
4
4
2
3
3
2
2
2 4 4 3 3 2 2 H
2
= + + +
+ + + + + + + =


X X X X X X
X X X X X X e


3. >e constru1e el estadstico
2
TR =
donde
2
R es el coe)iciente de determinacin 3ue se calcula a %artir
de la estimacin realizada en el %unto 2.
4. Contrastar la 'i%tesis nula de 'omocedasticidad4 es e3ui0alente a
contrastar 3ue todos los coe)icientes de la re$resin de los errores4
e6ce%tuando el interce%to4 son con"untamente cero4 es decir/
s , j , , : H
kl k k
= H
H

>e %uede demostrar 3ue !a"o la 'i%tesis nula
( ) p ~
a
2

donde p es el nBmero de re$resores en el modelo es%eci)icado en 2
sin incluir el t*rmino constante. >e rec'aza la 'i%tesis nula si el
0alor muestral del estadstico e6cede el 0alor crtico de las ta!las
2
4
ele$ido un ni0el de si$ni)icacin.

1
Schmidt, S.J. (2005)


657
ste contraste tiene la 0enta"a de ser mu1 )le6i!le %or no tener 3ue
es%eci)icar la 'i%tesis alternati0aC %ero si se rec'aza la 'i%tesis nula de
'omocedasticidad no indica cual %uede ser la direccin a se$uir.
l contraste de &'ite %uede reco$er otro ti%o de %ro!lemas de mala
es%eci)icacin de la %arte sistem5tica/ omisin de 0aria!les rele0antes4 mala
)orma )uncional4 etc. sto es correcto si se identi)ica cu5l es el %ro!lemaC en
caso contrario4 la solucin 3ue se tome %uede estar e3ui0ocada.



17.4. stimacin !a"o Heterocedasticidad
Cuando no se conocen los elementos de 4 no es %osi!le estimar T
0arianzas m5s . coe)icientes de re$resin con solo T o!ser0aciones.
2na )orma de a!ordar el %ro!lema es ;modelar< las 0arianzas de las
%ertur!aciones en )uncin de un 0ector /"011 de 0aria!les 3ue son
o!ser0a!les4
i
Z 73ue %ueden ser %arte o no del con"unto de re$resores#4 1
de un 0ector de %ar5metro 4 cu1a dimensin es estima!le 1 no crece con
el tamaFo muestral/
( ) i , ,
i i
G = Z
2

de )orma 3ue () =
2na 0ez o!tenido un estimador

4 se %uede de)inir un estimador ) (

= 1
estimar el 0ector de coe)icientes %or el m*todo de mnimos cuadrados
$eneralizados )acti!les.
>a!emos 3ue4 !a"o ciertas condiciones de re$ularidad4 si el estimador

es
consistente4 el estimador
MCGF

tiene !uenas %ro%iedades asintticas.

.or lo tanto4 una %rimera eta%a %ara o!tener el estimador MCGL de se
!asa en o!tener un estimador consistente de .
2na )orma de conse$uirlo4 es considerar la si$uiente a%ro6imacin del
residuo mnimo,cuadr5tico con la %ertur!acin/
( ) error

X Y

Y e
i MCO
'
i i i i
+ = = = x x
'
i MCO
'
i

+ado 3ue
( ) ( ) Z , G E
i i i
= =
2 2
4
>e tiene 3ue4


658
( ) error G e
i
+ = , Z
i
2

>i ( ) , Z
i
G es lineal en 4 %or e"em%lo
i
Z '

4 se %uede considerar la si$uiente

re$resin %ara estimar los %ar5metros /
T , , i e
i i
L 1
2
= + =
i
'
Z
n esta re$resin4 el t*rmino de %ertur!acin es una com!inacin de los
errores acumulados en las a%ro6imaciones.
>e %uede demostrar 3ue4 !a"o ciertas condiciones4 el estimador de as
deri0ado4 es consistente.
2na 0ez o!tenido un estimador consistente de 4 se sustitu1e en la )uncin
suma de cuadrados %onderada 1 se minimiza con res%ecto a 4
o!teni*ndose un estimador mnimo cuadrado $eneralizado )acti!le 7MCGL#.

a# Mnimos cuadrados $eneralizados %onderados
6isten casos en los 3ue es %osi!le conocer la estructura de la matriz de
0arianzas 1 co0arianzas .
E*#+plo 17.2. n los casos de a$re$acin de datos de corte trans0ersal
o tem%oral. >i consideramos como o!ser0aciones en el modelo de
re$resin las medias de datos a$ru%ados4 la 0arianza de la %ertur!acin
en el modelo de re$resin de%ender5 in0ersamente del nBmero de
o!ser0aciones en cada $ru%o
i
T esto es ( )
1 2 2
=
i
T
i
. >i en lu$ar de las
medias consideramos sim%lemente la suma de las o!ser0aciones en cada
$ru%o4 la 0arianza de la %ertur!acin es %ro%orcional al nBmero de
o!ser0aciones en cada $ru%o
i
T
i
2 2
= .

