Documente Academic
Documente Profesional
Documente Cultură
Profesores:1
Jose Miguel Benavente
Andrés Otero
Javiera Vásquez
Julio 2004
1. Introducción 5
1
2.3.4. Estimador Mínimo Cuadrado Ordinario de σ 2 . . . . . . . 36
2.8. Inferencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
2.9. Predicción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
2.10.2. Estimación MV . . . . . . . . . . . . . . . . . . . . . . . . 76
2
2.11.2. Test de Wald (W) . . . . . . . . . . . . . . . . . . . . . . . 81
3
3.9. Perturbaciones no Esféricas . . . . . . . . . . . . . . . . . . . . . 117
4
Capítulo 1
Introducción
^ (1.1)
Aunque la econometría parece ser tan antigua como la misma ciencia económica,
sólo en 1930 se crea la Sociedad Econométrica, la cual sistematizó su estudio y
práctica. En 1933 se lanza el primer número de Econometrica en el que Ragnan
Frish (uno de los fundadores de la Sociedad Econométrica, a quién de hecho, se
le acredita el haber acuñado el término "Econometría") destaca: "La experiencia
ha mostrado que cada uno de estos tres puntos de vista, el de la estadística, la
teoría económica y las matemáticas, es necesario, pero por si mismo no suficiente
para una comprensión real de las relaciones cuantitativas de la vida económica
modera. Es la unión de los tres aspectos lo que constituye una herramienta de
análisis potente. Es la unión lo que constituye la econometría".
Sin embargo, las metodologías aplicadas en econometría (los tres puntos de vista
de Frish), no han sido utilizados exclusivamente por la ciencia económica. Otras
ciencias naturales también han aprovechado sus ventajas. Sin embargo, en el
campo del comportamiento económico adquieren especial particularidad y rele-
vancia, en tanto el ambiente y el comportamiento económicos, son esencialmente
no-experimentales, colocándonos en situaciones donde todas las variables rele-
vantes parecen moverse constantemente y donde existen factores impredecibles
que pueden alterar los resultados. Es por esto que la econometría es esencial-
mente una ciencia no determinística, donde se reconoce la existencia de factores
5
Econometría I
Capitulo 1: Introducción FACEA, Universidad de Chile
TEORIA ECONOMICA
MODELO ECONOMETRICO
ESTIMACION
SI NO
PREDICCIONES Y
RECOMENDACIONES DE POLITICA
TEORIA VERIFICADA
6
Econometría I
Capitulo 1: Introducción FACEA, Universidad de Chile
Esta breve descripción no es más que una somera vista a lo que realmente implica
hacer econometría. El camino no está exento de dificultades (en términos de la
calidad de los datos, de la dificultad de medir las variables que la teoría indica,
de los supuestos que realizamos, etc), sin embargo, esto, más que una dificultad,
implica un desafío.
7
Capítulo 2
8
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Podemos observar dos cosas: primero, para cada nota posible en los controles
(3.0, 4.0,..) tenemos un rango o distribución de notas en el examen y segundo,
el promedio de notas en el examen es mayor mientras mayores son notas de los
controles. Esto último se puede apreciar al trazar una recta que una los valores
promedios de notas en examen para cada nota en los controles (linea negra del la
Figura 1), la que corresponde a la recta de regresión. Esta nos permite, para
cada nivel de edad, predecir la estatura promedio correspondiente.
9
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
10
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
11
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
12
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
13
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Para esta sección asumiremos que existe una variable dependiente (Y) que es
explicada por sólo una variable (X).
La población tiene 10 niveles distintos de educación, que van desde 8 a 17. Para
cada uno de estos niveles tenemos 9 individuos con distintos salarios. A pesar de la
variabilidad en los salarios para cada nivel educacional considerado, en promedio
el salario se incrementa a medida que los años de educación aumentan. Esto
último se puede verificar al calcular el promedio para cada nivel de educación, lo
que se presenta en la última linea de la Tabla 1, estos corresponden a los valores
esperados condicionales, ya que dependen de los valores dados de la variable X.
En la Figura 2, los valores medios condicionales están marcados con una cruz. La
unión de estos valores representa la Recta de regresión poblacional, donde
el término poblacional se refiere a que estamos trabajando con el total de la
población.
4000000
3000000
2000000
salario
Recta de regesión
poblacional (RRP)
1000000
x
x x
x x
x
x x
x
x
0
8 10 12 14 16 18
Escolaridad
Figura 2: Distribución de los salarios para distintos niveles de educación.
2
Una población de 60 individuos puede parecer un poco pequeña, pero por el momento
consideremos que estas familias son el total existente
14
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
15
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
donde f(·) es una función cualquiera, en el ejemplo anterior era una función lineal.
La ecuación (2.1) se denomina Regresión Poblacional.
Que forma tiene f(·) es una pregunta empírica, aunque muchas veces la teoría nos
puede ayudar bastante. Supongamos que en nuestro ejemplo anterior el salario
esta relacionado linealmente con la educación, así podemos suponer que la función
de regresión poblacional E(Y|Xi ) es una función lineal de Xi , es decir:
En los dos ejemplos anteriores veíamos que a medida que se incrementa la vari-
able explicativa (educación o ingreso), el valor promedio de la variable dependi-
ente (salario o gasto) también se incrementaba. Sin embargo, este patrón se da
solo a nivel de promedios. A nivel individual esto no es necesariamente cierto.
En la Tabla 1 podemos ver que el individuo que gana menos ingreso con 9 años
de educación, gana menos que el individuo con 8 años de educación con mayor
salario.
ui = Yi − E(Y |Xi )
donde ui es una variable aleatoria no observable que toma valores positivos o neg-
ativos. Este término surge pues no se puede esperar que todas las observaciones
16
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
ui → Componente Aleatorio
Yi = E(Y |Xi ) + ui
= β1 + β2 Xi + ui (2.4)
Así, el supuesto de que la recta de regresión pasa a través de las medias condi-
cionales de Y, implica que la media condicional de ui es cero.
17
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
18
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Entonces es importante tener en mente que las rectas de regresión muestral rep-
resentan la recta de regresión poblacional, pero debido a fluctuaciones muestrales
pueden ser consideradas sólo como una aproximación.
Definición: Un estimador es una regla, fórmula o método que dice cómo deter-
minar el parámetro poblacional a partir de la información suministrada por la
muestra disponible.
19
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Yi = β1 + β2 Xi + ui (2.9)
20
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
En la figura 5 podemos notar que para todo Xi a la derecha del punto A, Ŷi
sobreestima E(Y |Xi ). De igual manera, para cualquier punto a la izquierda de A,
Ŷi subestima E(Y |Xi ). Esta sobreestimación y subestimación del modelo pobla-
cional es inevitable debido a las fluctuaciones muestrales.
21
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
¡ X ¢ plimX
plim Y
= plimY
plim (X · Y )=plimX · plimY
Ejemplo: Tenemos una variable yi que esta compuesta por la suma de un com-
ponente fijo o determinístico (c) y un componente aleatorio(ui ):
yi = c
|{z} + ui
|{z}
componente f ijo componente aleatorio
µ = E(yi ) = c
V (yi ) = E[(yi − E(yi ))2 ] = E[u2i ] = σu2
22
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Insesgamiento: E(µ̂) = µ
¡ ¢
E(µ̂) = E Y
µ ¶
1
= E (y1 + y2 + ... + yn )
n
1
= (E(y1 ) + E(y2 ) + ... + E(yn ))
n
dado que E(yi ) = E(c) + E(ui ) = c,
| {z }
0
E(µ̂) = c = µ
Entonces para n>1 siempre se cumple que µ̂ es más eficiente (menor vari-
anza) que µ̂1 .
plim(µ̂) = plim(Y ) = c
23
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
24
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
25
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Los resultados (2.23) y (2.25) podrían haber sido obtenidos de igual forma, expre-
sando inicialmente el modelo de regresión en desviaciones con respecto a la media.
β̂1 = Y − β̂2 X
26
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Ejemplo 1: Disponemos datos de una empresa química sobre el gasto que el-
la realiza en Investigación y Desarrollo (I+D) y las ganancias anuales de esta
compañía:
\
La forma muestral de la recta de regresión: E(Y i |Xi ) = β̂1 + β̂2 Xi requiere deter-
minar el valor estimado de estos parámetros, para lo cual utilizaremos el método
27
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
De esta forma,
1000 − 6 · 5 · 30
β̂2 =
200 − 6 · (5)2
1000 − 900
=
200 − 150
100
=
50
β̂2 = 2
β̂1 = Y − β̂2 X
= 30 − 2 · 5
= 30 − 10
β̂1 = 20
De esta forma, la recta de regresión muestral estimada es:
Ŷ = 20 + 2 · X
28
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Con esta ecuación en mano, el gerente de I+D de esta compañía puede predecir
el promedio en ganancias futuras anuales a partir de la cantidad presupuestada
de gasto en Investigación y Desarrollo. Por ejemplo, si la compañía presupuesta
gastar 8 millones de dólares en I+D el próximo año, entonces debe ganar aprox-
imadamente 36 millones de dólares durante este año.
