UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS FACULTAD DE ECONOMA

Variables Omitidas y Redundantes

Introduccin a la Econometra Prof. Donita Rodrguez Z.

ESQUEMA
1. VARIABLES OMITIDAS 1.1. Problemas con los estimadores MCO 1.2. Identificacin del Problema 1.3. Posibles Soluciones

2.

VARIABLES REDUNDANTES
1.1. Problemas con los estimadores MCO 1.2. Identificacin del Problema 1.3. Posibles Soluciones

3.

DILEMA: SESGO O VARIANZA?

1. VARIABLES OMITIDAS
1.1. PROBLEMAS CON LOS ESTIMADORES MCO (a) (b) El vector de estimadores MCO de los parmetros especificados es sesgado. La varianza del vector de estimadores MCO del modelo con variables omitidas se hace ms pequea a menos que las variables omitidas sean ortogonales a las especificadas. (c) El estimador de la varianza del trmino de perturbacin se sesga hacia arriba. (d) El estimador de la varianza del vector de estimadores MCO del modelo con variables omitidas se sesga hacia arriba.

1. VARIABLES OMITIDAS
Excepciones: (a) El sesgo desaparece si las variables especificadas no estn

correlacionadas con las variables omitidas. (b) La varianza del vector de estimadores MCO del modelo con variables omitidas ser igual al del modelo correcto si las variables especificadas no estn correlacionadas con las variables omitidas. As, a mayor correlacin entre las variables especificadas y las omitidas, mayor la diferencia. (c) No es posible cuantificar el sesgo. El sesgo no desaparece si las variables omitidas estn correlacionadas con las no omitidas.

1. VARIABLES OMITIDAS
(d) Igual que en el caso anterior. Adems, se distorsionan las inferencias. Dada la menor varianza del estimador y el sesgo que se genera en el mismo, el ECM del estimador MCO se

distorsiona: aumenta o disminuye dependiendo de la magnitud

de la reduccin de la varianza y del sesgo:
2 ECM Var MCO Sesgo(MCO )

1. VARIABLES OMITIDAS
1.2. IDENTIFICACIN DEL PROBLEMA DE VARIABLES OMITIDAS Para identificar el problema, se puede construir una prueba para muestras pequeas y otro para muestras grandes. Para esto, es necesario definir adecuadamente la hiptesis nula y la alternativa. Para muestras pequeas, se utiliza la prueba F. Para muestras grandes, se utiliza la prueba LR. Alternativamente, se puede utilizar la prueba RESET de Ramsey y los criterios R2 ajustado, AIC y SC. 1.3. POSIBLES SOLUCIONES Incorporar las variables omitidas.

2. VARIABLES REDUNDANTES
2.1. PROPIEDADES Y PROBLEMAS CON LOS ESTIMADORES
MCO 1. 2.

Tenemos que MCO y

2 sR

son insesgados.

La Var (MCO ) se hace ms grande, a menos que las variables

redundantes no estn correlacionadas con las relevantes.

Este problema genera que el estimador MCO de los

parmetros no sea eficiente. Dado esto, el ECM del estimador sera mas grande de lo que debera ser. 3.
El estimador de Var (MCO ) es insesgado.

2. VARIABLES REDUNDANTES
2.2. IDENTIFICACIN DEL PROBLEMA DE VARIABLES REDUNDANTES Para identificar el problema, se puede construir una prueba para muestras

pequeas y otro para muestras grandes. Para esto, es necesario definir

adecuadamente la hiptesis nula y la alternativa. Para muestras pequeas, se utiliza un estadstico F.

Para muestras grandes, se utiliza el test LR.

Alternativamente, es posible usar los criterios R2 ajustado, AIC y SC.

2.3. POSIBLES SOLUCIONES Eliminar las variables redundantes.

3. DILEMA: SESGO O VARIANZA?

El problema de variables omitidas y redundantes se soluciona incorporando o eliminando variables a la especificacin del modelo a estimar. Al parecer, lo mejor es hechar todo lo que se pueda a la regresin para evitar el problema del sesgo que genera la omisin de variables relevantes, a pesar de que la inclusin de variables irrelevantes genere varianzas altas. A este

dilema entre sesgo y varianzas altas se le conoce como el

dilema del sumidero de la cocina (kitchen sink

dilemma).

3. DILEMA: SESGO O VARIANZA?

Los problemas de Omisin y Redundancia estn

relacionados a las metodologas economtricas:

Por un lado, la metodologa de lo particular a lo general (partir

de un modelo parsimonioso o con pocas variables explicativas, e incrementarle paulatinamente variables

explicativas) sera ms sensible al problema de Omisin.

3. DILEMA: SESGO O VARIANZA?

Por otro lado, la metodologa de lo general a lo particular (partir de un modelo con muchas variables explicativas y reducir paulatinamente su nmero), sera ms sensible al problema de Redundancia.

Para evitar todo esto, es importante partir de la teora econmica, la cul ser la gua en la eleccin de las variables

explicativas adecuadas para cada problema.

4. APLICACIONES
Dependent Variable: Y Method: Least Squares Sample: 1 2000 Included observations: 2000 Variable C X R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 4.527264 2.330390 0.999881 0.999881 36.76225 2700223. -10045.82 1.994627 Std. Error 1.644464 0.000570 t-Statistic 2.753033 4091.774 Prob. 0.0060 0.0000 5832.297 3364.598 10.04782 10.05342 16742611 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

4. APLICACIONES
Omitted Variables: Z F-statistic Log likelihood ratio 2619337. 14359.59 Prob. F(1,1997) Prob. Chi-Square(1) 0.000000 0.000000

Test Equation: Dependent Variable: Y Method: Least Squares Sample: 1 2000 Included observations: 2000 Variable C X Z R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 3.007917 4.570633 -5.601622 1.000000 1.000000 1.014936 2057.100 -2866.027 1.946032 Std. Error 0.045410 0.001384 0.003461 t-Statistic 66.23875 3301.786 -1618.437 Prob. 0.0000 0.0000 0.0000 5832.297 3364.598 2.869027 2.877428 1.10E+10 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

4. APLICACIONES
Dependent Variable: Y Method: Least Squares Sample: 1 2000 Included observations: 2000 Variable C X Z R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 3.007917 4.570633 -5.601622 1.000000 1.000000 1.014936 2057.100 -2866.027 1.946032 Std. Error 0.045410 0.001384 0.003461 t-Statistic 66.23875 3301.786 -1618.437 Prob. 0.0000 0.0000 0.0000 5832.297 3364.598 2.869027 2.877428 1.10E+10 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

4. APLICACIONES
Redundant Variables: Z F-statistic Log likelihood ratio 2619337. 14359.59 Prob. F(1,1997) Prob. Chi-Square(1) 0.000000 0.000000

Test Equation: Dependent Variable: Y Method: Least Squares Sample: 1 2000 Included observations: 2000 Variable C X R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Coefficient 4.527264 2.330390 0.999881 0.999881 36.76225 2700223. -10045.82 1.994627 Std. Error 1.644464 0.000570 t-Statistic 2.753033 4091.774 Prob. 0.0060 0.0000 5832.297 3364.598 10.04782 10.05342 16742611 0.000000

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)

UNIVERSIDAD PERUANA DE CIENCIAS APLICADAS FACULTAD DE ECONOMA

Variables Omitidas y Redundantes

Introduccin a la Econometra Prof. Donita Rodrguez Z.