l 0ector de coe)icientes se %uede estimar %or MCG resol0iendo el
%ro!lema de minimizacin 3ue4 %ara el %ro!lema de 'eterocedasticidad4
toma la )orma/
( ) ( )
( )
2
2
1
i
i
T
i
Y
Min

X
X Y X Y
'
i
1 '

=
=

n la suma de cuadrados4 se %onderan m5s las des0iaciones ( ) X
'
i

i
Y
con menor 0arianza 3ue las de ma1or 0arianza4 %or ello4 tam!i*n se conoce
este m*todo como de &,ni&os cuadrados *onderados:
n el caso de 'eterocedasticidad4 la matriz
1

es dia$onal


659
( )
2 2
2
2
1

=
T
, , , diag L
1

entonces el estimador MCG se %uede o!tener tam!i*n estimando %or MC-
el modelo trans)ormado
T , , , i
u X X Y
i
i
i
ki
k
i
i
i i
i
L L 2 1
2
2
1
= + + + + =

T , , , i u X X X Y
*
i
*
ki k i
*
i
*
i
L L 2 1
2 2 1 1
= + + + + =


+onde
( )
( )
( )
( ) j i , u u E
i ,
u E
u E
u E
*
j
*
i
i
i
i
i *
i
*
i
=
= = =
=
0
1
0
2
2
2
2
2

+e esta )orma se satis)acen todas las condiciones %ara 3ue el estimador
MC- del 0ector en el modelo sea un estimador AI-. ('ora !ien4 este
estimador no es m5s 3ue el estimador MCG/
( ) ( ) ( ) ( ) ( ) Y X X X Y X X X Y X X X

' ' ' ' * *' * *'

MCG
1
1
1 1
1
1
1

= = =

l %ro!lema 3ue se %resenta a'ora es cmo o!tener la matriz . .ara ello
es necesario %remulti%licar %or una matriz P4 de dimensiones K6K4 en el
modelo + = X Y
P PX PY + = 71#
>e de)ine
P
PX X
PY Y
=
=
=
*
*
*


Aa trans)ormacin es4 en realidad4 un cam!io de 0aria!le. Aa 0arianza del
error es
P P P * = =
2

) ( Var ) ( Var 72#

('ora !ien De6iste una matriz P tal 3ue el t*rmino de error del modelo
trans)ormado ten$a como matriz de co0arianzas
T
) ( Var I *
2

= E
es sim*trica de)inida %ositi0a4 'emos 0isto 3ue cuando esto %asa siem%re
e6iste una matriz cuadrada no sin$ular 3 de modo 3ue 4335 lo cual da
lu$ar a 3ue


660
( )
T
I V V =

1 1
73#
( )

=
1 1 1
V V 74#
+e o!ser0ar 72#4 73# 1 74# se deduce 3ue si se utiliza la matriz 35 como
matriz de trans)ormacin P4 entonces el t*rmino de error tiene matriz de
co0arianza escalar.
2

Aa estimacin de un modelo trans)ormado
* X Y + = * * 75#
+onde
V
X V X
Y V Y
1
1
1

=
=
=
*
*
*

>e tiene 3ue
T
) ( E *) ( E 0 V = =
1

( )
T
*) ( Var I V V
2 1 1 2

=

=


.or lo 3ue el estimador de mnimos cuadrados ordinarios del modelo 75# es
[ ] ( ) Y X X X Y V V X X V V X
1
1
1 1 1
1
1 1

= = ) ( ) ( ) ( ) (

MCG


O!"#$%a&'(). -tra )orma de deri0ar la )uncin criterio 1 o!tener el estimador
MCG4 se !asa en trans)ormar el modelo de )orma 3ue la matriz de 0arianzas 1
co0arianzas de sus %ertur!aciones4 sea escalar. +ado 3ue
1
4 es una matriz
sim*trica 1 de)inida %ositi0a4 e6iste una matriz P no sin$ular4 tal 3ue P P'
1
=

.
.or lo tanto
T
I P P' = . ste resultado su$iere la si$uiente trans)ormacin del
modelo ori$inal/
P PX Py + =
+onde ( ) ( )
T
E y E I P P 0 P
' ' 2
= = . l modelo trans)ormado4 satis)ace todas
las 'i%tesis !5sicas4 ser5 AI-. Aa )uncin o!"eti0o %ara el modelo es/
( ) ( ) ( ) ( ) X y X y PX Py PX Py
1 ' '
=