Ejemplo 2: Tenemos los siguientes datos de portales de internet, con los cuales
queremos ver el impacto promedio del número de visitas en el valor de la empresa:
29
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
30
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Yi = β1 + β2 Xi + ui
E(ui |Xi ) = 0
Lo que nos dice este supuesto es que los factores que no están considerados
en el modelo y que están representados a través de ui , no afectan sistemáti-
camente el valor de la media de Y. Es decir, los valores positivos de ui se
cancelan con los valores negativos de ui . De esta forma, el efecto promedio
de ui sobre Y es cero. Ver Figura 7.
31
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Figura 8: Homocedasticidad
32
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Figura 9: Heterocedasticidad
33
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Y1 = β1 + β2 X1 + u1
el estimador MCO de β2 es :
P
xi yi
β2 = P 2
xi
34
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
La ecuación (2.28) nos dice que en valor esperado el estimador MCO de β̂2 es
igual a su verdadero valor. Esta propiedad del estimador MCO se conoce como
insesgamiento.
35
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
36
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
hX i hX i
(i) E (ui − u)2 = E (u2i − 2ui u + u2 )
hX X i
= E u2i − 2u ui + nu2
hX nX i
2 2
= E ui − 2u ui + nu
hX n i
= E u2i − 2nu2 + nu2
hX i
2 2
= E ui − nu
" µP ¶2 #
X ui
2
= E ui − n
n
n
= nσ 2 − σ 2
n
= (n − 1)σ 2
h X i h X i
(ii) E (β̂2 − β2 ) xi (ui − u) = E (β̂2 − β2 ) xi (ui − u)
·P ¸
x i ui X
= E P 2 xi (ui − u)
xi
· P P P ¸
( xi ui )2 x i ui x i
= E P 2 −u P 2
xi xi
2
= σ
e2 como:
Por lo tanto se define el estimador de la varianza σ
P 2
2 ûi
σ
e = (2.32)
n−2
e2 es un estimador insesgado de σ 2 :
De forma tal que, σ
1 ³X ´
e2 =
σ E û2i = σ 2
n−2
37
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Donde las variables explicativas se pueden agrupar en una sola matriz de dimen-
sión n×k, que denotaremos simplemente como X, de esta manera el modelo se
expresa de la siguiente forma:
y1 1 x21 x31 · · · xk1 β1 u1
y2 1 x22 x32 · · · xk2 β2 u2
.. = .. .. .. . . .. · .. + .. ⇒ Y = Xβ + u(2.33)
. . . . . . . .
yn 1 x2n x3n · · · xkn βk un
38
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
El método de MCO, plantea que los parámetros del modelo pueden ser estimados
minimizando la suma de los errores al cuadrado (SE (β̂)), la que en términos
matriciales equivale a:
n
X
SE (β̂) = û2i = û0 û
i=1
∂SE (β̂)
= −2X 0 Y + 2X 0 X β̂ = 0
∂ β̂ 0
⇒ β̂ = (X 0 X)−1 X 0 Y (2.35)
39
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
De (2.35) tenemos:
X 0 (Y − X β̂) = 0 ⇒ X 0 û = 0 (2.36)
(2.36) es la condición de ortogonalidad.
Pn Pn P Pn
n x 2,i Pn i=1 x3,i · · · P ni=1 xk,i β̂1
Pn i=1 yi
Pn x2,i Pn 2
i=1
· · · Pni=1 x2,i xk,i
Pni=1
Pn i=1 x2,i i=1 x2,i x3,i
P n 2 n
β̂2
Pi=1
n
yi x2,i
⇔ i=1 x3,i i=1 x3,i x2,i i=1 x3,i ··· i=1 x3,i xk,i β̂3 = i=1 yi x3,i
.. .. .. ... .. .. ..
Pn . Pn . Pn . Pn . 2 . Pn .
i=1 xk,i i=1 xk,i x2,i i=1 xk,i x3,i ··· i=1 xk,i β̂k i=1 yi xk,i
Es importante recordar que el estimador MCO esta definido solo cuando la matriz
(X’X) es invertible, lo que ocurre siempre y cuando:
40
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
⇒ E(β̂) = β (2.39)
β̂ − β = (X 0 X)−1 X 0 u
41
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
u0 u
e2 =
σ
n−k
Demostración: Sea βe = Ay
e un estimador lineal de β, donde A
e es una matriz
42
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
βe = [A + (X 0 X)−1 X 0 ]Y
= [A + (X 0 X)−1 X 0 ](Xβ + u)
= AXβ + β + [A + (X 0 X)−1 X 0 ]u
βe = β + [A + (X 0 X)−1 X 0 ]u
43
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Y = X β̂ + û
Y = P Y + MY (2.41)
P = X(X 0 X)−1 X 0
MY
x1
PY
x2
0
Col X
44
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Luego, si sumamos para todas las observaciones y dividimos a ambos lados por
el tamaño muestral n, tenemos:
por lo cual:
45
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
yi − Ȳ = β̂2 (x2i − x̄2 ) + β̂3 (x3i − x̄3 ) + · · · + β̂k (xki − x̄k ) + ûi (2.46)
la cual es una expresión similar a (2.43), excepto por dos importantes diferencias.
Primero, el modelo no posee constante y segundo, las variables se encuentran
expresadas en desvíos con respecto a la media. A pesar de ello, note que los coe-
ficientes y los residuos son los mismos en ambos modelos.
Por lo tanto, nuestro modelo expresado en matrices, puede ser expresado en tér-
minos de desvío con respecto a la media como:
M 0 Y = M 0 Xβ + M 0 u (2.47)
46
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Para encontrar entonces una expresión para (2.48), de la ecuación (2.47) tenemos
que nuestro modelo estimado en desvíos con respecto a la media es:
M 0 Y = M 0 X β̂ + M 0 û
con lo cual, al particionar nuestra matriz X en X = [i X2 ], nuestro vector de
parámetros en β 0 = [β1 β2 ] y considerando que M 0 i = 0 y que M 0 û = û,
tenemos que:
M 0Y = M 0 iβ̂1 + M 0 X2 β̂2 + M 0 û
= M 0 X2 β̂2 + û (2.49)
Luego, para formar la TSS(suma de los cuadrados totales o la suma de los cuadra-
dos de las desviaciones de Y con respecto a su media), de la ecuación (2.48),
multiplicamos por Y’ la ecuación (2.49):
Y 0M 0Y = Y 0 (M 0 X2 β̂2 + û)
= (X β̂ + û)0 (M 0 X2 β̂2 + û)
= β̂ 0 X 0 M 0 X2 β̂2 + β̂ 0 X 0 û + û0 M 0 X2 β̂2 + û0 û
0 0
Y M Y = β̂2 X20 M 0 X2 β̂2 + û0 û (2.50)
T SS = ESS + RSS (2.51)
donde el segundo y el tercer término desaparecen gracias a que los residuos estima-
dos son, por construcción, ortogonales a las variables explicativas 4 . La igualdad
3
Note que para dicha definición utilizamos los cuadrados de la desviaciones, ya que la suma
de las desviaciones es siempre cero.
4
Ya que X 0 û = X 0 (Y − X β̂) = X 0 Y − X 0 Y = 0.
47
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Definimos entonces la bondad de ajuste del modelo a través del siguiente estadí-
grafo llamado también coeficiente de determinación:
ESS
R2 = (2.52)
T SS
es decir, como la proporción de la varianza de Y que es explicada por la varianza
de la regresión. Alternativamente:
RSS
R2 = 1 − (2.53)
T SS
Note que:
Para ver este último punto, suponga que usted posee el siguiente modelo pobla-
cional:
Y = β1 + β2 X + u
48
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Y − X = β1 + γX + u
û0 û/(n − k)
R̃2 = 1 − (2.54)
Y 0 M Y /(n − 1)
o equivalentemente:
(n − 1)
R̃2 = 1 − (1 − R2 ) (2.55)
(n − k)
49
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
2.8. Inferencia
Una vez que hemos estimado nuestra regresión muestral, es necesario preguntarse
cuan buena aproximación es dicha regresión de la poblacional. Para que la aprox-
imación sea cercana, es condición necesaria que los parámetros incluidos en la
regresión muestral sea estadísticamente distintos de cero (en caso contrario, no
pertenecen a la regresión poblacional). Así, uno de nuestros objetivos puede ser
el testear la significancia individual de los parámetros.
Pero lo anterior es sólo una de las preguntas que como investigadores podemos
estar interesados en responder. Por ejemplo, en la estimación de la función de
producción de una firma, que asumimos Cobb Douglas (Y = AK α Lβ eu o en loga-
ritmo ln Y = ln A + α ln K + β ln L + u), podemos estar interesados en descubrir si
la firma presenta rendimientos constantes, crecientes o decrecientes a la escala, lo
cual se reflejará en que α + β > o ≤ 1. Por lo tanto, ello podría ser otra hipótesis
interesante de plantearse. También podría ser interesante descubrir si todos los
parámetros a la vez son distintos de cero, o de algún valor determinado.
La gama de preguntas posibles respecto del valor de los parámetros es sólo aco-
tada por la pregunta que el investigador desee responder. Nuestro objetivo es,
por lo tanto, desarrollar los métodos de inferencia y contraste de hipótesis que
nos permitan responder, en el contexto de una regresión muestral particular, las
preguntas anteriores.
Y = Xβ + u
50
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Rβ = r
51
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
H0 : Rβ = r (2.56)
con lo cual, sólo nos resta derivar el test que nos permita rechazar o no rechazar
nuestra nula. La construcción del estadígrafo es como sigue. Dado que MCO
(bajo los supuestos relevantes) es insesgado, tenemos que E(β̂) = β, por lo tanto,
E(Rβ̂) = Rβ, mientras que la varianza de Rβ̂ corresponde a
y si la nula Rβ = r es cierta:
(Rβ̂ − r)
p ∼ N [0, 1] (2.60)
σ 2 R(X 0 X)−1 R0
52
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
luego, combinando los dos resultados anteriores, se puede demostrar que (hacer-
lo)7 :
(β̂ − βi0 )2
F = ∼ F (1, n − k) (2.64)
Vd ar(βi )
Recordando que t2 es una caso particular de una F con un grado de libertad en
el numerador, tenemos que:
β̂ − βi0
t= q ∼ tn−k (2.65)
Vdar(βi )
β̂i + β̂j − 1
t= q ∼ tn−k (2.66)
Vd d β̂i , β̂j ) + Vd
ar(β̂i ) + 2Cov( ar(β̂j )
53
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
grandes, sin embargo, la t posee colas más gruesas que la normal (lo cual es más
pronunciado en muestras pequeñas: n≤30). La siguiente figura expone la relación
entre la distribución t y la normal:
Probabilidad
Distribución Normal
Distribución t
Nota precautoria:
Finalmente, nos queda examinar los criterios de rechazo del test y los niveles
de confianza. Como usted recordará de sus clases de estadística, lo anterior de-
pende de como especifiquemos la hipótesis alternativa. A continuación, pasamos
a revisar este punto.
54
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Una vez que hemos calculado el valor del test para nuestra nula particular (o
valor calculado), resta calcular el valor crítico o el valor que nos indica la tabla t.
Dicho valor crítico nos dirá si nuestra nula es falsa o si no podemos afirmar que lo
es. La elección de dicho valor crítico se toma desde la tabla de distribución t y el
número debe ser escogido tomado en cuenta el nivel de significancia escogido
(1 %, 5 % o 10 %), el cual a su vez determina el nivel de confianza del test
(99 %, 95 % o 90 %, respectivamente). El nivel de confianza posee una explicación
intuitiva: Nuestro estadígrafo es función de la muestra con lo que estamos traba-
jando, por lo cual, si contáramos con una gran número de ellas y con cada una
pudiésemos calcular nuestro estadígrafo, el nivel de confianza indica el porcenta-
je de veces que calculamos nuestro estadígrafo en que realmente no rechazamos
lo cierto o rechazamos correctamente lo falso. La forma en que se distribuya la
probabilidad de rechazo, es decir, el nivel de significancia, depende de nuestra
hipótesis alternativa. A continuación revisamos dicho asunto. Test de una cola
H0 : βi = βio
H1 : βi > βio
donde βi0 ∈ R. En dicho caso, el estadígrafo es calculado según lo propuesto en la
sección anterior. El punto está en como acumulamos la probabilidad de rechazo.
En este caso, el total de la probabilidad de rechazo se acumula en la cola derecha
de la distribución, como lo muestra la siguiente figura8 :
8
¿Por qué en la cola derecha? Porque la probabilidad de rechazo, es decir, el nivel de sig-
nificancia, nos indica hasta donde puedo tolerar un valor mayor a βio , por lo cual, carecería de
sentido que la zona de rechazo se encuentre en la cola izquierda de la distribución. Por ejemplo,
si βio =0, la distribución de nuestro estadígrafo se centra en cero (vea la fórmula), por lo cual la
hipótesis alternativa correspondería a que el parámetro es positivo. el punto es ¿cuán positivo
puedo aceptar que sea?.
55
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Probabilidad
Se Rechaza (5%)
No se Rechaza
H0 : βi = βio
H1 : βi 6= βio
56
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Probabilidad
Se Rechaza (2,5%))
Se Rechaza (2,5%)
No se Rechaza
57
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
tamaño del test y por lo tanto, el ETI, es una variable endógena al investigador,
en tanto que él decide con que nivel de confianza trabajar. Luego, el objetivo se
transforma en, dado un nivel de confianza, minimizar la ocurrencia de ETII.
P-value
Otra forma alternativa al valor crítico de tabla para rechazar o no rechazar nues-
tra nula, corresponde al uso de los llamados p-values, los cuales son reportados
en cualquier paquete estadístico. El p-value (p) se define como:
p = p(tcalculado ) = P (|Z| ≥ |tcalculado |) = 2(1 − Φ(|tcalculado |)) (2.67)
es decir, el p-value representa la probabilidad de que el valor crítico (t de tabla, en
nuestro caso), sea mayor al valor t calculado, es decir, describe el nivel de signif-
icancia exacto asociado a un resultado econométrico en particular. Por ejemplo,
un p-value de 0.07 indica que un coeficiente es estadisticamente significativo en
un nivel de 0.07 (o con un 93 % de confianza).
Ejemplo:
Y 2 5 6 7
X 0 10 18 20
58
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Como podemos ver, el grado de ajuste del modelo es bastante bueno, como el
modelo incluye constante, el R2 se puede interpretar como la proporción de la
variabilidad de la variable independiente que es explicada por la variabilidad de
la variable dependiente, la que en este caso alcanza un 97 %.
β̂1
t= ∼ t2
V ar(β̂1 )
De esta forma, el valor calculado para el estadístico t es:
2,193548387
tc = √ = 5,157850523
0,180866
El valor de tabla del estadístico t a un 95 % de confianza y con dos grados
de libertad es 4,303.
Probabilidad
No se
Rechaza Se
Se Rechaza
Rechaza (2,5%)
(2,5%))
t(2)=4,303 t(2)=4,303
tc=5,158
59
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
De esta forma, se rechaza la hipótesis nula de que β̂1 =0, y por lo tanto el
parámetro estimado resulta ser estadísticamente significativo.
β̂2
t= ∼ t2
V ar(β̂2 )
No se
Rechaza Se
Se Rechaza
Rechaza (2,5%)
(2,5%))
t(2)=4,303 t(2)=4,303
tc=7,893
De esta forma, se rechaza la hipótesis nula de que β̂2 =0, y por lo tanto el
parámetro estimado resulta ser estadísticamente significativo.
H0 : β̂1 − β̂2 = 2
H1 : β̂1 − β̂2 6= 2
60
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Sin embargo, en ambos casos podemos derivar expresiones alternativas para nue-
stro test.
Todas las pendientes del modelo son cero: En este caso, se puede
demostrar que el test F puede expresarse como:
ESS/(k − 1)
F = ∼ F(k−1,n−k) (2.68)
RSS/(n − k)
R2 /(k − 1)
F = ∼ F(k−1,n−k) (2.69)
(1 − R2 )/(n − k)
61
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Una manera natural de obtener el IC asociado a β̂i es a través del test t aso-
ciado. Vimos entonces que él corresponde a:
β̂ − βi0
qi ∼ tn−k
V ar(β̂i )
Note además que dicho intervalo está construido sólo en base a constantes cono-
cidas. Una vez construido, se puede contrastar la nula (H0 : βi = βi0 ) al nivel
de significancia α sencillamente observando si βi0 pertenece al intervalo (en cuyo
caso no rechazamos la nula) o se encuentra fuera de él (en cuyo caso rechazamos
la nula)10 . Nuevamente, la validez de dicho intervalo de confianza depende críti-
camente del supuesto de distribución de los errores. En el caso que el valor Zα
se obtenga de la tabla t, como ya sabemos, estamos suponiendo que los errores
siguen una distribución normal. Un caso más general es utilizar los valores críticos
de la distribución normal estándar.