Min

Aa solucin de las condiciones de %rimer orden de este %ro!lema de minimizacin
es4 de nue0o4 el estimador de mnimos cuadrados $eneralizados4
( ) [ ] ( ) ( ) ( ) y X X X PPy X XP P X
1 '
1
1 ' '
1
' '
MCG

= =

2
Esto se desarrolla en detalle en Distribucin estadstica de la Forma Cuadrtica.


661
@amos a 0er a'ora4 en la %r5ctica4 cmo o%era la matriz 1 3u* tiene
dentro. >u%on$amos el modelo X Y + = donde tiene
(
(
(
(
(
(
(

=
2
2
3
2
2
2
1
H H H
H H H
H H H
H H H
T
) ( Var

L
M O M M M
L
L
L

:a"o el su%uesto de 3ue ( ) H =
j i
E 4 la 0arianza de los errores se %uede
descom%oner en el %roducto
V V =
(
(
(
(
(
(
(

(
(
(
(
(
(
(

=
T T
) ( Var

L
M O M M M
L
L
L
L
M O M M M
L
L
L
H H H
H H H
H H H
H H H
H H H
H H H
H H H
H H H
3
2
1
3
2
1

+e donde

(
(
(
(
(
(

T
/
/
/
/

1 H H H
H 1 H H
H H 1 H
H H H 1
3
2
1
1
L
M O M M M
L
L
L
V
2tilizando esta matriz
1
V %ara trans)ormar las 0aria!les se tiene

(
(
(
(
(
(

=
(
(
(
(
(
(

(
(
(
(
(
(

= =

T T T T
/ Y
/ Y
/ Y
/ Y
Y
Y
Y
Y
/
/
/
/

M M
L
M O M M M
L
L
L
3 3
2 2
1 1
3
2
1
3
2
1
1
1 H H H
H 1 H H
H H 1 H
H H H 1
Y V Y*



662
(
(
(
(
(
(

=
(
(
(
(
(
(

(
(
(
(
(
(

= =

T kT T T T T T T
k
k
k
kT T T T
k
k
k
T
/ X / X / X / X
/ X / X / X / X
/ X / X / X / X
/ X / X / X / X
X X X X
X X X X
X X X X
X X X X
/
/
/
/

L
M O M M M
L
L
L
L
M O M M M
L
L
L
L
M O M M M
L
L
L
3 2 1
3 3 3 33 3 23 3 13
2 2 2 32 2 22 2 12
1 1 1 31 1 21 1 11
3 2 1
3 33 23 13
2 32 22 12
1 31 21 11
3
2
1
1
1 H H H
H 1 H H
H H 1 H
H H H 1
X V X*


Ao 3ue estamos 'aciendo es %onderar cada %eriodo con un %eso
T , , t /
t
L 3 2 1 1 =
este %eso ser5 menor cuanto ma1or sea la 0arianza del t*rmino de error en
dic'o %eriodo. .or esta razn4 la a%licacin de mnimos cuadrados
$eneralizados con una matriz del ti%o considerado se lo conoce como
mnimos cuadrados %onderados.
l %ro!lema es 3ue la matriz

no se conoce 1 %or lo tanto tam%oco es

%osi!le conocer los %onderadores
t
/ 1 . n la %r5ctica4 lo 3ue se %uede
realizar es estimar
t
/ 1 a tra0*s de los errores mnimo cuadr5ticos
ordinarios si$uiendo el %rocedimiento 3ue se detalla/
1. +ado el modelo
X Y + =
+onde ( )
T t j i
E I
2
=

se calcula [ ] Y X X X =
1
MCO

1 se o!tiene
MCO

X Y Y Y e = =
2. Con el 0ector de errores se calcula la matriz dia$onal de 0arianzas de
las %ertur!aciones
(
(
(
(
(

=
2
2
2
2
1
0 0
0 0
0 0

T
e
e
e
V V
L
M O M M
L
L



663
-!teni*ndose la matriz
1

V
(
(
(
(
(

T
e
e
e
1 0 0
0 1 0
0 0 1

2
1
1
L
M O M M
L
L
V

3. Con la matriz
1

V se trans)orman las 0aria!les
Y V Y
1
= *
X V X
1
= *


4. >e o!tiene el estimador mnimo cuadrado $eneralizado 7MCG#
( ) ( ) * * * *

MCG
Y X X X =
1



!# stimador de &'ite
>i estimamos los coe)icientes de re$resin %or MC- en %resencia de
'eterocedasticidad4 estos estimadores son inses$ados4 %ero no e)icientes.
(dem5s4 estimador de la matriz de 0arianza 1 co0arianza de
( )
1
'
MCO
X X