62
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
û0 û
2
∼ χ2n−k
σ
∴
(n − k)σ̃ 2
2
∼ χ2n−k (2.71)
σ
Note que los valores críticos utilizados corresponden a χ2n−k,1−α y χ2n−k,α , ya que
la distribución χ2 es una distribución asimétrica.
E(u4 )
K=
(σ 2 )2
63
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
µr = E[ûr ]
corresponde a:
n
1X r
mr = û
n i=1 i
Note que el estadígrafo está definido en términos del exceso de kurtosis, por
lo cual, a menor sea el valor, menor es la probabilidad de rechazar la nula de
normalidad. Note además que el estadístico es esencialmente no constructivo, en
términos de que no nos indica que camino seguir en caso de rechazar la nula,
además de que no rechazar normalidad no implica confirmar su existencia. Sin
embargo, en la práctica corresponde al test más utilizado.
64
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
2.9. Predicción
65
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
conocido y del parámetro σµ2 , el cual no conocemos y deberá ser reemplazado por
su estimador σ bµ2 si es que queremos construir un intervalo de confianza para la
predicción yb0 .
y 0 − yb0 y 0 − yb0
q ∼ N (0, 1) ⇒ q ∼ tn−k
σµ2 (1 + x0 (X 0 X)−1 x00 ) σbµ2 (1 + x0 (X 0 X)−1 x00 )
Por lo tanto, dada una predicción puntual yb0 y una estimación de la desviación
estándar del error de predicción podemos construir un intervalo de confianza para
el valor de y 0 :
p p
y 0 − t1−α/2,n−k V ar(b
P r[b e0 ) ≤ y 0 ≤ yb0 + t1−α/2,T −k V ar(b
e0 )] = 1 − α
p p
y 0 − t1−α/2,n−k
P r[b e0 ) ≤ E[y 0 ] ≤ yb0 + t1−α/2,T −k
V ar(e e0 )] = 1 − α
V ar(e
66
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
67
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
P
i | yi − ybi |
M AE =
n0
Donde n0 es el número de períodos que hay que predecir. Estos métodos presentan
un problema obvio de escala. Algunas medidas que no presentan este problema
se basan en el estadístico U de Theil.
s P
(1/n0 ) i (yi − ybi )2
U= P
(1/n0 ) i yi2
Ejemplo:
x1 x2 x3 x4 y
Datos Superficie m2 Oficinas Entradas Antiguedad años Valor Edificio US$
2310 2 2 20 142000
2333 2 2 12 144000
2356 3 1,5 33 151000
2379 3 2 43 150000
2402 2 3 53 139000
2425 4 2 23 169000
2448 2 1,5 99 126000
2471 2 2 34 142900
2494 3 3 23 163000
2517 4 4 55 169000
2540 2 3 22 149000
Teniendo los datos podemos entonces utilizar cualquier software estadístico que
nos permita desarrollar la estimación por mínimos cuadrados ordinarios del mod-
elo de regresión. Supongamos que el modelo que mejor describe el compor-
tamiento de nuestra variable dependiente es un modelo lineal del tipo:
68
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
69
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Podemos ver que la distribución de los errores no es del todo simétrica (Skewness =
1,2) y que tampoco presenta un comportamiento mesocurtico (Kurtosis = 3).
Ambos elementos se ven reflejados en el estadísitico Jarque - Bera, el cual cae en
la zona de rechazo (Ver además p -value).
70
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
71
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
72
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Si analizamos los errores de predicción podemos ver que en promedio son cero,
tal como se demostró en clases.
Podemos ver que la varianza de la predicción es mayor a medida que las variables
explicativas están más lejos de su media.
73
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
L(θ; y) = f (y; θ)
Note que hemos invertido la notación entre L y la densidad. Ello porque la den-
sidad describe los valores probables de Y dado un vector θ determinado, sin
embargo, en nuestro caso el sentido es inverso: estamos interesados en el vector θ
dado un vector Y determinado.
o equivalentemente12
θ̂M V = máx ln(L(θ; Y )) = máx l(θ; Y ) (2.74)
θ θ
13
Luego, si asumimos que las observaciones de Y son independientes, entonces :
n
Y n
X
l(θ; Y ) = ln( Li (θ; yi )) = li (θ; yi ) (2.75)
i=1 i=1
12
En general se utiliza el logaritmo de la función de verosimilitud, denotado como l = ln(L)
como función objetivo. Note que dicha transformación es inocua, en términos de que el vector
∂l
de parámetros que maximize l será el que a su vez maximize L, ya que: ∂θ = L1 ∂L
∂θ
13
Bajo independencia, la función de distribución conjunta de una muestra corresponde a la
multiplicación de las funciones de densidad individuales.
74
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
1. Consistencia:
plim(θ̂M V ) = θ (2.76)
3. Normalidad Asintótica:
75
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
2.10.2. Estimación MV
Y = Xβ + u
iid
donde las matrices poseen los tamaños usuales y u ∼ N (0, σ 2 I). Entonces:
n
Y
f (u1 , u2 , . . . , un ; σ 2 I) = f (u1 ) ∗ f (u2 ) ∗ · · · ∗ f (un ) = f (ui )
i=1
y asumiendo una distribución normal para los errores, tenemos que la función de
verosimilitud corresponde a:
n
Y 1 u2
i
2
f (u1 , u2 , . . . , un ; σ I) = √ exp− 2σ2 (2.78)
i=1 2πσ 2
1 0
− u u2
= n exp 2σ (2.79)
(2πσ 2 ) 2
luego, dado nuestro modelo poblacional, tenemos que:
1 −
(Y −Xβ)0 (Y −Xβ)
L = f (y1 , y2 , . . . , yn ; X, σ 2 , β) = n exp 2σ 2 (2.80)
(2πσ 2 ) 2
2 0
con lo cual, nuestros estimadores θ̂M V = [β̂M V σ̂M V ] se obtienen siguiendo la
regla expuesta en (2.74):
µ ¶
1 −
(Y −Xβ)0 (Y −Xβ)
máx ln(L) = máx ln n exp 2σ 2
β,σ 2 β,σ 2 (2πσ 2 ) 2
µ ¶
n n 2 (Y − Xβ)0 (Y − Xβ)
= máx − ln(2π) − ln(σ ) − (2.81)
β,σ 2 2 2 2σ 2
con lo cual, las CPO:
∂lnL 1
= 2 X 0 (Y − X β̂) = 0
∂β σ̂
(Y − X β̂M V )0 (Y − X β̂M V )
=⇒ σˆ2 M V = (2.83)
n
76
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Nos queda entonces derivar la varianza de los estimadores MV. Vimos que la
matriz de varianzas correspondía al inverso de la matriz de información (I(θ)).
Por facilidad de cálculo, generalmente se utiliza la segunda definición de I(θ), es
decir, la de las segundas derivadas de la función de verosimilitud. Entonces:
∂2l X 0X
=− 2
∂β∂β 0 σ
∴
·
¸
∂ 2l X 0X
−E = (2.84)
∂β∂β 0 σ2
∂ 2l X 0u
=− 4
∂β∂σ 2 σ
∴
·¸
∂ 2l
−E =0 (2.85)
∂β∂σ 2
∂2l n u0 u
= −
∂(σ 2 )2 2σ 4 σ6
∴
·¸
∂ 2l n
−E 2 2
= 4 (2.86)
∂(σ ) 2σ
donde esta última esperanza se deriva del hecho que E(u0 u) = nσ 2 . Entonces, la
matriz de información corresponde a:
µ X0X ¶
2 0
I(β, σ) = σ n (2.87)
0 2σ 4
Note que el hecho que la matriz de información (y por lo tanto su inversa) sea
una matriz diagonal, refleja que X y u se distribuyen independientemente (de otra
77
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
y 2 5 6 7
x 4 10 18 20
78
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
79
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
En el caso que los errores distribuyan normal, es posible derivar una versión
alternativa del estadígrafo utilizando los residuos. Reemplazando β̂M V y σˆ2 M V en
l es posible demostrar:
µ ¶− n2
2πe
L(β̂, σˆ2 ) = (2πe)− 2 (σˆ2 )− 2 =
n n n
(û0 û)− 2 (2.90)
n
Luego, si definimos como ûN R los residuos del modelo irrestricto y como ûR ,
reemplazando en la definición del test, obtenemos:
80
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Un tercer test corresponde al test LM, el cual también es conocido como el test
del Score. recordemos que el Score corresponde a la matriz de primeras derivadas
14
Note que hemos utilizado sólo el bloque superior izquierdo de la inversa de la matriz de
información. Ello porque el test corresponde a los parámetros asociados a los coeficientes de la
regresión. Además, ello es posible porque la matriz es diagonal, lo cual implica que no existe
correlación entre los errores y los regresores.