2
,

4 es inconsistente4 %or lo 3ue los estadsticos de contraste

'a!ituales4 no son 05lidos %ara 'acer in)erencia so!re 4 ni si3uiera %ara
muestras $randes.
.or otro lado4 en los a%artados anteriores 'emos 0isto cmo4 %ara a%licar
m*todos de estimacin m5s a%ro%iados4 es %reciso conocer la matriz 4 o
al menos4 cu5l es la estructura de la 'eterocedasticidad %ara %oder
es%eci)icar () = .
+ada la di)icultad de conocer la )orma de 4 sera interesante %oder contar
con una estimacin consistente de ( )
MCO
V

1 de esta )orma deri0ar
estadsticos 05lidos4 al menos asintticamente4 %ara contrastar 'i%tesis
so!re el 0ector de coe)icientes .
&'ite 71G8H#4 demuestra 3ue es %osi!le o!tener un estimador consistente
de la matriz de 0arianzas 1 co0arianzas de
MCO

4 sin tener 3ue 'acer

nin$Bn su%uesto so!re 4 sal0o 3ue es una matriz dia$onal.


664
.ara ello4 slo es necesario o!tener un estimador consistente de ( ) X X
'
.
&'ite demuestra 3ue4 !a"o ciertas condiciones de re$ularidad 1 siendo
T , , , e
i
L 1 = el residuo mnimo,cuadr5tico ordinario4
( )
2 2
2
2
1 T
e , , e , e diag S donde
T
lim p
T
lim p L = =
X X X S X
' '

.or lo tanto4 se %uede utilizar/
( ) ( ) ( )
1
' '
1
'
WHITE
X X X S X X X V

= T

Como un estimador consistente de la matriz de 0arianzas 1 co0arianzas
asintticas de
MCO

T .
ste resultado es mu1 im%ortante4 1a 3ue si estimamos %or MC- en
%resencia de 'eterocedasticidad 1 utilizamos este estimador de la matriz de
co0arianzas4 es %osi!le realizar in)erencia 05lida so!re los coe)icientes 4 al
menos %ara muestras $randes4 !as5ndonos en el si$uiente resultado/
( ) ( ) ( ) ( ) q

T
d 2


r R R V R r R
MCO
1
'
WHITE
'
MCO

>in tener 3ue es%eci)icar a %riori la estructura de la 'eterocedasticidad.



17.5. (utocorrelacin
n el modelo de re$resin4 el t*rmino de %ertur!acin en$lo!a todos
a3uellos )actores determinantes de la 0aria!le end$ena 3ue no est5n
reco$idos en la %arte sistem5tica del modelo. stos )actores %ueden ser
inno0aciones4 errores de medida de la 0aria!le end$ena4 0aria!le omitida4
etc.
>i estos )actores est5n correlacionados en el tiem%o o en el es%acio4
entonces no se satis)ace la 'i%tesis
j i , ) ( E
j i
= 0

ste )enmeno4 se conoce con el nom!re de autocorrelaci!n o correlaci!n
serial4 en el caso de datos de series tem%orales4 1 de correlacin es%acial en
el caso de datos de corte trans0ersal.
n los modelos 3ue se es%eci)ican relaciones en el tiem%o entre 0aria!les4 la
%ro%ia inercia de las series econmicas4 donde el im%acto de una


665
%ertur!acin en un %erodo de tiem%o %uede tener e)ectos en su!si$uientes
%erodos4 %uede $enerar autocorrelacin en el t*rmino de %ertur!acin.
sta din5mica4 aun3ue no sea rele0ante en media4 re)le"a un %atrn
sistem5tico de com%ortamiento 3ue 'emos de considerar a la 'ora de
estimar el modelo. Aa matriz4
(
(
(
(
(

= =
2
2 1
2
2
21
1 12
2
) ' (

L
M O M M
L
L
T T
T
T
E

tiene elementos )uera de la dia$onal %rinci%al4 distintos de cero.
Aos coe)icientes de re$resin4 'a!r5n de ser estimados4 en consecuencia4
%or m*todos de mnimos cuadrados $eneralizados.