81
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
de la función de Verosimilitud:
∂ ln L
s(θ) =
∂θ
∂l
=
∂θ
Como vimos en la introducción, s(θ̂) = 0, por lo cual, al evaluar el score en el
estimador restringido bajo la nula Rβ − r = 0 (β̃), generalmente obtendremos
un vector diferente de cero, sin embargo, si la nula no se puede rechazar, esper-
aríamos obtener un vector cercano a cero.
Se puede demostrar que el score posee media cero y varianza igual a la matriz de
información (I(θ)). Por lo tanto, tenemos que la forma cuadrática:
a
s0 (θ)I(θ)−1 s(θ) ∼ χ2
u∗ = Y − X β̃
y por lo tanto:
u0∗ u∗
σ̂ 2∗ =
n
con lo cual:
· 1
¸
σ̂ 2∗
X 0 u∗
s(θ̃) = (2.97)
0
82
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
(i) Test de Razón de Verosimilitud: recordemos que el estadístico de este test es:
LR = 2[ln L(λ̂) − ln L(λ̃)] ∼a χ2 (q)
Primero debemos evaluar el logaritmo de la verosimilitud en el parámetro
no restringido (estimado):
n
X n
X n
X n
X
L(λ̂|y, x) = n ln λ̂ − λ̂ yi + ln λ̂ xi + xi ln yi − ln(xi !)
i=1 i=1 i=1 i=1
= 4 · ln(2,8) − 2,8 · 20 + ln(2,8) · 52 + 90,04 − 97,014
= −5,317999436
El siguiente paso es computar el logaritmo de la función de verosimilitud
restringida, es decir, evaluada en el valor del λ bajo la hipótesis nula (λ̃ = 5):
n
X n
X n
X n
X
L(λ̃|y, x) = n ln λ̃ − λ̃ yi + ln λ̃ xi + xi ln yi − ln(xi !)
i=1 i=1 i=1 i=1
= 4 · ln(5) − 5 · 20 + ln(5) · 52 + 90,04 − 97,014
= −16,8481637
83
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
(ii) Test de Wald: para poder realizar este test primero necesitamos computar la
matriz de varianzas y covarianzas del estimador, el inverso de la matriz de
información. Recordemos la forma de esta matriz:
· ¸ · 2 ¸
∂l ∂l 0 ∂ l
I(θ) = E = −E
∂θ ∂θ ∂θ∂θ0
84
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
Como el valor calculado del estadístico de Wald resulta ser mayor al valor
de tabla de una χ2 con un grado de libertad, se rechaza la hipótesis nula de
que λ̂ = 5.
(iii) Test de multiplicador de Lagrange: para construir este estadístico necesita-
mos evaluar el score y la matriz de información en el estimador restringuido
e que en este caso es igual a 5:
(λ),
n Pn
e n X 4 52
s(λ) = − yi + i=1 = − 20 + = −8,8
e
λ e
λ 5 5
i=1
e = 56
I(λ) = 2,24
(5)2
Reemplazando en el estadístico:
e 0 I(λ)
LM = s(λ) e −1 s(λ)
e
LM = (−8,8)(2,24)−1 (−8,8) = 34,6
85
Econometría I
Capitulo 2: Modelo de Regresión Lineal FACEA, Universidad de Chile
4. Adicionalmente, los tres test vistos son capaces de lidiar con restricciones no
lineales. ¿Por qué? Porque MV es capaz de lidiar con modelos no lineales15
15
Un ejemplo de restricción no lineal corresponde a H0 : ln(β32 ) = −0,1+ln(β2 ). Para estimar
el modelo restringido basta con aislar β2 e introducirlo en la función de verosimilitud que será
maximizada por métodos numéricos.
86
Capítulo 3
87
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
βb = β + (X 0 X)−1 X 0 u
b
E[β|X] = β + (X 0 X)−1 X 0 E[u|X] = β
b = Ex [V [β|X]]
V [β] b + Vx [β]
b = Ex [V [β|X]]
V [β] b = E[σ 2 (X 0 X)−1 ] = σ 2 E[(X 0 X)−1 ]
Nuestra conclusión inicial se altera un poco, tenemos que sustituir (X 0 X)−1 por
su valor esperado para obtener la matriz de covarianzas apropiadas. La varianza
incondicionada de βb solo puede ser descrita en términos del comportamiento
medio de X. Sin embargo, el teorema de Gauss Markov seguirá aplicando. Ya que
si para cada X particular el estimador MCO es el mejor estimador lineal insesgado
también lo será para los valores medios de los regresores.
2
Aplicando descomposición de la varianza(Ver).
88
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Conclusiones:
Bajo normalidad del error los test estadísticos tienen la misma distribución
que en el caso de las X no estocásticas.
En la sección 2 asumimos que el modelo de regresión debía ser lineal. Sin embargo,
muchas de las relaciones económicas no son lineales. Veamos el siguiente ejemplo
de la relación entre las ventas de los portales de Internet y el número de visitas
al portal.
89
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Transformación Logarítmica
90
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Y = Xβ + u
Y = X β̂1 + Z β̂2 + û
donde:
£ ¤
Z = Ŷ 2 Ŷ 3 . . . Ŷ m
luego la nula:
H0 : β2 =0
puede ser testeada utilizando un test de Wald sobre β2 . Es posible demostrar que
bajo la nula W∼a χ2m−1 . Por lo tanto, la nula se rechaza al α % de significancia si
el estadígrafo es mayor que el valor crítico correspondiente. Para implementar el
test, m (es decir, el número de potencias de Y a incluir en la regresión auxiliar)
debe ser seleccionado previamente. Típicamente, valores pequeños como 2, 3 o 4
parecen funcionar mejor.
que al derivar la función objetivo con respecto a los parámetros de interés, podemos no obtener
una forma funcional cerrada para nuestro estimador. Ello nos llevará generalmente a utilizar
métodos numéricos para maximizar o minimizar nuestra función objetivo, la cual, incluso puede
dejar de ser estrictamente cóncava.
91
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Wi = β0 + β1 d1i + ui (3.2)
β0 = E(W/hombre)
β0 + β1 = E(W/mujer)
Alternativamente, podríamos haber definido la dummy de la siguiente forma:
(
0 mujer
d2i = (3.3)
1 hombre
92
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
y el modelo como
Wi = β0 + β1 d2i + ui
entonces, en esta segunda especificación escogida para la dummy, tenemos que:
β0 + β1 = E(W/hombre)
β0 = E(W/mujer)
Una tercera forma de definir el modelo sería incluyendo ambas dummies:
Wi = β1 d1i + β2 d2i + ui
β2 = E(W/hombre)
β1 = E(W/mujer)
Los tres modelos anteriores son equivalentes. Note que en el tercer modelo
no incluimos término constante ya que ello haría que la matriz X fuese singular y
por lo tanto, no invertible. Dicho error de especificación es llamado en la literatu-
ra Trampa de las Dummies y corresponde a un error netamente del investigador,
no de los datos.
Ejemplo I:
Contamos con datos de ingreso proveniente de la ocupación principal para el año
2000, de acuerdo a zona geográfica de Chile: Norte (de la primera a la cuarta
región), Centro (quinta región, sexta región y región metropolitana) y Sur (de
la séptima a la duodécima región). Suponga que deseamos averiguar si el salario
promedio difiere entre las distintas zonas geográficas, si tomamos el promedio de
los salarios de los individuos en cada una de las zonas obtenemos lo siguiente:
93
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Estos números son claramente diferentes entre sí, pero lo que nos interesa saber
es si esta diferencia es estadísticamente significativa, para esto utilizaremos un
modelo ANOVA.
Este modelo es como cualquier otro modelo de regresión lineal, la única difer-
encia que ahora todo nuestras variables explicativas son binarias. De esta forma,
el salario promedio de los individuos que viven en el norte es:
E(Yi |D1i = 1, D2i = 0) = β0 + β1
de igual forma el salario promedio de los individuos que viven en el sur es:
E(Yi |D1i = 0, D2i = 1) = β0 + β2
y por último, el salario promedio de los individuos que viven en el centro es:
E(Yi |D1i = 0, D2i = 0) = β0
Así, el salario promedio de los individuos de la zona centro esta dado por el inter-
cepto de la ecuación de regresión, además los coeficientes β1 y β2 ("pendiente"),
indican la cantidad en que los salarios promedios del norte y sur difieren de los del
centro, respectivamente. Ahora necesitamos ver si estas diferencias son estadísti-
camente significativas.
94
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Los modelos ANOVA que acabamos de analizar no son muy frecuentes en economía,
sólo se utilizan para testear diferencias de medias.
Los modelos econométricos generalmente son más amplios e introducen tanto vari-
ables explicativas continuas como dicotómicas. Por ejemplo, es razonable suponer
que, además del género, existen otros factores que explican el salario (educación
y experiencia (entre otros) siguiendo a Mincer (1974)).
W Hombres
Mujeres
β2
β 0+β 1 β2
β0
E
Salario y Educación, diferencia de intercepto entre hombres
y mujeres
95
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
En el caso que existan otros regresores continuos (experiencia, por ejemplo), po-
dría ser deseable poseer efectos diferenciados en la pendiente sólo para algunos
de ellos.
Hombres
W
β2+β3
Mujeres
β 0+β 1 β2
β0
E
Salario y Educación, diferencia de intercepto y pendiente
entre hombres y mujeres
96
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Como hemos mencionado las variable dummies pueden reflejar características in-
dividuales como género, status marital,raza, etc, y de esta forma las habiamos
llamado variable cualitativas. Sin embargo, este no es el único motivo para
incluir dummies en una regresión. Existen además aquellas dummies llamadas
dummies estacionales cuyo objetivo es controlar por factores temporales de
los datos. Por ejemplo, estimando la demanda de helados, es posible que ex-
ista un "efecto verano"por lo cual la demanda aumente en algunos trimestres o
bimestres, de esta forma para controlar dicho efecto, se deben incluir 4 dummies
cada una correspondiente a un trimestre del año (o 6 en el caso del bimestre, o 2
en el caso del semestre, etc.). Recuerde que el caso de incluir una constante debe
retirar discrecionalmente alguna de ellas, la cual servirá como trimestre de ref-
erencia. Las dummies también pueden ser útiles para captar efectos umbrales.
Siguiendo con nuestro ejemplo de educación, podríamos tener que en la encuesta,
la variable Educación no fue recogida en forma continua, sino discreta (es decir,
si la persona posee: Educación Básica (8 años), Educación Media (12 años), Edu-
cación Universitaria (17 años), Educación universitaria con postgrado (19 años)).
Definiendo una dummy por cada nivel de educación, el coeficiente asociado a ca-
da una de ellas nos mostraría el retorno a cada tipo de educación. Finalmente,
las dummies pueden ser de utilidad para cuantificar efectos condicionales. Ya
habíamos enunciado éstas cuando vimos E(W/E,género), en que permitimos que
la pendiente varíe entre géneros. Dichas dummies son de interés cuando queremos
captar algún efecto condicional a alguna característica. Por ejemplo, el retorno a
la educación dado que se es mujer, o que se es casado, o que se es blanco, etc.
En dicho caso, basta introducir la dummy que identifica el estado condicional
multiplicada por la variable de interés.
Wi = β1 d1i + β2 d2i + ui
Y = Xβ + u
97
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
β̂ = (X 0 X)−1 X 0 Y
· 0 ¸−1 · 0 ¸
D1 D1 D10 D2 D1 Y
=
D20 D1 D20 D2 D20 Y
· Pn 2 Pn ¸−1 · Pn ¸
Pn i=1 d1i Pn 2
i=1 d 1i d2i Pn
i=1 d1i yi
=
i=1 d1i d2i i=1 d2i i=1 d2i yi
· ¸−1 · Pn ¸
n1 0 Pni=1 d1i yi
=
0 n2 i=1 d2i yi
· ¸
y¯1
=
y¯2
V (β) = (X 0 X)−1 σ̂ 2
" 2 #
σ̂
n1
0
= 2
0 σ̂n2
donde: n
2 1X 2
σ̂ = û
n i=1 i
es el estimador basado en la muestra completa.
98
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Ejemplo II:
A continuación veremos la aplicación de la llamada "Ecuación de Mincer"para
estimar el retorno a la educación. Los datos corresponden a un grupo de jóvenes
chilenos egresados de la educación media técnica, los que fueron entrevistados en
1997. La primera figura muestra la estimación de la ecuación de Mincer en su
versión original (1974):
ln(Salario)i = α + β1 Educacioni + ui
Consideremos ahora una versión más completa del modelo en que incluimos la
experiencia y una dummy que toma el valor 1 si el individuo es una mujer:
Note que el retorno a la educación sigue siendo positivo, mientras que la dummy
para mujer es negativa (¿Qué significa que el parámetro sea negativo?). Veamos a
continuación, la misma especificación, sólo que esta vez la dummy se define como
1 si el individuo es hombre:
99
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
100
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Cuando trabajamos con series de tiempo, es posible que sea de nuestro interés
incluir rezagos de la variable dependiente como variables explicativas. Ello puede
ocurrir cuando creemos que existe cierta persistencia de nuestra variable depen-
diente. Por ejemplo, para tratar de explicar el comportamiento de la inflación
(πt ), tendría sentido introducir como variables explicativas, junto con la tasa de
crecimiento del dinero (mt ), rezagos de la propia tasa de inflación:
πt = β0 + β1 πt−1 + β2 mt + ut
101
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Para examinar este punto con más detalle, substituyamos el modelo en repetidas
ocasiones hasta llegar a una forma general:
y1 = β1 y0 + u1
y2 = β1 y1 + u2 ⇒ y2 = β1 (β1 y0 + u1 ) + u2 = β12 y0 + (u2 + β1 u1 )
y3 = β1 y2 + u3 ⇒ y3 = β1 (β12 y0 + u2 + β1 u1 ) + u3 = β13 y0 + β12 u1 + β1 u2 + u3
..
.
yt = β1t y0 + (ut + β1 ut−1 + β12 ut−2 + · · · + β1t−1 u1 )
E(yt ut ) = σ 2
E(yt ut−1 ) = β1 σ 2
E(yt ut−2 ) = β12 σ 2
102
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
4
Información obtenida del Banco Central de Chile: www.bcentral.cl
103
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
πt = β0 + β1 πt−1 + ut
104
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Sin embargo, el caso de tener que elegir entre modelos anidados, es posible utilizar
los llamados Criterios de Información. Suponga que usted desea escoger entre
alguno de los siguientes modelos:
Y = β0 + β1 x1 + β2 x2 + β3 x3 + u (1)
Y = α0 + α1 x1 + α3 x3 + v (2)
Y = φ0 + φ(x1 + x2 ) + ω (3)
donde se dice que el modelo (1) encompasa al (2) y al (3), ya que los dos segundos
son el versiones restringidas del primero. Luego, se dice (2) y (3) son anidados en
(1)
2 ln L k
ACI = − +
n n
mientras que el Criterio de Schwarz (BIC) se define como:
2 ln L ln(n)
BIC = − +k
n n
Luego, el criterio de selección entre modelos anidados corresponde a elegir el
modelo con menor criterio de información. Note que para que los criterios sean
comprables, deben poseer el mismo tamaño de muestra.
105
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Recordemos lo aprendido en la sección 3.3 del curso. Veíamos que para estimar el
retorno a la educación, es decir, cuanto ingreso adicional me genera un año más
de educación, podíamos considerar al menos tres especificaciones:
donde Wi era el logaritmo natural del salario del individuo i, d2i era una variable
dummy que tomaba el valor 1 si la persona i era hombre y 0 sino, Ei eran los
años de educación del individuo i y Ei · d2i era una variable interactiva.
Además tenemos que el Modelo II anida al modelo III, y el modelo I anida a los
modelos II y III. De esta forma, podemos utilizar los criterios de información de
Akaike y Schwarz para determinar con que especificación nos quedamos.
Wi = β0 + β1 d2i + β2 Ei + β3 Ei · d2i + ui
106
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Wi = β0 + β1 d2i + β2 Ei + ui
Wi = β0 + β2 Ei + ui
107
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
En resumen:
108
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Y = Xβ + u
Y = X1 β1 + X2 β2 + u
109
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
e2 (X10 M2 X1 )−1
V̂ (β̂1 ) = σ
e2 (X20 M1 X2 )−1
V̂ (β̂2 ) = σ
Y = X1 β1 + u
110
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
por lo cual:
Ello implica que por lo general, la omisión de variables relevantes (que pertenecen
al modelo poblacional), causará que los parámetros estimados sea sesgados. Ello
no sucederá, sólo en el caso que Z=0 (es decir que X1 y X2 sea ortogonales) o si
β2 =0 (aunque dicho caso es contradictorio, dado que implicaría que la variable
no pertenece al modelo poblacional).
donde M2 = I − X2 (X20 X2 )−1 X20 . Luego, comparamos las inversas de ambas ma-
trices:
(V (β̂1 /X1 ))−1 − (V (β̂1∗ /X1 , X2 ))−1 = σ −2 (X10 X2 (X20 X2 )−1 X20 X1 )
Por lo tanto, el omitir variables relevantes implica que los parámetros estimados
serán sesgados y que sus varianzas serán menores. Más aún, también es posible
demostrar que el estimador de la varianza de los errores (σ̃ 2 ) es sesgado hacia
arriba (la varianza poblacional es menor).