O!"#$%a&'(). Aas %ertur!aciones aleatorias 3ue est5n autocorrelacionadas se
%ueden modelar utilizando %rocesos estoc5sticos. Aos m5s utilizados son los
autorre$resi0os 1 de medias m0iles4 denominados (8M( 7%43#.
sta clase de %rocesos inclu1e4 como casos %articulares4 los autorre$resi0os de
orden p4 AR /p1, 1 de medias m0iles de orden 64 MA /61.
Aa )orma $eneral de un %roceso AR /p1, es/
t p t p t t t
+ + + + =

L
2 2 1 1

+onde
t
4 se distri!u1e inde%endientemente en el tiem%o con media cero 1
0arianza constante
2

1
p
, , L
1
4 son %ar5metros constantes en el tiem%o. l
%roceso autorre$resi0o m5s utilizado dentro del marco del an5lisis de re$resin4 es
el %roceso de orden uno4 AR /117
t t t
+ =
1


+onde la %ertur!acin en un %erodo t 4 de%ende de la %ertur!acin en el %erodo
anterior 1 t 4 1 un t*rmino aleatorio o inno0acin
t
3ue su%onemos 3ue es ruido
!lanco4 es decir4 tiene media H4 0arianza constante
2

1 co0arianzas nulas. >i

sustituimos re%etidamente o!tenemos/
i t
i
i
t

=
0


Aa %ertur!acin
t
4 es una com!inacin lineal de las inno0aciones %asadas
t
con
%onderaciones
2
1 , , 3ue decaen $eom*tricamente4 si el 0alor del coe)iciente


666
est5 acotado en el inter0alo 7,14 1#4 lo 3ue im%lica 3ue las inno0aciones
i t
tienen
menor in)luencia en
t
cuanto m5s ale"adas est5n en el tiem%o.
s )5cil com%ro!ar 3ue el 0ector de %ertur!aciones 4 tiene media cero 1 matriz de
0arianzas 1 co0arianzas/
( ) =
(
(
(
(
(
(
(

1
1
1
1
1
2
3 2 1
3 2
2
1 2
2
2

L
M M M M
L
L
L
T T T
T
T
T
E
'

+e esta )orma4 dado el 0alor de 4 la matriz 4 3ueda totalmente determinada4 a
e6ce%cin del )actor de escala
2

.
2n %roceso autorre$resi0o utilizado con datos trimestrales %ara reco$er e)ectos
estacionales en la %ertur!acin4 es el si$uiente AR/217
t t t
+ =
4


l %roceso de medias m0iles $eneral4 MA /614 es/
q t q t t t
+ + + = L
1 1


+onde se su%one 3ue
t
4 es ruido !lanco con media cero 1 0arianzas
2

1
q
, L
1
son %ar5metros constantes.

l %roceso de medias m0iles m5s sencillo4 es el MA /117
1
+ =
t t t


( di)erencia de los %rocesos autorre$resi0os4 en el %roceso MA /11 la %ertur!acin
t
es una com!inacin lineal de solo dos inno0aciones
t
1
1 t
%or lo 3ue se dice
3ue es un %roceso de memoria corta. n este caso4 el 0ector de %ertur!aciones
tiene media cero 1 matriz de 0arianza 1 co0arianza/
( )
( )
( )
( )
( )
=
(
(
(
(
(
(
(

+
+
+
+
=
2
2
2
2
2
2
1 0 0 0
0 1 0
0 1
0 0 1

L
M M M M
L
L
L
'
E

.or Bltimo4 el modelo m5s $eneral es el modelo autorre$resi0o de medias m0iles4
ARMA /p, 614 donde la %ertur!acin
t
de%ende de sus 0alores %asados 1 de la
inno0acin
t
1 su %asado/
q t q t t t t t t
+ + + + + + + =

L L
1 1 1 2 1 1




667
Cuando modelamos la de%endencia en el tiem%o de
t
mediante un %roceso ARMA
/p, 614 estamos es%eci)icando la estructura de la matriz de 0arianza 1 co0arianza
en t*rminos de los %ar5metros
q p
, , , , , , K K
1 1
2
.

Aa eleccin de un %roceso ARMA /p, 61 concreto4 de%ende en cada caso4 de las
caractersticas de los datos 1 del estudio 3ue estemos realizando. ( lo lar$o de este
tema 0amos a su%oner4 %ara sim%li)icar la e6%licacin4 3ue las %ertur!aciones
si$uen un %roceso AR /11.


Contraste de autocorrelaci!n de "ur#in$Watson (1951)
n la %r5ctica4 no se conoce a %riori si e6iste autocorrelacin ni cu5l %uede
ser el %roceso m5s adecuado %ara modelarla.
6isten 0arios contrastes de autocorrelacin 3ue se constru1en utilizando
los residuos mnimoOcuadr5ticos ordinarios.
2no de estos contrastes4 es el de +ur!in,&atson4 %ara detectar la
e6istencia de un %roceso AR/11 en el t*rmino de %ertur!acin.
Aa 'i%tesis nula es la no e6istencia de autocorrelacin4
8
9
7 4 9
l estadstico de contraste4 es/
( )
2
1
2
1
2
t
T
t
t t
T
t
e
e e
DW

=
donde
t
e 4 son los residuos mnimoOcuadr5ticos ordinarios.
>i el nBmero de o!ser0aciones es su)icientemente $rande4 este estadstico
se %uede calcular mediante la a%ro6imacin/
( ) DW 1 2
siendo el coe)iciente estimado %or MC- en la re$resin/
T , , t e e
t t t
L 2
1
= + =


( %artir de esta relacin se %uede esta!lecer el ran$o de 0alores 3ue %uede
tomar el estadstico/


668
) , ( DW .
) , ( DW .
DW .
0 2 1 0 3
2 4 0 1 2
2 0 1
< <
< <
=

+ur!in 1 &atson ta!ularon los 0alores crticos4 el m56imo :
u
1 mnimo :
L
4
3ue de%ende de la matriz de datos ;. stos 0alores crticos de)inen la zona
de duda4 donde no es %osi!le a)irmar o rec'azar la e6istencia de
autocorrelacin4 las zonas de autocorrelacin %ositi0a 1 ne$ati0a4 1 la zona
de no e6istencia de autocorrelacin. Aa com%aracin del estadstico em%rico
D< con la escala terica de 0aria!ilidad H a 44 donde se e6%licitan los
0alores crticos4 %ermite concluir si se ace%ta o rec'aza la 'i%tesis nula.

Pona de Contraste de
(utocorrelacin 7Q#
Pona de Contraste de
(utocorrelacin 7,#

(utocorre,
lacin 7Q#
Pona de
duda
9o 'a1 (utocorrelacin
Pona de
duda
(utocorre,
lacin 7,#


H d
A
d
u
2 4,d
u
4,d
A
4

ste contraste se %uede considerar tam!i*n4 como un contraste de mala
es%eci)icacin del modelo. Aa omisin de 0aria!les rele0antes4 una )orma
)uncional %oco adecuada4 cam!ios estructurales no incluidos en el modelo4
etc.4 %ueden ori$inar un estadstico D< si$ni)icati0o. sto nos %uede lle0ar
a errores4 si consideramos 3ue 'a1 e0idencia de autocorrelacin 1 se
modela con un %roceso AR /11. .or otro lado4 si
t
si$ue un %roceso
distinto a un AR /114 %uede 3ue la si$ni)icati0idad del estadstico D< se
0ea a)ectada.



>i los errores est5n correlacionados
%ositi0amente4 los 0alores sucesi0os
tender5n a estar uno cerca de otro en
el cuadrante I 1 las di)erencias
tender5n a ser num*ricamente m5s
%e3ueFas 3ue los mismos residuos.
>i los errores est5n correlacionados
ne$ati0amente4 los 0alores sucesi0os
tender5n a estar unos en el cuadrante
I 1 otros en el cuadrante I@C de modo
3ue4 las %rimeras di)erencias
tender5n a ser num*ricamente
ma1ores 3ue los mismos indi0iduos.
n resumen4 el estadstico de +ur!in,&atson4 es Btil %or3ue nos indica la
e6istencia de %ro!lemas en el modelo4 %ero no a1uda a esta!lecer cu5l es el
modelo alternati0o.
t-1 t

t-1 t

672



17.6. stimacin !a"o (utocorrelacin
+ada
(
(
(
(
(

=
2
2 1
2
2
21
1 12
2

L
M O M M
L
L
T T
T
T

>i no la conocemos es necesario estimarla4 lo 3ue si$ni)ica estimar
2 1 / ) T ( T co0arianzas distintas con solo T o!ser0aciones4 lo 3ue no es
)acti!le.
.ara %oder estimar los elementos de 4 es necesario es%eci)icar la
autocorrelacin de las %ertur!aciones en t*rminos de un %roceso 3ue
de%ende de un nBmero %e3ueFo 1 estima!le de %ar5metros.
>u%oniendo 3ue el t*rmino de error si$ue un %roceso de autocorrelacin
re$resi0o de %rimer orden
t t t
+ =
1 1

+onde 1 < 1 ( ) H =
t
E 1 ( ) I
2
=
j i
E
(s4
2

se %uede escri!ir como

2 1 2
+ =

(l calcular la 0arianza/
) ( (
2
(
2 1 2
) ) V V V + =

2 2 2 2

+ =

+e modo 3ue
2
2
2
1

=
4 la cual es constante %ara todo t.