111
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
3.7.3. Ejemplo
Wi = β1 Ei + β2 EXPi + ui (1)
Wi = β1 Ei + ui (1)
6
La cual esta definida como EXPi = Edadi − Ei − 6.
112
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
113
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Y = X1 β1 + u
Y = X1 β1 + X2 β2 + u
E(β̂1 ) = β1
Recordemos que:
114
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
3.8.3. Ejemplo
Wi = β1 + β2 Ei + ui (1)
Wi = β1 + β2 Ei + β3 Di + ui (1)
115
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Podemos ver no existe una variación importante en los parámetros del modelo
estimado y el modelo verdadero. Sin embargo, tal como habíamos demostrado, la
varianza de los parámetros aumenta disminuyendo entonces la eficiencia.
116
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Figura 8: Homocedasticidad
Figura 9: Heterocedasticidad
Cov(ui uj ) = 0 para i 6= j
117
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Es decir, teníamos que E[uu0 ]=σ 2 In , ahora si el término de error no cumple con
los supuestos del modelo de regresión lineal tenemos que E[uu0 ]=σ 2 Ω. Donde Ω
es una matriz definida positiva.
β̂ = (X 0 X)−1 X 0 Y
= β + (X 0 X)−1 X 0 u
Dado que Ω es una matriz simétrica definida positiva, puede ser descompues-
118
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
ta de la siguiente manera:7
Ω = CΛC 0
donde las columnas de C son los vectores propios de Ω y los valores propios (λj )
de Ω se encuentran en la diagonal
p de Λ. Entonces 1/2sea Λ1/2 , la matriz diagonal
con el j-ésimo elemento igual a λj y sea T = CΛ . De esta forma, Ω = T T 0 .
Además sea P 0 = CΛ−1/2 y por lo tanto, Ω−1 = P 0 P . 8
P Y = P Xβ + P u o
Y ∗ = X ∗ β + u∗ (3.6)
Por lo tanto, el modelo transformado cumple con los supuestos del modelo clásico
de regresión, y se puede utilizar MCO para estimar el parámetro β:
Nuevamente como el estimador MCG es igual al estimador MCO sólo que se aplica
al modelo transformado, todos los procesos para testear hipótesis y construir
intervalos de confianza se mantienen.
Por ejemplo si queremos testear q hipótesis lineales H0 : Q0 β = c, se tiene el
7
Esto se conoce como Descomposición Espectral de una matriz.
8
Esto viene de la ortogonalidad de C, lo que implica que I = C 0 C = CC 0 y entonces
C = C −1 .
0
119
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
siguiente estadístico F:
³ ´0 ³ ´
−1
Q0 β̂M CG − c [Q0 σ
eM2
CG (X∗
0
X∗ )−1
Q] Q 0
β̂M CG − c
∼ Fq,n−k
q
³ ´0 ³ ´
0 0 −1
1 Q β̂M CG − c [Q (X∗0 X∗ )−1 Q] 0
Q β̂M CG − c
· 2
∼ Fq,n−k
q σ
eM CG
2 2
donde σ eM CG es el estimador insesgado de σ en presencia de perturbaciones no
esféricas:
³ ´0 ³ ´
−1
û0∗ û∗ Y − X β̂M CG Ω Y − X β̂M CG
2
σ
eM CG = =
n−k n−k
Anteriormente asumimos que Ω era conocida, en este caso una simple transfor-
mación del modelo de regresión lineal lleva a una matriz de covarianza esférica.
En la práctica, Ω es desconocida y es necesario estimar los parámetros al interior
de esta matriz.
Entonces lo que debemos hacer es sustituir Ω por un estimador de ella Ω̂. Es-
to se denomina estimador Mínimos Cuadrados Factibles (MCF), donde el
estimador de β se define de la siguiente forma:
³ ´−1
β̂M CF = X 0 Ω̂−1 X X 0 Ω̂−1 y
120
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
3.9.5. Heterocedasticidad
La Heterocedasticidad surge cuando a pesar de que Cov(ui uj )=0 para i6= j, las
varianzas de cada observación son diferentes, es decir, V ar(uj ) = σj2 para j=1,...,n.
La matriz de covarianzas en este caso es:
σ12 · · · 0 ω1 · · · 0
E[uu0 ] = σ 2 Ω = ... . . . ... = σ 2 ... . . . ...
0 ··· σn2 0 ··· ωn
4000000
3000000
2000000
salario
Recta de regesión
poblacional (RRP)
1000000
x
x x
x x
x
x x
x
x
0
8 10 12 14 16 18
Escolaridad
Figura 2: Distribución de los salarios para distintos niveles de educación.
121
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Al omitir variables relevantes, a parte del sesgo que se produce en las estima-
ciones por esto, se produce Heterocedasticidad ya que este variable estará
en el término de error y por lo tanto la varianza dependerá de ella.
122
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
123
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Contrastes de Heterocedasticidad:
124
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
d ) Se calcula es estadístico:
H0 : α1 = α2 = ... = αp = 0
c) Se estima una regresión de ê2i sobre una constante y las variables z1i ,
z2i ,...,zpi y se obtiene la suma explicada (SE) de dicha regresión.9
d ) Bajo la hipótesis nula de Homocedasticidad y dado el supuesto de
normalidad del término de error, la razón SE
2
se distribuye χ2p .
9
Pn
Recordemos que la suma explicada de una regresión es igual a i=1 (ŷi − y)2 , cuando yi es
la variable dependiente.
125
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
|ûi | = δ0 + δ1 zih + νi
© ª
para distintos valores del exponente h: h = −1, 1, 21 , − 21 . Escoger el
valor de h que proporcione una mejor regresión (coeficiente δ1 signi-
ficativo y una suma residual pequeña).
c) Una vez seleccionado h, se divide el vector de dimensión (k+1) formado
h
por las observaciones (y
qi ,xi ) de cada periodo por δ̂0 +δ̂1 zi si se estimo la
regresión de |ûi | y por δ̂0 + δ̂1 zih si se estimo û2i , y se estima el modelo
de nuevo por MCO, pero ahora con las variables transformadas.
Como ejemplo, estimemos la relación que existe entre empleo y Pib en las comu-
nidades autónomas españolas. Se dispone datos del PIB en miles de millones de
pesetas, y de ocupados, en miles de personas para 1989, los que se muestran en
la siguiente tabla:
126
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Estimador de la
desviación estandar
del error
~2
σu =
SEC/(n-k)
= 4307097.27/16
= 269193.56
~
σu = 518.84
127
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
El estimador del parámetro asociado al empleo resulta ser significativo, por cada
1,000 empleador el PIB aumenta en 3,760 millones de pesetas. Sin embargo, la
estimación de la constante es bastante imprecisa, y por ello resulta ser no sig-
nificativa. Existe la posibilidad de que la varianza del componente del PIB no
explicado por el empleo aumente con este, es decir, tengamos un problema de
heterocedasticidad, donde σi depende de empleoi , y de esta forma, σi2 depende
de empleo2i . Con esta sospecha, es necesario testear Heterocedasticidad.
SE
128
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
λ = 93.2
Este estadístico λ debe ser comparado con el valor de tabla de una distribución
Fm,m al 95 % de confianza, que es igual a 6.39. De esta forma, nuevamente se
rechaza la hipótesis nula de Homocedasticidad.
129
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
3.9.6. Autocorrelación
Cov(ui uj ) 6= 0 para i 6= j
Luego, nuestra matriz de varianzas y covarianzas del error ya no será una matriz
diagonal (como en el caso de varianzas esféricas y no esférica pero sólo con het-
erocedasticidad) ya que el término de error se encuentra correlacionado consigo
mismo a través del tiempo. La forma que toma la matriz cuando sólo tenemos
autocorrelación pero los errores son homocedásticos:
σ 2 σ1,2 σ1,3 · · · σ1,T
σ2,1 σ 2 σ2,3 · · · σ2,T
0 2 σ3,1 σ3,2 σ 2 · · · σ3,T
E[uu ] = σ Ω =
.. .. .. . . ..