Aa co0arianza entre
1
1
2
ser5/


673
( ) ( ) ( ) ( ) ( )
( ) ( )
2
2 1
2
1
2 1
2
1 2 1 1 1 2 1 1 2 1 12
) 2 , 1 (

= + =
+ = + = + = = =
E E
E E E E Cov

>iendo ( )
2 2
1

= E 1 ( ) H =
j i
E

+e la misma )orma
2 2
) ( ) ( )
2
1
(
2
)
2
(
)) ) ( ( ( )) ( ( ) (
3 1 1 2 3 1 1 2 1 1
3 2 1 1 3 2 1 3 1

= + + = + +
= + + = + =
E E E E
E E E


6tendiendo este razonamiento a la totalidad de o!ser0aciones se ori$ina la
matriz
( )
( )
( )
( ) ( )

2
2 1
2
1
2 2
1
1
1





=
(
(
(
(
(

= = =

L
M O M M
L
L
T T
T
T
E

n esta matriz solo se desconocen 1
2

. s decir4 un %ro!lema de
estimar 2 1 / ) T ( T elementos se 'a reducido a la estimacin de solo 2

Aos elementos de se %ueden calcular a %artir de
1. estimar %or mnimos cuadrados ordinarios X y + = %ara o!tener
los residuos e
2. estimar %or mnimos cuadrados ordinarios
t t t
e e + =
1
%ara o!tener

=
T
t

1
2
1 calcular
2

1
2
2
2
1

= .
3. Calcular

%ara o!tener el estimador de mnimos cuadrados

$eneralizados
( ) ( ) Y X X X
1 '
1
1 '
MCG

=



s necesario aclarar 3ue el estimador mnimo cuadrado $eneralizado es de
mnima 0arianza siem%re 3ue

no se sustitu1a %or su estimacin. Como

esto en la %r5ctica es im%osi!le4 ser5 05lido el estimador MCG de%endiendo


674
de la calidad de esti&aci!n de

1 esta calidad aumenta asintticamente4

cuanto ma1or es el nBmero de o!ser0aciones.


a# Mnimos cuadrados $eneralizados )acti!les.
>u%on$amos 3ue las %ertur!aciones si$uen un %roceso autorre$resi0o de
orden uno4 AR /114 de )orma 3ue el modelo de re$resin lineal
$eneralizado4 es/
( )
2
1
2 2 1
0
1

, NID ~
T , , t X X Y
t t t t
t kt k t t
+ =
= + + + + =

L L

>i el 0alor de es conocido4 el estimador de mnimos cuadrados
$eneralizados de se o!tiene minimizando la )uncin criterio. n este caso4
como es una matriz sim*trica 1 %ositi0a de)inida4 e6iste una matriz P tal
3ue
' 1
PP =

4 1 el estimador de mnimos cuadrados $eneralizados se

%uede o!tener4 tam!i*n estimando %or MC-4 el modelo trans)ormado.
n el caso de un modelo (8 71#4 la matriz P4 es la si$uiente/
(
(
(
(
(
(
(

=
1 0 0 0
0 0 1 0
0 0 1
0 0 0 1
2

L
L L L L L L
L
L
L
P

1 el modelo trans)ormado4 se %uede escri!ir como/
( ) ( ) ( )
T , , t
X X X X Y Y
X X Y
t kt kt k t t t t
k k
L
L
L
2
1
1 1 1 1
1 1 2 2 2 1 1
1 1
2
21
2
2
2
1 1
2
=
+ + + + =
+ + + + =



s interesante seFalar 3ue la %rimera o!ser0acin su)re una trans)ormacin
di)erente a todas las dem5s.
Aa suma de cuadrados 3ue tenemos 3ue minimizar con res%ecto a 4 es/
( ) ( ) ( )
( ) ( ) ( )
2
1
2
1 1
2
2
2 2 1 1
2
1
1
)
`

+
+ =

=
jt jt j
k
j
t t
T
t
kt k t
X X Y Y
X X Y S

L



675
l %rimer sumando %ro0iene de la %rimera o!ser0acin 1 el se$undo4 no es
sino la suma de cuadrados de residuos del modelo trans)ormado %ara
T t , , 2 K = .

n el caso de 3ue sea desconocido4 no se %uede o!tener el estimador de
%or MCG directamente4 sino 3ue 'a1 3ue estimar con"untamente 1 .
6isten 0arios m*todos 3ue estiman con"untamente 1 4 !as5ndose en el
modelo trans)ormado4 de lo 3ue 0amos a estudiar dos/ el m*todo Du$!') 1
el m*todo de Co&=$a))#>O$&utt.
(m!os m*todos de estimacin se !asan en 3ue las %ertur!aciones si$uen
un %roceso (8 71#4 %or lo 3ue el modelo trans)ormado a%ro%iado es
( ) ( ) ( )
T , , t
X X X X Y Y
t kt kt k t t t t
L
L
2
1
1 1 2 2 2 1 1
=
+ + + + =



%ero no tienen en cuenta la trans)ormacin de la %rimera o!ser0acin.

!# M*todo de +ur!in
Aa estimacin %or el &+todo de "ur#in 71G6H#4 se realiza en dos eta%as/
1. >e estima %or MC- en el modelo/
t t , k k kt k t , t t t
X X X X Y Y + + + + + + + =
1 1 2 2 2 2 1 1
L
+onde ( ) k , , i , , , T , , t
i i
L L 2 1 2
1 1
= = = = .
+adas las %ro%iedades de
t
el estimador de %or MC- 4 es
consistente.
2. >e utiliza el estimador 4 %ara o!tener el modelo trans)ormado/
( ) ( ) ( )
t kt kt k t t t t
V X X X X Y Y + + + + =
1 1 2 2 2 1 1
1 L
1 estimamos el 0ector de coe)icientes %or MC- en este modelo4 es
decir4 minimizando con res%ecto a 4 la suma de cuadrados si$uientes/
( ) ( ) ( ) ( )
2
1 jt jt j
k
2 j
1 1 t t
T
2 t
2
X X 1 Y Y S
)
`

=

=

=




676
c# M*todo de Coc'rane,-rcutt
l &+todo de Cochrane58rcutt 71G4G#4 tam!i*n se realiza en dos eta%as/
1. .artiendo de 0 = 4 se estima %or MC- el modelo/
T , , t u X X Y
t kt k t t
L L 1
2 2 1
= + + + + =
l estimador MC- de 4 es consistente. n se$undo lu$ar4 se o!tiene
un estimador consistente de 4 esto se lo$ra estimando %or MC- la
re$resin/
T , , t e e
t t t
L 2
1
= + =


2. >e utiliza %ara o!tener el modelo trans)ormado/
( ) ( ) ( )
t kt kt k t t t t
X X X X Y Y + + + + =
1 1 2 2 2 1 1
1 L
1 se estima %or MC- en este modelo minimizando la suma de
cuadrados
( ) ( ) ( ) ( )
2
1
2
1 1
2
1
)
`

=

=

=
jt jt j
k
j
t t
T
t
X X Y Y S
ste %roceso en dos eta%as4 se suele realizar re%itiendo las re$resiones
'asta 3ue las estimaciones de 1 4 no 0aren dentro de un mar$en de
0alores.
s %reciso tener en cuenta 3ue los dos m*todos considerados minimizan la
suma de cuadrados4 3ue no tiene en cuenta la %rimera o!ser0acin4 %or lo
3ue solo son a%ro6imaciones al estimador de mnimos cuadrados
$eneralizados )acti!les. (sintticamente4 am!os son e3ui0alentes al
estimador MCGL4 %ero %ara muestras %e3ueFas4 %uede 'a!er di)erencias4 a
0eces4 im%ortantes.







677
CASOS DE ESTUDIO, PREGUNTAS Y PROBLEMAS
.ro!lema 17.1/ Heterocedasticidad en series de datos de corte
trans0ersal
n el modelo estimado a %artir de la Ka!la 16.14 contraste las 'i%tesis de
'omocedasticidad.

.ro!lema 17.2/ Contrastes so!re la %ertur!acin aleatoria
n el modelo estimado a %artir de la Ka!la 16.44 contraste las 'i%tesis de
'omocedasticidad4 no autocorrelacin 1 normalidad.

.ro!lema 17.3/ s%eci)icacin 1 stimacin de modelos lineales
s%eci)i3ue un modelo %ara estudiar una tem5tica econmica de su inter*s4
constru1a la ta!la de datos4 realice la estimacin 1 contraste la 0alidez de los
su%uestos.




BIBLIOGRAIA
Gu"arati4 +. 72HH4# RconometraR. 4Sdicin. Mc.GraT Hill. M*6ico.
Uo'nston4 U. +inardo4 U. 72HH1# RM*todos de conometraR. ditorial @icens
@i0es. :arcelona.
9o0ales4 (l)onso. 71GG3# RconometraR. ditorial McGraT Hill. Madrid.
.ulido4 (. 71G8G#. RModelos conom*tricosR. ditorial .ir5mide. Madrid.
>c'midt4 >. U. 72HH5# ;conometra<. ditorial Mc.GraT Hill. M*6ico.