. . . . .
σT,1 σT,2 σT,3 · · · σ 2
yt = Xt β + ut t = 1, 2, ..., T. (3.9)
ut = ρut−1 + εt
130
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
ut = ρut−1 + εt
σε2
1. V (ut ) = V (ρut−1 + εt )=ρ2 V (ut−1 ) + σε2 , de esta forma V (ut ) = 1−ρ2
2. Como E(ut ) = 0, Cov(ut ut−1 ) = E(ut · ut−1 ). Calculemos esta última esper-
anza:
E(ut · ut−2 ) = ρ2 σ 2
131
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Entonces:
σ 2 σ1,2 σ1,3 · · · σ1,T
σ2,1 σ 2 σ2,3 · · · σ2,T
σ3,1 σ3,2 σ 2 · · · σ3,T
E[uu0 ] = σ 2 Ω =
.. .. .. ... ..
. . . .
σT,1 σT,2 σT,3 · · · σ2
σ2 ρ · σ2 ρ2 · σ 2 · · · ρT −1 · σ 2
ρ · σ2 σ2 ρ · σ2 · · · ρT −2 · σ 2
ρ2 · σ 2 ρ · σ2 σ2 · · · ρT −3 · σ 2
=
.. .. .. .. ..
. . . . .
ρT −1 · σ 2 ρT −2 · σ 2 ρT −3 · σ 2 · · · σ2
1 ρ ρ2 · · · ρT −1
ρ 1 ρ · · · ρT −2
2
· · · ρT −3
= σ2 ρ ρ 1
.. .. .. .. ..
. . . . .
T −1 T −2 T −3
ρ ρ ρ ··· 1
132
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Por otra parte, también es cierto que la mayoría de las variables económicas
(y especialmente las variables medidas en términos nominales) tienen una
tendencia, generalmente creciente. Si el conjunto de variables explicativas
del modelo no explican adecuadamente dicho comportamiento, entonces el
término de error incorporará dicha tendencia, lo que conduce a existencia de
autocorrelación positiva:una primera racha de residuos negativos seguidos
por otra racha de residuos positivos.
X Modelo
XX verdadero
X X Modelo
XX X estimado
X
XX
X X X
X
X
X X
X X
X X
133
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Todo lo dicho en las secciones 3.8.1 hasta 3.8.4 aplican en este contexto (recuerde
que la matriz Ω se planteó en términos generales). De esta forma, MCO sigue
siendo insesgado, pero pierde eficiencia, por lo cual ya no es MELI. El estimador
de mínima varianza en este contexto es MCG, y en caso de desconocerse la forma
de la autocorrelación se debe utilizar MCF.
134
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Contrastes de Autocorrelación
con:
Pn
t=2 ût ût−1
P
ρ̂ = n 2
t=1 ût
135
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
El test posee dos grandes omisiones. Primero, sólo sirve para detectar au-
tocorrelación de orden 1 en los errores y segundo, no puede ser aplicado si
se incluyen regresores de la variable dependiente en el modelo (porque se
construye bajo el supuesto de regresores determinísticos). Además, se debe
tener presente que el test está construido bajo normalidad de los errores y
que existen las zonas grises o indeterminadas de las que hablábamos con
anterioridad.
2. Test de h-Durbin (h) Una variación del test DW puede ser aplicada
cuando existen variables rezagadas de la variable dependiente en nuestro
136
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
note que si k=1, entonces estamos en una caso parecido al estadístico DW.
Los pasos para realizar el test son:
a) Estimar el modelo por MCO y obtener los residuos û. El modelo puede
incluir rezagos de la variable dependiente.
b) Estimar una regresión auxiliar de ût sobre p rezagos: ût−1 , . . . , ût−p ,
incluyendo las variables exógenas (X) del modelo original. Note que
deberá excluir p observaciones.
c) Calcular el R2 de la regresión auxiliar
d ) Construir el estadígrafo nR2 ∼ χ2p
La lógica del test se basa en que si no existe autocorrelación, entonces los
residuos MCO no deberían ser explicados por sus retardos, por lo cual el
R2 de la regresión auxiliar debería ser cercano a cero, lo cual nos llevaría a
un bajo valor del estadígrafo y a un no rechazo de la nula.
4. Test de Box-Pierce-Ljung (Q-Stat) Este test se basa en el cuadrado
de las primeras p autocorrelaciones de los residuos MCO. El estadígrafo se
define como:
p
X
Q=n rj2 (3.17)
j=1
137
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
donde: Pn
t=j+1 ût ût−j
rj = P 2
t=1 ût
138
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
y t = x t β + ut
ut = ρut−1 + εt
⇒ yt∗ = x∗t β + εt
11
Esto sucede cuando la diferencia entre el vector de parámetros β difiere infinitesimalmente
del β obtenido en la vuelta anterior.
139
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
12
Ver Greene, Análisis Econométrico página 69. Si la función de densidad conjunta de la
variable εt es:
µ ¶T Ã" P #!
T
1 − t=2 ε2t
f (ε) = √ · exp
σε 2π 2σε2
o equivalentemente:
µ ¶T µ· ¸¶
1 −ε0 ε
f (ε) = √ · exp
σε 2π 2σε2
140
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
Ct = β0 + β1 Yt + ut (3.25)
141
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
20000
16000
12000
8000
4000
0
1955 1960 1965 1970 1975 1980 1985
CONSUMO PIB
142
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
16000
12000
8000
400
4000
200
0
0
-200
-400
1955 1960 1965 1970 1975 1980 1985
Residual Actual Fitted
143
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
144
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
145
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
ρ^
146
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
147
Econometría I
Capitulo 3: Forma Funcional y Especificación FACEA, Universidad de Chile
148
Capítulo 4
4.1. Multicolinealidad
149
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
Si existe la inversa de X’X, el estimador MCO de este modelo, viene dado por
β̂M CO = (X 0 X)−1 X 0 y y su matriz de covarianzas es Var(β̂)=σu2 (X 0 X)−1 .
Supongamos que la xji tiene un alto grado de correlación con las demás vari-
ables explicativas de modelo, es decir que la regresión lineal:
xji = δ1 + δ2 x2i + ... + δj−1 xj−1,i + δj+1 xj+1,i + ... + δk−1 xki + νi (4.1)
150
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
Tabla 6: Multicolinealidad
Periodo yi x2i x3i x4i
1 20 5 10 10
2 12 2 8 6
3 28 7 12 16
4 26 6 4 12
5 14 4 16 8
6 24 8 14 14
7 16 3 6 4
151
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
152
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
X = [xj ; Xj ]
153
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
P
donde STj es la suma total de la regresión entre xj y Xj (STj = ni=1 (xji −
xj )2 ) y R2j es el coeficiente de determinación de esta misma regresión.
σu2
V ar(β̂j0 ) =
STj
V ar(β̂j ) 1
=
V ar(β̂j0 ) 1 − Rj2
154
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
155
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
estimador MCO sigue siendo el mejor estimador lineal insesgado de los parámet-
ros. El problema es que, cuando hay multicolinealidad, el mejor no resulta ser
muy bueno.
156
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
en el que la variable dependiente yi está medida con error, es decir, solo observa-
mos:
Bajo los supuestos mencionados es fácil darse cuenta que el estimador de β será
el mismo que si observáramos el verdadero valor de yi .
En consecuencia, los errores de medida en la variable endógena no producen
ningún problema importante al estimar por MCO.
157
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
contrario a lo que ocurría en (4.8) en este caso tenemos dificultad al estimar por
MCO, ya que el término de error εi esta relacionado con x∗i , lo que va en contra
del supuesto 6, veamos:
−βσ 2
plimβ̂ = β + 2 ω2
Sx + σω
β
plimβ̂ = 2
σω
1+ Sx2
Pn
donde Sx2 = plim n1 i=1 x2i , que supondremos existe.
158
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
Lo que implica que un sólo error basta para generar inconsistencias en todos
los coeficientes del modelo.
159
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
X ∗ = Zϕ + ²
ϕ̂ = (Z 0 Z)−1 Z 0 X ∗
X̂ ∗ = Z(Z 0 Z)−1 Z 0 X ∗
y = X ∗β + ε
y = X̂ ∗ β + ε
Si todas las variables explicativas están medidas con error cada una de ellas se
necesita un instrumento, entonces Z tiene dimensión n×k al igual que X ∗ , en este
caso se puede demostrar (Hacerlo) que:
β̂V I = (Z 0 X ∗ )−1 Z 0 y
160
Econometría I
Capitulo 4: Problemas con los datos FACEA, Universidad de Chile
161